Inteligencia Artificial · Eleodoro Ventocilla

Cuando la niebla se vuelve datos

Sun, 08 Nov 2026 00:00:00 -0500

Nota del autor

Si podemos producir más escenarios con menos esfuerzo, ¿qué seguirá faltando para decidir mejor? Esa es la pregunta de este tercer artículo. El primero recorrió los medios que la prospectiva fue forjando; el segundo contrastó sus propósitos con los resultados. Ahora el balance se desplaza hacia los medios y propósitos que necesitará el oficio ante la inteligencia artificial y la computación cuántica. Aquí la experiencia de consultoría dialoga con las ideas que desarrollo en mis libros.

Mil escenarios antes del desayuno

Si producir borradores de escenarios se vuelve barato, ¿qué queda del oficio de anticipar? Hace cincuenta años, construir un juego de escenarios exigía meses de entrevistas, talleres y matrices. Hoy un modelo de lenguaje puede producir en minutos veinte relatos de futuro, simular respuestas para una encuesta Delphi y apoyar un barrido de señales débiles en miles de documentos. Pero un relato convincente todavía necesita contrastarse; simular expertos no equivale a consultarlos. En 2026, el FMI vincula parte de la resiliencia estadounidense con la inversión en inteligencia artificial, que ya mueve economías enteras. La vieja pregunta vuelve con otra forma: ¿qué convierte esa abundancia de análisis en mejor juicio?

Lo que sigue es una conjetura, no un pronóstico. Se apoya en lo que el balance de setenta años nos enseñó: la prospectiva falló a veces por no mirar donde nacía lo nuevo, pero con mucha más frecuencia por no convertir lo visto en decisión.

La abundancia de anticipación

En lo que sigue conviene separar tres niveles: lo que una herramienta ya permite hacer, lo que sus desarrolladores anuncian para los próximos años y lo que aquí conjeturamos sobre sus consecuencias institucionales. Un resultado técnico no prueba una transformación social; una hoja de ruta no garantiza una fecha; un escenario no es una predicción. Mantener esas distinciones es parte del oficio de anticipar.

La inteligencia artificial cambia primero la parte más laboriosa del método. La vigilancia del entorno, la síntesis de literatura, la identificación de variables y la redacción de escenarios se aceleran de manera radical. Una pyme que nunca pudo pagar un estudio prospectivo puede hoy explorar sus futuros con herramientas de bajo costo. Esa democratización es real y valiosa.

La abundancia de escenarios puede convivir con una pobreza de imaginación. Los modelos aprenden de lo ya escrito: si muchas organizaciones consultan los mismos sistemas con preguntas parecidas, pueden reproducir supuestos semejantes. Eso no vuelve inevitable la homogeneidad, pero obliga a buscar voces y señales fuera del repertorio habitual. Los casos de Bitcoin, de la expansión de la IA generativa y del rebote español plantean precisamente esa pregunta: ¿qué no observaba el consenso experto? Una inteligencia entrenada en ese consenso puede ampliarlo sin cuestionar sus límites.

El reloj cuántico

La computación cuántica ofrece el caso inverso: una tecnología cuyo calendario por fin empieza a precisarse. En octubre de 2026 Quantinuum anunció una fidelidad lógica de 99,9995 % en su ordenador Helios, y Google Quantum AI redujo cuarenta veces los errores en la producción de los llamados estados mágicos, aunque la ejecución confiable de aplicaciones prácticas sigue pendiente. IBM y Quantinuum sitúan la computación tolerante a fallos hacia 2029.

Para la prospectiva, lo cuántico plantea un dilema de manual. La amenaza sobre la criptografía actual es conocida, pero su fecha es incierta. Un adversario puede guardar hoy datos cifrados y descifrarlos cuando la máquina exista. La respuesta, migrar a criptografía poscuántica, está disponible. Es exactamente el tipo de alerta que Alemania tuvo con el gas y Francia con la deuda: el riesgo está descrito y la herramienta existe. Falta saber si alguien decidirá a tiempo. A más largo plazo, la simulación de moléculas y materiales podría acortar los ciclos de la biología sintética y de la energía, y volver a desajustar los calendarios.

Instituciones que aprenden a decidir

El tercer movimiento es menos ruidoso y quizá más importante. En varios países la prospectiva vuelve al corazón del Estado. Francia creó en 2025 su Haut-Commissariat à la Stratégie et au Plan (Alto Comisionado para la Estrategia y el Plan). La Comisión Europea publica informes anuales de prospectiva estratégica. Finlandia mantiene su Comité del Futuro y Singapur su centro de futuros estratégicos. En 2024 las Naciones Unidas adoptaron el Pacto para el Futuro y una Declaración sobre las Generaciones Futuras. En América Latina, el CEPLAN peruano y otros sistemas de planeamiento buscan sobrevivir a la rotación política y superar su escaso impacto en los ajustes institucionales que la región requiere.

La conjetura central de este balance es que cambia el recurso escaso. Durante setenta años, reunir y analizar información para anticipar exigió tiempo y recursos. La inteligencia artificial reduce parte de ese costo, pero no vuelve gratuito el análisis de los futuros posibles. Puede abaratar los borradores y dejar intacta la tarea más difícil: contrastarlos, deliberar y sostener decisiones. Por eso la prospectiva necesita ser más que un servicio de estudios: una infraestructura institucional que conecte la anticipación con la acción.

Llamar infraestructura a la prospectiva supone algo concreto: responsables de observar señales, espacios para discutir sus implicaciones, autoridad para decidir, recursos para prepararse y momentos definidos para revisar el rumbo. No basta con encargar escenarios. Hace falta saber quién debe responder a una alerta, qué decisión puede tomar y cómo se comprobará después si la preparación funcionó.

¿Cómo decidimos cómo decidimos? En nuestro libro La Sociedad Hiperinteligente (2026), esa pregunta conduce a una propuesta: llamamos Hiperinteligencia a la capacidad de una comunidad para combinar conocimiento humano, deliberación organizada e inteligencia artificial sin ceder a terceros el criterio sobre sus fines ni sus decisiones. No es una máquina que piensa por nosotros, sino una red horizontal de personas, instituciones y máquinas que aprende y se corrige. Su riesgo más profundo es perder la capacidad de reconocer sus errores. Esa idea ofrece una lente para releer los faros del artículo anterior y las dificultades de América Latina, no una explicación única de lo que les ocurrió.

Tres futuros para quienes miran el futuro

El oráculo automático. Las organizaciones delegan la anticipación en sistemas de IA que producen pronósticos continuos. Los informes se multiplican, las decisiones se automatizan y el juicio humano se repliega. Es eficiente mientras el mundo se parezca a sus datos. Cuando aparezca la ruptura, todos estarán ciegos al mismo tiempo.

El archipiélago. Unos pocos países y corporaciones combinan IA, capacidad cuántica e instituciones estables, y anticipan mejor que nunca. El resto consume futuros diseñados en otra parte. Para América Latina sería la versión contemporánea de la dependencia: tendríamos los escenarios, pero no la autoría.

La conversación ampliada. La inteligencia artificial libera tiempo del análisis y lo devuelve a la deliberación. Los escenarios se discuten con más actores, en más territorios, con menos costo. La prospectiva recupera su sentido original de cocreación del futuro, ahora con más voces. Es el escenario de Berger y de Mont Fleur, con herramientas que ellos no imaginaron.

