Cuando Julio Scherer Ibarra publicó Ni venganza ni perdón en 2025, nadie esperaba que sus memorias se convirtieran en un documento político de primer orden. El libro —denso, cargado de nombres, fechas y afectos— describe casi tres décadas de una vida pública intensa: consejero jurídico de la Presidencia, operador político, testigo privilegiado de la Cuarta Transformación.
La pregunta que me hice al leerlo fue sencilla: ¿a quién quiere Scherer y a quién no? Y si eso era respondible, ¿podía hacerse de forma sistemática?
La respuesta fue sí. Y el proceso es lo que quiero compartir aquí.
El problema: 300 páginas, cientos de personajes
El libro tiene cerca de 300 páginas y menciona a decenas de figuras públicas: presidentes, ministros, gobernadores, periodistas, empresarios. Hacer un análisis manual sería posible pero lento y subjetivo. Usar un LLM en una sola pasada era inviable por los límites de contexto.
La solución fue diseñar una arquitectura de procesamiento paralelo: dividir el libro en bloques de ~20 páginas y asignar cada fragmento a un “agente” —una instancia específica de análisis— con instrucciones precisas sobre qué buscar y cómo clasificarlo.
La metodología: 15 agentes, una escala, un resultado
Cada agente recibía la misma instrucción base (guardada en prompt.txt):
- Identificar personas reales mencionadas en el fragmento.
- Extraer la cita textual que mejor captura el sentimiento del autor hacia esa persona.
- Clasificar la relación en una escala de -5 (enemigo acérrimo) a +5 (aliado incondicional).
- No inferir: basarse únicamente en lo que el texto dice de forma explícita.
Una vez procesados los 15 bloques, un proceso central consolidó los resultados:
- Deduplicación de nombres (“AMLO”, “Andrés Manuel”, “el Presidente” → mismo nodo).
- Resolución de conflictos cuando un personaje aparecía en múltiples fragmentos con puntajes distintos.
- Generación de un Excel con código de colores y el dataset final.
El resultado: un beeswarm interactivo
El producto final es una visualización tipo beeswarm plot donde cada círculo es una persona. El tamaño refleja el peso narrativo (páginas dedicadas), la posición horizontal indica el sentimiento, y los antagonistas centrales llevan un contorno punteado para distinguirlos.
Puedes explorarlo directamente en la GitHub Page del proyecto o revisar el código en el repositorio .
Lo que aprendí
Algunos hallazgos del análisis me sorprendieron. Ramírez Cuevas y Gertz Manero emergieron como los antagonistas más marcados —no por su frecuencia de mención sino por la intensidad del lenguaje utilizado. AMLO, en cambio, aparece con una relación ambivalente: admiración genuina combinada con decepción en momentos clave.
Lo que más me llamó la atención fue que el libro no es un ajuste de cuentas. Es, en realidad, un intento de ordenar la experiencia. Scherer escribe como quien hace un inventario emocional antes de cerrar un capítulo.
Sobre el uso de IA
Este proyecto, incluyendo el código de extracción y la visualización, fue asistido por agentes de IA —específicamente Google DeepMind y Claude Code. Los uso como herramientas para acelerar el proceso analítico, no como sustitutos del criterio o la interpretación. La pregunta, el diseño metodológico y las conclusiones son mías.
El código está disponible en GitHub bajo licencia MIT. Si tienes preguntas o quieres replicar el análisis con otro texto, me puedes encontrar en LinkedIn .