Estos tres futuros dialogan con los escenarios para 2045 de nuestro libro La Soberanía Colectiva (2026). Allí se proponen ponderaciones orientativas, no certezas: una bifurcación profunda entre ecosistemas tecnológicos incompatibles, cercana al 40 %, que dejaría a América Latina atrapada en dependencias asimétricas; una convergencia regulada con estándares mínimos globales, alrededor del 35 %; y un escenario de bien común, cerca del 25 %. Esas cifras no se presentan aquí como probabilidades estimadas ni bastan para establecer cuál futuro ocurrirá. El archipiélago se parece a la bifurcación; la conversación ampliada, al bien común. Que este último reciba la menor ponderación no invita a resignarse: recuerda que lo deseable requiere trabajo.

La apuesta de Berger

Lo más probable es una mezcla de esos futuros, distinta en cada país. La variable que decidirá cuál predomina no es tecnológica, sino institucional: quién es dueño de la anticipación y quién responde por la decisión. Los países nórdicos y Letonia, en seguridad, muestran que es posible. Francia y el Perú muestran cuánto cuesta no lograrlo y Venezuela el costo de ignorarlo. Ese es, en síntesis, el balance que anunciamos al inicio: los medios para anticipar abundan; el propósito de decidir sigue esperando dueño.

Gaston Berger pedía cinco cosas a quien mira el futuro: ver lejos, ver amplio, analizar en profundidad, tomar riesgos y pensar en el hombre. Las máquinas amplían nuestra capacidad de reunir información y explorar relaciones; eso no significa que comprendan el porvenir ni que puedan decidir sus fines. Las cinco exigencias siguen comprometiéndonos. Tomar riesgos y atender a las personas es parte de decidir. Podemos convertir señales de la niebla en datos, pero no eliminar toda incertidumbre. Alguien tiene que elegir el rumbo: navegar por mares procelosos es inevitable; prepararnos puede disminuir el riesgo de naufragar.

Queda una pregunta práctica: cuando ningún mapa dura lo suficiente, ¿qué orienta a quien decide? A ella dedicamos el cuarto y último artículo de la serie.

Para profundizar: estas ideas se desarrollan con mayor amplitud en La Sociedad Hiperinteligente y La Soberanía Colectiva, disponibles en Kindle.

Quienes deseen explorar cómo aplicar estas ideas en su organización o territorio pueden escribir directamente al autor.

Fuentes

FMI (octubre de 2026). Perspectivas de la economía mundial (WEO).
Quantinuum (19 de octubre de 2026). «Quantinuum Breaks Error-Correction World Record by 10x, Validating its Leading Path to Fault-Tolerant Quantum Computing by 2029». Nota de prensa.
Google Quantum AI (15 de octubre de 2026). «Bringing the magic: Google breaks open a bottleneck in quantum computing». Blog de Google; resultados publicados en Science.
Gidney, C., Shutty, N. y Jones, C. (2024). «Magic state cultivation: growing T states as cheap as CNOT gates». arXiv:2409.17595.
IBM (2025). Hoja de ruta de IBM Quantum hacia Starling, computador cuántico tolerante a fallos previsto para 2029.
NIST (2024). FIPS 203, FIPS 204 y FIPS 205: estándares de criptografía poscuántica. Instituto Nacional de Estándares y Tecnología de Estados Unidos.
Decreto n.º 2025-450, de 23 de mayo de 2025, por el que se crea el Haut-Commissariat à la stratégie et au plan. Journal officiel, 24 de mayo de 2025.
Comisión Europea. Strategic Foresight Reports. Serie anual desde 2020.
Naciones Unidas (2024). Pacto para el Futuro, Pacto Digital Global y Declaración sobre las Generaciones Futuras. Resolución A/RES/79/1 de la Asamblea General.
Berger, G. (1964). Phénoménologie du temps et prospective. PUF.
Ventocilla Cuadros, E. (2026). La Sociedad Hiperinteligente: un camino sin mapas. Edición Kindle.
Ventocilla Cuadros, E. (2026). La Soberanía Colectiva. Edición Kindle.

Cocreación: leña nueva para un fuego antiguo

Fri, 30 Oct 2026 00:00:00 -0500

Imaginemos un equipo de cinco personas que debe proponer, en una semana, una estrategia para reducir los residuos plásticos de una cadena de supermercados. Hace pocos años habrían llenado una pizarra de notas adhesivas. Hoy, antes de reunirse, cada uno ha conversado con un asistente de IA; alguno incluso ha puesto a varios agentes a debatir entre sí. Llegan a la mesa con decenas de ideas. La pregunta ya no es si tendrán suficientes. Es si alguna será realmente suya, y si serán distintas de las que llevará la competencia, que usa las mismas herramientas.

En las entregas anteriores vimos cómo se enciende la cocreación y por qué el mismo fuego que reúne puede quemar. Cerramos la serie mirando hacia adelante.

Cuando nadie puede resolver el problema por sí solo

La pregunta inicial —si la IA nos ayuda a crear ideas propias y distintas— tiene una razón de fondo: cuando los problemas cruzan fronteras organizacionales, ningún actor reúne todo el conocimiento ni todos los recursos. Cambio climático, pandemias, migración y transición energética exigen respuestas entre muchos. Por eso se expande la cocreación.

Pero la complejidad cobra su precio. Más actores significan más fricción, más intereses en tensión y más riesgo de codestrucción. Muchos procesos se quedan en la etapa de las ideas: una revisión de dieciséis estudios en desarrollo de alimentos encontró que pocos llegaron siquiera a prototipos. La complejidad amplía la necesidad de cocrear más rápido que nuestra capacidad de hacerlo bien.

Esa misma complejidad vuelve valiosa la cocreación para anticipar. Nadie conoce el futuro de un país, pero muchos conocen fragmentos de sus tendencias. A comienzos de los años noventa, en plena transición sudafricana, políticos, empresarios, sindicalistas y académicos de bandos enfrentados construyeron en Mont Fleur escenarios sobre el futuro del país; Adam Kahane, que facilitó el proceso, llevó después la experiencia a Colombia y Guatemala. Los escenarios no predijeron nada: crearon un lenguaje común para discutir qué futuros convenía evitar. Ahí reside su potencial para el desarrollo. Anticipar juntos permite acordar prioridades antes de que la urgencia las imponga y convierte la planificación nacional en una conversación, no en un documento que se archiva.

Conversar con una máquina que propone

Cocrear con IA exige más que pedir y recibir. Un capítulo del manual de Springer sobre inteligencia artificial centrada en el humano describe una interacción con turnos, improvisación y colaboración social, más allá del esquema de entrada y salida. Un seguimiento de diecinueve guionistas profesionales mostró que reflexionar sobre la práctica les permitió desarrollar nuevas estrategias de trabajo con la máquina. La herramienta no deja de serlo: lo que se aprende es una forma de colaboración.

La IA puede mejorar los resultados individuales y reducir la diversidad del conjunto. Doshi y Hauser observaron ese contraste en cuentos: las sugerencias mejoraron las historias, especialmente entre quienes partían de menor creatividad, pero las hicieron más parecidas entre sí. El metaanálisis de De Rooij y Biskjaer también encontró una reducción pequeña pero significativa de la diversidad de ideas. El dilema no es que cada uso produzca uniformidad, sino que las ganancias individuales pueden coincidir con una pérdida colectiva de novedad.

Si todos alimentamos la hoguera con la misma leña, el fuego será intenso, pero tendrá un solo color. La diversidad humana es la materia prima de la innovación, y la IA la desafía dos veces, advierten Dong y Yakura: puede homogeneizar lo que personas distintas crean y puede tentarnos a reemplazar a las personas por una diversidad simulada. La pregunta relevante, entonces, no es si podemos cocrear con la IA, sino cómo evitar que todos cocreemos con la misma voz.

Equipos sin personas

Un paso más allá aparece una posibilidad que hace poco parecía ciencia ficción: inteligencias artificiales que cocrean entre sí. Un estudio publicado en 2026 comparó 114 equipos humanos, integrados por 462 personas, con sistemas de múltiples agentes de IA en seis tareas creativas, desde la crisis del plástico hasta formas ingeniosas de cantar en la ducha. Los equipos de máquinas superaron a los humanos, y sus mejores ideas resultaron un 58 % más creativas que las mejores ideas humanas. Ambos tipos de equipo crean más cuando la conversación se abre en lugar de girar alrededor de un solo tema, pero lo logran por caminos distintos: la IA, mediante una exploración eficiente; los humanos, sosteniendo un flujo conversacional y cambiando con frecuencia de rumbo. No pensamos mejor ni peor: pensamos distinto.

¿Es eso cocreación? Depende del criterio. Si basta integrar recursos de actores diversos para producir algo nuevo, los sistemas de múltiples agentes cumplen esa función. Si se exige propósito propio, responsabilidad y experiencia de autoría, conviene hablar aquí de coelaboración: los agentes operan dentro de encargos humanos y con criterios de valor fijados por nosotros. La autonomía para resolver el cómo no equivale a decidir el para qué; este último sigue siendo una responsabilidad humana.

El trinquete que nos hizo humanos

La inteligencia humana también tiene una historia colectiva. Para imaginar su futuro con IA conviene mirar ese origen. Migliano y Vinicius proponen que las relaciones igualitarias, la cooperación con no parientes y las redes de varios niveles de los cazadores-recolectores produjeron un «trinquete social»: conocimiento repartido entre personas que conserva lo ya alcanzado. La antropología evolutiva sugiere así una inteligencia cocreada y una cultura acumulativa singular. Nadie sabe fabricar solo un lápiz; mucho menos un teléfono.

Un número temático de la Royal Society sobre la evolución de la inteligencia colectiva añade una idea poderosa: esa inteligencia habría crecido mediante la construcción progresiva de andamios materiales y culturales compartidos. Aquí la gobernanza generativa, de la que hablamos en la primera entrega, revela su verdadera escala. Crear plataformas para la cocreación es hacer, en el lenguaje de la gestión, lo que nuestra especie hizo durante milenios con el fogón, la plaza y el mercado: construir andamios donde muchas mentes pueden pensar juntas. La escritura, la imprenta e internet fueron andamios. La IA es el más reciente, y el primero que además propone ideas.

Y la arquitectura importa tanto como la intención. Los experimentos de Derex y Boyd mostraron que los grupos parcialmente conectados acumulan más cultura que los totalmente conectados: cuando todos ven todo, todos tienden a copiar la misma solución y la exploración se detiene. La lección es contraintuitiva. No se trata de conectar a todos con todos, sino de cuidar que existan grupos que exploren por su cuenta y puentes que les permitan compartir lo que encuentran.

Las redes creativas necesitan conexión sin uniformidad. La teoría de los pequeños mundos, popularizada como los «seis grados de separación», ofrece una explicación: Watts y Strogatz mostraron que unos pocos atajos conectan grupos cohesionados sin borrar su identidad. Al estudiar los musicales de Broadway entre 1945 y 1989, Uzzi y Spiro encontraron una relación parabólica: el desempeño mejoraba hasta un umbral y luego empeoraba. Con poca conexión había aislamiento; con demasiada, semejanza.

Cocrear entre mundos exige puentes que no borren las diferencias. En equipos, comunidades profesionales y barrios, mundos pequeños y densos, la confianza abunda, pero las ideas pueden repetirse. La novedad suele llegar por los «vínculos débiles» de Granovetter: un conocido de otro círculo, una disciplina vecina o un cliente de otro país. Se necesitan traductores entre lenguajes, valores y ritmos, y una gobernanza que cuide los puentes sin disolver las orillas. Cuando la panadería conversa con la escuela y una cooperativa de agricultores, no suma tres opiniones: conecta tres mundos. La IA puede facilitar ese cruce o aplanar las diferencias que lo hacen valioso.

Dos futuros para la misma hoguera

Podemos imaginar dos caminos. En el primero, la IA amplía el trinquete: multiplica las voces que llegan a la mesa, conecta saberes que nunca se habrían cruzado y libera tiempo para lo que sigue siendo nuestro, que es decidir qué vale la pena. Hay indicios de que es posible: en experimentos de búsqueda semántica, los grupos híbridos de personas e IA lograron el mejor desempeño sin perder diversidad. En el segundo camino, la IA afloja el trinquete: todos consultamos al mismo oráculo, las ideas convergen y la cocreación se vuelve un eco amable de lo que ya sabíamos.

Ninguno de los dos caminos está escrito. La diferencia dependerá tanto de la tecnología como de los andamios con que gobernemos su uso. Volvamos a la panadería: consultar a un asistente puede dar a la dueña una buena respuesta; reemplazar con esa consulta la conversación puede dejar fuera el saber del horno, la mirada de la clienta y el compromiso de quienes habrían ayudado a construir la solución.

Más que una moda gerencial, la cocreación puede entenderse como una expresión de la capacidad colectiva que nos hizo humanos. En esta década está en juego si los nuevos andamios nos harán más inteligentes juntos o más parecidos entre nosotros. El valor de la hoguera no está solo en la intensidad del fuego, sino en quienes se reúnen a su alrededor. Para explorar cómo traducir estas ideas a su organización, pueden escribirme directamente.

Fuentes

Davis, N., Clemens, M., Rezwana, J., y Browne, E. (2026). Human-AI Co-Creation: A New Interaction Paradigm for Human-AI Interaction. En W. Xu (ed.), Handbook of Human-Centered Artificial Intelligence. Springer.
De Rooij, A., y Biskjaer, M. M. (2026). Generative AI Makes Creative Output More Homogeneous. European Conference on Cognitive Ergonomics.
Derex, M., y Boyd, R. (2016). Partial connectivity increases cultural accumulation within groups. Proceedings of the National Academy of Sciences, 113(11), 2982–2987.
Dong, M., y Yakura, H. (2026). Human diversity fuels collective creativity that large language models cannot simulate or sustain. arXiv:2607.26899.
Doshi, A. R., y Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances.
Granovetter, M. S. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360–1380.
Hu, T., et al. (2026). Multi-agent AI systems outperform human teams in creativity. arXiv:2605.17885.
Kahane, A. (2004). Solving Tough Problems: An Open Way of Talking, Listening, and Creating New Realities. Berrett-Koehler.
Migliano, A. B., y Vinicius, L. (2022). The origins of human cumulative culture: from the foraging niche to collective intelligence. Philosophical Transactions of the Royal Society B.
Tang, Y., et al. (2026). How Do Human Creators Embrace Human-AI Co-Creation? A Perspective on Human Agency of Screenwriters. CHI 2026.
Uzzi, B., y Spiro, J. (2005). Collaboration and creativity: The small world problem. American Journal of Sociology, 111(2), 447–504. https://doi.org/10.1086/432782
Watts, D. J., y Strogatz, S. H. (1998). Collective dynamics of «small-world» networks. Nature, 393, 440–442.

¿Seremos las vacas del futuro?

Mon, 26 Oct 2026 00:00:00 -0500

El 17 de octubre, en una entrevista en la televisión pública checa, Yuval Noah Harari usó la metáfora de las vacas, que no pueden entender el sistema financiero por más que nos vean e interactúen con nosotros, para advertir que las inteligencias artificiales podrían llegar a dominar y complejizar el sistema financiero global hasta el punto de que no lo entenderemos: seremos las vacas del futuro.

¿Podemos conservar la capacidad de decidir ante una inteligencia artificial cada vez más autónoma? Este año escribí La Sociedad Hiperinteligente y La Soberanía Colectiva para sostener una posibilidad: desarrollar inteligencias artificiales mediadoras que fortalezcan la Inteligencia Colectiva y una gobernanza humana con límites éticos. La pregunta es si esa posibilidad sigue abierta o si la Inteligencia Colectiva quedará subordinada a la Superinteligencia.

Ya fuimos vacas una vez

La imagen es poderosa porque toca una fibra real. Una vaca reconoce al ganadero, anticipa sus rutinas, pero nunca sabrá que su destino se decide en un mercado de futuros.

No hace falta esperar al futuro para reconocer el riesgo. En 2008, bancos, calificadoras y reguladores utilizaban sofisticados modelos para estimar impagos, distribuir riesgos y valorar derivados. Su capacidad de cálculo no equivalía a comprender el sistema: supuestos sobre los precios de la vivienda y la relación entre riesgos hicieron subestimar la posibilidad de caídas simultáneas en distintas regiones.

El colapso no fue solo técnico: también puso en cuestión los supuestos y la capacidad de corregir el rumbo. La sofisticación del cálculo no garantizó una buena orientación. Ya fuimos vacas: millones de familias perdieron sus casas por decisiones tomadas en un lenguaje que no entendían y cuyos riesgos tampoco dominaban suficientemente quienes lo hablaban.

Lo que la metáfora acierta… y lo que oculta

Harari acierta en algo decisivo: un algoritmo toma millones de decisiones al día y ningún supervisor puede revisarlas todas. El poder escala, la rendición de cuentas no. Así, las malas decisiones no necesitan malicia: se vuelven invisibles en el ruido estadístico hasta que el daño ya no puede ocultarse.

Pero la metáfora también oculta algo. La vaca no está en el corral por ser menos inteligente, sino porque no tiene voz en el diseño de la granja. Su condición no depende de lo que entiende, sino de lo que puede decidir. La pregunta, entonces, no es si comprenderemos cada instrumento que invente una máquina —tampoco hoy comprendemos cada derivado que circula en los mercados—, sino si seguiremos decidiendo las reglas del juego en que operan.

La opacidad no es una fatalidad: es una trayectoria por defecto, y puede modificarse, aunque solo mediante intervención deliberada.

Resolver no es orientar

Resolver es encontrar respuestas dentro de un marco dado. Orientar es revisar ese marco: qué valores lo guían y qué futuros abre o clausura. Esta distinción recorre La Sociedad Hiperinteligente. La inteligencia artificial puede ayudar en ambas tareas; lo que no debemos delegar es la responsabilidad de decidir los fines y revisar sus consecuencias.

En mi propuesta, la diferencia es de enfoque: la Superinteligencia pone el acento en la potencia de un sistema; la Hiperinteligencia, en la capacidad de una red de personas, instituciones, máquinas y sistemas biológicos para coordinarse, aprender y corregirse. La imagen es vertical en el primer caso y horizontal en el segundo. No basta con responder preguntas cada vez más difíciles: necesitamos decidir juntos cuáles vale la pena hacerse.

La pandemia permite ilustrar la distinción. Revisar modelos epidemiológicos con epidemiólogos, sociólogos, expertos en logística y líderes comunitarios, y ajustarlos con datos locales, abre posibilidades de respuesta más flexibles y corregibles. No se trata de reemplazar la máquina, sino de orientar su uso. No hace falta entender cada ecuación; sí poder cuestionar sus supuestos.

El mayor riesgo de una sociedad altamente inteligente, entonces, no es equivocarse. Es perder la capacidad de reconocer y corregir sus errores antes de que el daño se vuelva normal, eficiente e invisible.

Un corral o una plaza

En La Soberanía Colectiva planteé que la inteligencia artificial, tal como hoy se desarrolla, tiende a concentrar poder —político, económico y epistémico— en quienes controlan los datos, el cómputo y los sistemas de decisión. Frente a ello distinguí dos figuras: la IA capturadora agrega voluntades, pero las distorsiona en favor de quien la controla; la mediadora traduce, organiza y amplifica la voluntad colectiva sin eliminar su diversidad.

La primera construye corrales; la segunda, plazas. Para reconocer una IA mediadora, propongo cinco preguntas: ¿hace explícito qué optimiza?, ¿preserva perspectivas diversas?, ¿puede corregirse?, ¿deja las decisiones cerca de quienes viven sus consecuencias?, ¿resiste la captura sin depender de la buena voluntad de su operador?

Ninguna de estas preguntas exige que el ciudadano entienda el sistema por dentro; exigen que rinda cuentas en un lenguaje humano y que exista alguien, con poder real, capaz de detenerlo, revisarlo o revertirlo. Un sistema que no puede corregirse no media: controla, aunque hable el idioma de la mediación.

Límites que no dependen de entenderlo todo

Si la comprensión total ya no es posible, la gobernanza humana necesita fronteras éticas que no se negocian: ninguna manipulación cognitiva sin consentimiento; ninguna delegación irreversible de decisiones sobre derechos fundamentales; ninguna vigilancia masiva sin autorización democrática; ninguna concentración irreversible de poder sobre la infraestructura de decisión colectiva; y ninguna opacidad total en sistemas con consecuencias colectivas.

Estos límites no requieren comprender cada detalle, pero sí mecanismos para hacerlos cumplir. No necesitamos saber cómo se calcula un puntaje de crédito para exigir que la persona afectada pueda apelar ante un ser humano, ni comprender cada instrumento financiero para impedir que un solo actor controle, sin contrapesos, la infraestructura en que se negocia.

El peligro es que los límites rara vez caen de golpe. Se erosionan excepción por excepción, emergencia por emergencia, hasta que lo excepcional se vuelve normal. Cada paso parece razonable. Por eso los límites no se defienden solo con principios: se defienden con instituciones que los vigilan.

¿Posibilidad o ilusión?

Volvamos a la pregunta inicial: ante agentes de IA cada vez más autónomos, ¿podemos conservar la capacidad de decidir?

La respuesta honesta es que no está garantizada, pero tampoco es una ilusión. Los avances en autonomía generativa no vuelven obsoleta la mediación; la vuelven urgente. Cuanto más capaces sean los sistemas, más costoso será construir mañana los mecanismos de corrección que hoy posterguemos.

Hay señales en ambas direcciones. Taiwán ha ensayado plataformas digitales para deliberar a gran escala; Estonia ha convertido al Estado en una plataforma de inteligencia distribuida; la comunidad germanófona de Bélgica institucionalizó la deliberación ciudadana. Al mismo tiempo, la rivalidad entre potencias empuja hacia ecosistemas cerrados que dejan al resto del mundo eligiendo alineamientos, no diseñando reglas.

En La Soberanía Colectiva propuse tres escenarios para 2045, con ponderaciones orientativas, no certezas: una bifurcación profunda entre ecosistemas incompatibles, cerca del 40 %, que deja al Sur Global y a América Latina atrapados en dependencias asimétricas; una convergencia regulada, 35 %, con estándares mínimos globales; y un escenario de bien común, 25 %, en el que la IA y la Hiperinteligencia se desarrollan como capacidades distribuidas, no como monopolio de potencias.

El escenario más deseable no es el de mayor peso en este ejercicio, pero sigue abierto. La posibilidad no garantiza el resultado: da una razón para actuar. Las fuerzas estructurales cuentan, pero también las decisiones de diseño, regulación y uso que gobiernos, empresas, organizaciones y ciudadanos tomemos en los próximos años.

Avanzar sin mapas, no sin brújula

Las vacas no eligieron la granja. Nosotros todavía podemos elegir entre el corral y la plaza. La condición de vaca no llegará el día en que dejemos de entender el sistema financiero; llegará el día en que dejemos de exigir que ese sistema responda ante nosotros.

No tenemos el mapa del territorio que vamos a cruzar. Pero sí una brújula: distribuir el poder, preservar la diversidad, mantener la capacidad de corregir y sostener límites que no se negocian. No garantiza el destino. Nos dice qué debemos cuidar mientras avanzamos.

¿Quién puede detener, revisar o revertir una decisión de IA en nuestra organización o comunidad? Esa pregunta puede abrir el diálogo. Quienes deseen explorar aplicaciones prácticas pueden escribirme directamente o consultar mis libros disponibles en Kindle.

Dime cómo crees que se aprende y te diré cómo enseñas

Sat, 24 Oct 2026 00:00:00 -0500

Cuando el conocimiento productivo reside cada vez más en máquinas, aprender ya no consiste solo en acumular saber individual. Exige criterio para trabajar con sistemas inteligentes, capacidad para actuar cuando fallan y equipos capaces de aprender más allá de la rotación de sus integrantes.

Esto obliga a revisar cómo enseñamos, dónde instalamos el conocimiento, qué capacidades humanas queremos proteger y quién aprenderá a hacer lo que las máquinas ya hacen.

Todos recordamos a algunos maestros decisivos y olvidamos a muchos otros. Recordamos aún menos cómo adquirimos los hábitos, valores y procedimientos que nos permiten actuar en una comunidad y crear valor. Pero aprender no es simplemente incorporar información: es cambiar. Si una experiencia no modifica lo que comprendemos, decidimos o hacemos, difícilmente puede llamarse aprendizaje. Ese cambio no solo debe aumentar nuestra capacidad de responder a lo que emerge del contexto; también debe ampliar nuestra capacidad de imaginar y cocrear futuros de bienestar personal y organizacional.

Dos supuestos que parecen obvios

En muchas empresas, el aprendizaje se diseña sobre dos ideas poco examinadas: que aprender es acumular conocimientos y que ese proceso ocurre, ante todo, en el cerebro de cada individuo. Ambos supuestos influyen en cómo se conectan talento, productividad y creación de valor. Pero ¿siguen siendo suficientes?

Un artista en la pizzería

Pensemos en un artista que nunca ha preparado una pizza y consigue empleo en una franquicia que no exige experiencia. Puede producirla correctamente porque opera un sistema que contiene recetas, secuencias y criterios de producción. La persona aporta habilidades básicas, atención al cliente y capacidad para responder ante lo imprevisto.

El desempeño no reside por completo en quien trabaja ni en la máquina: emerge de su articulación. Si cientos de locales deben ofrecer resultados similares y los trabajadores rotan con frecuencia, parece razonable incorporar al artefacto el conocimiento de producción y concentrar la formación humana en la relación con el cliente, el juicio y la respuesta ante excepciones.

La lógica se extiende a la IA. En una empresa de software, un asistente generativo elevó en 15 % los casos resueltos por hora por 5.172 agentes de atención al cliente; las mejoras fueron especialmente importantes entre los menos experimentados (Brynjolfsson, Li y Raymond, The Quarterly Journal of Economics, 2025). El sistema acercaba a los novatos los patrones de trabajo de los agentes más capaces.

El conocimiento no desaparece: cambia de ubicación y se distribuye entre personas, procedimientos y artefactos. Estos funcionan como prótesis cognitivas: amplían lo que alguien puede hacer, pero no le transfieren automáticamente el saber que contienen.

Por eso, enseñar debe ir más allá de la acumulación individual. Debe preparar a las personas para comprender la tarea, relacionarse con otros, interactuar con los sistemas y responder ante situaciones inéditas. No se trata de prescindir de ellas, sino de fortalecer lo que el artefacto no garantiza: juicio, responsabilidad, imaginación y capacidad de aprender.

La cuestión no es elegir entre conocimiento humano y conocimiento incorporado en máquinas. Es decidir qué conviene delegar, qué capacidades debemos conservar y cómo evitar que la eficiencia inmediata destruya las condiciones para formar a los expertos del futuro.

Lo que el artefacto no debe llevarse

Delegar conocimiento no debe significar abandonar capacidades humanas. En cuatro centros de endoscopia de Polonia, después de incorporar una IA que señalaba pólipos, la detección de adenomas en colonoscopias realizadas sin la herramienta descendió del 28,4 % al 22,4 % (The Lancet Gastroenterology & Hepatology, 2025). El estudio fue observacional y no demuestra por sí solo una pérdida de habilidades, pero plantea una pregunta crucial: ¿qué debemos conservar para advertir cuándo el sistema se equivoca o para actuar cuando no está disponible?

La IA generativa no ejecuta recetas fijas: trabaja con probabilidades y puede equivocarse con aplomo. Operarla intuitivamente no basta. Mediar exige criterio, y el criterio se forma con conocimiento y práctica.

También aparece un riesgo de largo plazo: si las máquinas absorben las tareas de iniciación, ¿dónde se formarán los expertos de mañana? En Estados Unidos, el empleo de jóvenes de 22 a 25 años en las ocupaciones más expuestas a la IA está 19 % por debajo del de sus pares en ocupaciones menos expuestas, principalmente por una menor contratación (Brynjolfsson, Chandar y Chen, 2026). El dato no prueba una causa única, pero refuerza la alerta: sin oportunidades para practicar, equivocarse y asumir responsabilidades crecientes, no habrá nuevos maestros ni nuevas fuentes de conocimiento para los sistemas.

La respuesta no es volver a la memorización, sino enseñar a mediar con criterio: comprender la tarea, formular buenas preguntas, reconocer límites, contrastar respuestas, saber cuándo desconfiar y conservar la capacidad de actuar sin la herramienta. A la vez, las organizaciones deben preservar trayectorias en las que quienes empiezan puedan observar, practicar y asumir desafíos crecientes.

Cuando el que aprende es el equipo

El desafío cambia de escala cuando el conocimiento debe quedar instalado en un equipo y seguir disponible aunque sus integrantes se renueven. Tampoco una organización aprende si permanece igual: aprende cuando modifica sus conversaciones, decisiones, rutinas, capacidades o formas de crear valor. Ese cambio no puede limitarse a una adaptación más rápida ante presiones externas. Debe habilitar al colectivo para anticipar posibilidades, acordar propósitos y cocrear futuros que favorezcan tanto el bienestar de las personas como la vitalidad de la organización. El aprendizaje organizacional no es la suma de aprendizajes individuales, sino una transformación colectiva que puede conservarse, cuestionarse y evolucionar.

La escala vuelve a cambiar cuando el equipo combina personas y agentes de IA. No es todavía una realidad homogénea: según el Work Trend Index 2025 de Microsoft, el 46 % de los líderes encuestados afirmó que su organización ya utilizaba agentes para automatizar por completo flujos de trabajo o procesos. El dato revela la velocidad de la aspiración corporativa, no necesariamente la madurez de las implantaciones.

El impacto más profundo puede recaer sobre la inteligencia colectiva. La investigación muestra que esta depende menos del talento individual que de la calidad de la interacción (Woolley, Malone y colaboradores, Science, 2010; metaanálisis en PNAS, 2021). La IA puede difundir el saber de los mejores, pero también homogeneizar las respuestas: un experimento encontró relatos individualmente más creativos, aunque más parecidos entre sí, cuando sus autores usaban IA (Doshi y Hauser, Science Advances, 2024). Consultar al mismo oráculo puede elevar el desempeño individual y reducir la diversidad colectiva. Por eso, la inteligencia de un grupo no crece acumulando artefactos, sino cultivando miradas distintas y el diálogo entre ellas.

Lo que toca a quienes dirigen

La gerencia del conocimiento, el aprendizaje en el flujo del trabajo y la organización basada en habilidades son ahora más urgentes. No basta adquirir IA ni impartir cursos: hay que construir un sistema de aprendizaje que convierta la experiencia en cambios observables en la manera de trabajar, decidir y coordinarse. Su propósito no debe ser únicamente reaccionar mejor ante lo inesperado, sino desarrollar la agencia necesaria para imaginar, elegir y construir futuros de bienestar compartido. Esto incluye alfabetizar al personal, definir responsabilidades y conservar espacios de práctica que formen criterio y nuevos expertos.

La pregunta para quienes dirigen ya no es solo qué deben saber sus colaboradores. También deben decidir dónde residirá el conocimiento, qué capacidades humanas no están dispuestos a perder, cómo formarán a los expertos futuros y quién enseñará a aprender a equipos compuestos por personas y agentes. La inteligencia de una organización dependerá menos de cuánto sepan por separado sus integrantes y sus máquinas que de la calidad con que aprendan juntos: no solo para adaptarse a los cambios emergentes, sino para cocrear futuros en los que el bienestar personal y el organizacional se refuercen mutuamente. Diseñar esa relación es, quizá, una de las responsabilidades centrales del liderazgo contemporáneo.

Nota del autor

Estos temas se desarrollan con mayor amplitud en mis libros La Creación de Mundos y El Umbral, disponibles en Kindle.

Una primera versión de este artículo fue publicada por el autor el 24 de noviembre de 2004 en la página web de DKV Group, para distribución entre sus clientes. Aunque en su momento fue una reflexión anticipadora, esta versión ha sido corregida y aumentada en respuesta a la circunstancia actual.

La estupidez artificial

Thu, 22 Oct 2026 00:00:00 -0500

En enero de 2024, miles de votantes de New Hampshire recibieron una llamada con la voz de Joe Biden que les pedía no votar en las primarias. Era una voz sintética, creada con inteligencia artificial por encargo de un consultor político que recibió una multa de seis millones de dólares y fue absuelto en el juicio penal. Pero el problema no termina en quien fabricó el engaño: continúa en quienes lo creyeron y multiplicaron sin pensar. Tampoco es una escena lejana: rumbo a la segunda vuelta peruana de 2026, verificadores independientes desmontaron imágenes creadas con IA que circulaban como auténticas. La inteligencia artificial facilita la mentira; nuestra renuncia a pensar le da poder.

Solemos concentrarnos en quien fabrica el engaño y subestimar a quien, al creerlo, lo multiplica. Hace más de ochenta años, Dietrich Bonhoeffer, pastor luterano que pagó con su vida su oposición al nazismo, advirtió que renunciar al juicio propio puede ser más peligroso que la maldad. Comprenderlo permite distinguir dos amenazas que exigen respuestas diferentes.

Dos enemigos que no se combaten igual

En «Después de diez años», escrito a fines de 1942, poco antes de su encarcelamiento, Bonhoeffer sostuvo que la estupidez es más temible que la maldad. El mal puede denunciarse, enfrentarse y detenerse; frente a la estupidez, en cambio, los hechos y las protestas resultan impotentes, porque todo lo que contradice el prejuicio se niega o se descarta.

La distinción decisiva es que, para Bonhoeffer, la estupidez no equivale a falta de inteligencia. Personas brillantes pueden volverse estúpidas, mientras personas sencillas conservan intacto su juicio. Se trata de un fenómeno moral y social: surge cuando alguien entrega su autonomía interior a un poder colectivo y sustituye la reflexión propia por consignas prefabricadas. Por eso, al conversar con esa persona, sentimos que no hablamos con ella, sino con los eslóganes que han ocupado su lugar. La estupidez comienza, entonces, no cuando alguien ignora algo, sino cuando renuncia a juzgarlo por sí mismo.

Los griegos representaron estas amenazas con figuras distintas. Crono encarna la maldad calculada que trama para conservar el poder. Atē representa la ceguera que conduce a la destrucción con la convicción de actuar correctamente. Epimeteo —«el que reflexiona después»— comprende su error cuando el daño ya es irreversible. Uno calcula el daño; los otros dejan de verlo antes de producirlo.

Una fábrica de eslóganes a escala planetaria

Lo que en 1942 requería un aparato de propaganda estatal hoy lo produce, a costo casi cero, la arquitectura de nuestras herramientas digitales.

Las redes sociales viven de la atención, y la indignación la captura mejor que los matices. El algoritmo premia lo binario, emocional y breve, hasta encerrar a cada usuario en una cámara de eco donde la contradicción se vive como agresión. Nadie nos impone esa jaula: la elegimos porque ofrece comodidad, identidad y pertenencia.

La inteligencia artificial añade una capa más sutil: redacta, resume y aconseja con una elocuencia que puede confundirse con autoridad. Al ahorrarnos esfuerzo, nos invita a delegar el juicio sin advertirlo. Así nace una servidumbre sin fricción que, como el canto de las Sirenas, ofrece conocimiento mientras nos conduce contra las rocas.

Aquí aparece el modelo que une ambos planos: el mal instrumentaliza a la estupidez. Los actores maliciosos son pocos. Usan bots, deepfakes y segmentación publicitaria, pero su poder depende de una masa que amplifica sin examinar. Troya no cayó por la astucia de Odiseo, sino porque los troyanos desoyeron a Casandra e introdujeron con júbilo el caballo dentro de sus murallas. El adversario puso la trampa; la ceguera colectiva hizo el resto.

Por qué corregir no basta

Si la estupidez fuera falta de información, bastaría con informar. Pero no lo es. Las etiquetas de verificación, las advertencias y la moderación suelen vivirse como censura hostil, y los datos que contradicen una creencia identitaria rara vez la corrigen y, a veces, la endurecen. Bonhoeffer lo intuyó: la instrucción no sirve hasta que ocurre una liberación previa. No se puede obligar a nadie a ser libre.

De ahí se desprende una consecuencia práctica: no toda amenaza informativa se combate del mismo modo. Contra el mal deliberado necesitamos defensa, trazabilidad y sanción. Contra la renuncia al juicio necesitamos condiciones que permitan recuperar la autonomía: pausa, contacto con la realidad y comunidades que piensen en lugar de limitarse a aplaudir. Confundir ambos frentes explica el fracaso de muchos esfuerzos: castigamos al ingenuo como si fuera malicioso o intentamos educar al malicioso como si solo estuviera desinformado.

Cautela con propósito: lo que está en nuestras manos

La cautela no es desconfianza paralizante. Es la virtud de Prometeo, el que piensa antes. Algunas prácticas concretas, para personas y organizaciones:

Interrumpir los bucles. Reducir el consumo de feeds (fuentes de información) diseñados para indignar, desactivar la hipersegmentación cuando sea posible y elegir de forma deliberada qué leer, en lugar de dejar que el algoritmo lo decida.

Usar la IA como herramienta, no como juez. Pedirle fuentes, contrastar con documentos primarios y someter sus respuestas a pruebas con datos observables. En una empresa, esto significa que ninguna decisión relevante salga de un asistente sin revisión humana con nombre propio. Delegar la redacción es razonable; delegar el criterio, no.

Practicar higiene informativa. Asumir que cada contenido que compartimos es un acto del que respondemos. Antes de reenviar, una pregunta basta: ¿lo leí completo?, ¿sé de dónde viene?

Anclarse en lo concreto. Preferir los debates sobre problemas tangibles y consecuencias mensurables —el barrio, la empresa, el proyecto— frente a las abstracciones de los foros virtuales. La realidad física es la Némesis que quiebra la fantasía; mejor encontrarla temprano y en pequeño.

Cultivar comunidades de discernimiento. Grupos de estudio reducidos, conversaciones sin métricas de aprobación, tiempos de desconexión y lectura profunda. El juicio crítico necesita decantación, y la decantación necesita lentitud.

Tecnología que devuelve el juicio

Sería un error concluir que la tecnología es el problema y la abstinencia la solución. La misma ingeniería que diseñó la fricción cero puede diseñar la fricción útil.

En 2020, cuando Twitter empezó a preguntar si los usuarios querían leer un artículo antes de compartirlo, la apertura de artículos aumentó un 40 %. Las Notas de la Comunidad introducen otra pausa: muestran contexto cuando coinciden usuarios que suelen discrepar y, según un estudio de Nature Communications de 2026, reducen en 61 % la difusión de publicaciones engañosas una vez visibles, aunque suelen llegar tarde. El estándar C2PA aporta trazabilidad sobre el origen y la edición de imágenes y videos. Desde agosto de 2026, la Ley de IA de la Unión Europea exige además avisar cuando hablamos con una máquina y etiquetar los deepfakes. Todas estas medidas introducen fricción o trazabilidad antes de que la reacción sustituya al juicio.

Para quienes diseñan, compran o despliegan sistemas de IA —incluidas las pymes latinoamericanas— el criterio es claro: la tecnología debe fortalecer el juicio humano, no reemplazarlo. Los asistentes deben citar fuentes, expresar incertidumbre e invitar a contrastar; las métricas deben evaluar la calidad de las decisiones, no solo la permanencia o la velocidad. Los mejores sistemas serán los que nos devuelvan la responsabilidad de pensar.

La soledad de la responsabilidad

Bonhoeffer llamaba Verantwortung a la responsabilidad asumida en primera persona. Ninguna plataforma, ley o algoritmo puede ejercerla en nuestro lugar. Pueden facilitarla o entorpecerla, y por eso vale la pena exigir mejores diseños. Pero el acto decisivo sigue siendo intransferible.

El mal seguirá existiendo y debemos combatirlo con inteligencia. Pero no podemos ofrecerle su materia prima: mentes dispuestas a repetir antes que comprobar, reaccionar antes que comprender y obedecer antes que juzgar. La libertad comienza cuando dejamos de colaborar con la manipulación y aceptamos el costo de pensar por nuestra cuenta frente al rugido de la masa y al susurro de la máquina.

Esta semana, antes de compartir, decidir o delegar una respuesta a la IA, introduzcamos una pausa y hagámonos una pregunta: ¿estamos usando una herramienta para pensar mejor o para evitar pensar?

Nota del autor: en mis libros La Sociedad Hiperinteligente y La Soberanía Colectiva*, disponibles en Kindle y en versión de pasta blanda, abordo con mayor profundidad y extensión este tema.*

El olvido de Epimeteo

Thu, 15 Oct 2026 00:00:00 -0500

Una mañana en Gamarra y un premio en Estocolmo

Son las siete de la mañana en Gamarra, el emporio textil de Lima. La dueña de un taller con doce operarias consulta en su teléfono un pronóstico de demanda preparado por un asistente de inteligencia artificial, compara los precios de tres proveedores y le pide que redacte una respuesta para un cliente de Santiago de Chile. Hace diez años, eso le habría ocupado buena parte de la mañana; hoy, veinte minutos. La pregunta de fondo no es cuánto tiempo ahorró, sino qué parte de su pensamiento ocurre ahora fuera de su cabeza.

En la frontera de la ciencia ocurre algo análogo. En 2024, el Premio Nobel de Química distinguió, entre otros, a los creadores de AlphaFold, un sistema que predice la estructura tridimensional de las proteínas y aborda un problema que había resistido medio siglo de esfuerzos. En mayo de 2026, un modelo de OpenAI refutó una conjetura geométrica planteada por Paul Erdős en 1946 y considerada cierta durante ochenta años; cinco meses después, la empresa publicó cientos de demostraciones nuevas producidas por sistemas similares. En escalas distintas, el taller y el laboratorio muestran la misma transformación: la inteligencia humana ya no trabaja sola, sino acoplada a artefactos que recuerdan, calculan, combinan y, cada vez más, proponen.

No es una novedad. Es la continuación de una historia muy larga. Los quipus andinos guardaban censos, tributos y calendarios en nudos de algodón; la escritura sumeria nació para llevar cuentas de grano; la partida doble que Luca Pacioli describió en 1494 permitió a los comerciantes ver la salud de un negocio que ya no cabía en su memoria. Cada uno de esos inventos fue una prótesis cognitiva: un artefacto que extiende lo que es posible pensar, recordar e imaginar. Lo que cambia hoy es la velocidad, el alcance y algo más inquietante: por primera vez, la prótesis no solo guarda y procesa, sino que genera.

Este artículo lee esa historia como un proceso evolutivo cuyo punto de partida simbólico es el mito griego de Epimeteo, el titán que, al repartir los dones de la naturaleza, olvidó al ser humano. La tesis es simple de enunciar y exigente de sostener: desde su origen, el ser humano es protésico, y su futuro depende de cómo diseña, adopta y gobierna las prótesis cognitivas que amplían su capacidad de pensar. Para quien dirige una organización, la consecuencia es inmediata: el conocimiento y la inteligencia ya no son solo atributos personales, sino capacidades ampliables mediante artefactos. Diseñar su acoplamiento y gobernar sus efectos es tan concreto como administrar capital o personas.

Seis conceptos que conviene no confundir

Estos seis conceptos suelen usarse como equivalentes, aunque cumplen funciones distintas en el argumento.

Inteligencia. La inteligencia es la capacidad de resolver problemas en un contexto que cambia. No es un depósito sino una actividad: se ve cuando alguien enfrenta una situación nueva y encuentra un camino.

Conocimiento. El conocimiento es inteligencia acumulada y transmisible: el resultado de problemas ya resueltos, organizado para que otros puedan usarlo mediante conceptos y procedimientos. Como advirtió Michael Polanyi, sabemos más de lo que podemos decir: una parte es explícita y puede escribirse; otra es tácita y vive en el oficio. La primera pasa con facilidad a los artefactos; la segunda se resiste.

Creatividad. La creatividad produce algo nuevo y valioso: lo nuevo sin valor es ocurrencia; lo valioso sin novedad, repetición. Margaret Boden distinguió tres formas: combinar ideas conocidas de manera inesperada, explorar un espacio conceptual y transformarlo para hacer posible lo antes impensable.

Artificialidad. La artificialidad es la condición de lo diseñado. Herbert Simon, en Las ciencias de lo artificial, la describió como la interfaz entre la organización de un artefacto y el ambiente en que opera. Lo artificial no se opone a lo natural ni a lo auténtico: se opone a lo que existe sin propósito. Un puente, un contrato y un algoritmo son artificiales en el mismo sentido.

Prótesis cognitiva. Con estas cuatro piezas puede definirse una quinta, que articula todo el argumento. Una prótesis cognitiva es un artefacto diseñado que se acopla a la inteligencia humana para ampliar lo que puede recordar, calcular, percibir o imaginar. La palabra viene del griego y significa «poner delante» o «añadir». Una prótesis no reemplaza al cuerpo: lo prolonga y, al hacerlo, lo modifica.

Ser protésico. El ser humano no existe «completo» antes de sus técnicas. El mito lo cuenta con precisión: Epimeteo distribuyó entre los animales garras, pelaje y velocidad, pero al llegar al ser humano ya no le quedaba nada. Prometeo robó el fuego y las artes para compensar el olvido. Sus nombres condensan el contraste: Prometeo, «el que ve antes», es el previsor; Epimeteo, «el que ve después», comprende cuando ya es tarde. La especie nace del descuido del segundo y sobrevive por la previsión del primero. Bernard Stiegler retomó el mito para sostener que una falta originaria, suplida por la técnica, define lo humano.

La espiral protésica: cómo se alimentan entre sí

Por separado, los conceptos describen capacidades y artefactos; juntos explican una espiral que se repite en la evolución humana y, a pequeña escala, en cada organización.

La inteligencia resuelve un problema y produce conocimiento; ese conocimiento se exterioriza en un artefacto —un nudo, un libro, una hoja de cálculo, un modelo entrenado—; el artefacto se acopla de vuelta a la inteligencia y la amplía; y la inteligencia ampliada enfrenta problemas que antes no podía ni plantear. Hay un quinto movimiento, el decisivo: la creatividad impide que la espiral se cierre en círculo. Transforma el espacio de problemas y obliga a diseñar prótesis nuevas. Sin ella, el ciclo solo produciría más de lo mismo, cada vez más rápido.

El prehistoriador André Leroi-Gourhan describió este proceso como una exteriorización progresiva: primero sale la herramienta de la mano; luego, la memoria hacia la escritura; por último, parte del pensamiento hacia las máquinas. Cada salida libera capacidad y, al mismo tiempo, crea una dependencia.

Un segundo modelo distingue tres grados de acoplamiento, porque no toda prótesis se integra igual.

La herramienta. Se usa y se deja. El ábaco, el martillo, la regla. La relación es instrumental y la atención permanece del lado humano.

La extensión. Se integra al pensamiento. Andy Clark y David Chalmers (1998) propusieron el ejemplo de Otto, un hombre con pérdida de memoria que consulta su libreta como cualquiera consulta sus recuerdos. Para funcionar así, el artefacto debe estar siempre disponible y merecer confianza sin revisión constante. La agenda del teléfono o el sistema contable de una empresa cumplen esas condiciones.

El socio. Propone y genera. Ya en 1960, J. C. R. Licklider imaginó una simbiosis entre personas y computadoras en la que cada parte haría lo que mejor sabe hacer. Los modelos de lenguaje son la versión más visible de ese tercer grado: no solo responden, sugieren.

En el primer grado, la prótesis obedece. En el segundo, se confía en ella. En el tercero, se la escucha. Cada grado multiplica el alcance y también el riesgo.

Ese riesgo pide un tercer modelo. En el Fedro, Platón pone en boca de Sócrates una advertencia: la escritura daría apariencia de sabiduría y debilitaría la memoria. Los griegos llamaban pharmakon —remedio y veneno a la vez— a inventos así. Toda prótesis cognitiva lo es: la calculadora libera de la aritmética, pero puede borrar el sentido de la magnitud; el navegador conduce a cualquier dirección, pero puede atrofiar la orientación. La ampliación se paga en las capacidades que dejamos de ejercer.

Las prótesis cognitivas sirven, ante todo, para anticipar: la escritura permitió planear cosechas; la contabilidad, proyectar flujos; la simulación, ensayar escenarios antes de vivirlos. Así visitamos futuros posibles sin pagar el costo de equivocarnos en el mundo real. Frente a la evolución biológica, que es ciega, la evolución protésica puede ser deliberada: esa es su promesa y su responsabilidad. Cada prótesis es prometeica porque intenta ver antes, pero también epimeteica porque sus costos —atrofia o dependencia— suelen descubrirse después.

El fuego y lo que vino después

Gobernar una prótesis cognitiva exige que una organización responda tres preguntas: qué capacidad amplía —memoria, cálculo, percepción, anticipación o imaginación—; cuál puede debilitar por falta de ejercicio; y quién conserva la responsabilidad de verificar, decidir y responder por sus efectos. Así, la conversación pasa de la fascinación por la herramienta a la calidad del acoplamiento entre personas, conocimiento y tecnología.

El viaje al futuro no lo hace la prótesis, sino quien aprende a llevarla. Para ello necesita la previsión de Prometeo, que imagina lo venidero, y la mirada retrospectiva de Epimeteo, que aprende de lo ocurrido. Pero el mito no termina con el fuego. En respuesta al robo, Zeus hizo crear a Pandora, la «dotada de todos los dones», y la envió a Epimeteo, quien la recibió pese a la advertencia de su hermano. Pandora llegó asociada a una jarra que contenía los males destinados a la humanidad. Al abrirse la jarra, los males se dispersaron y solo la esperanza permaneció dentro. Cómo recibir hoy esos regalos —cómo diseñar, elegir y verificar una prótesis antes de liberar sus consecuencias— será el tema del próximo artículo, «El regalo de Pandora».

Nota del autor: en mis libros La creación de mundos*, sobre el horizonte de posibilidades de solución para los males globales, y* El Umbral*, sobre las capacidades organizacionales y competencias humanas para el tránsito a una sociedad cuántica, disponibles en Kindle, abordo con mayor profundidad y extensión estos temas.*

Generaciones Inteligentes

Wed, 16 Sep 2026 00:00:00 -0500

Un directorio se reúne para decidir sobre inteligencia artificial. En la mesa conviven quienes aprendieron a trabajar con archivos físicos, quienes instalaron el primer módem de la empresa, quienes nunca conocieron una oficina sin correo electrónico y quienes llegaron con un asistente conversacional abierto. Todos hablan de datos, productividad, riesgo y clientes, pero no necesariamente significan lo mismo. Este artículo propone una lente práctica para entender cómo seis generaciones pueden transformar esas tensiones en capacidades compartidas para cocrear futuros.

La convivencia de seis cohortes ya no es un dato periférico de la gestión humana: es la condición en la que se ordenan recursos escasos y esfuerzos hacia resultados. Se volvió crítica porque el relevo generacional coincide con tres órdenes tecnológicos en menos de un siglo: analógico, digital y un horizonte cuántico en el que las inteligencias artificiales comienzan a operar como infraestructura. La diferencia decisiva no es cuánta tecnología maneja cada generación, sino dónde aprendió a pensar y qué futuros considera posibles, deseables o evitables.

Conceptos

En este artículo, la inteligencia no se entiende como una cualidad abstracta ni como un atributo fijo, sino como la capacidad de responder a los requerimientos emergentes del entorno. Desde esa perspectiva, cada generación fue inteligente en relación con el mundo que le tocó habitar: desarrolló formas de atención, confianza, aprendizaje y decisión adecuadas a sus condiciones. La fricción aparece cuando respuestas eficaces en un orden se trasladan sin mediación a otro que exige capacidades diferentes.

Conviene una distinción básica: generación no significa grupo de edad. El concepto sociológico lo formalizó Karl Mannheim en El problema de las generaciones (1923), y su aporte fue separar la edad biológica de la posición generacional. Lo que define a una generación no es el año de nacimiento, sino haber atravesado los mismos acontecimientos formativos en el mismo momento de la propia biografía.

Y el acontecimiento formativo no es cualquier hecho histórico: es el que reconfigura el marco de expectativas. Para una cohorte fue la posguerra; para otra, la caída del muro de Berlín; para otra, la irrupción de internet; para la más joven, una pandemia y un asistente de inteligencia artificial en el bolsillo.

Estas etiquetas deben leerse como tendencias, no como diagnósticos individuales. Sus fronteras varían según la fuente, el país y el contexto histórico; además, provienen en gran medida de marcos desarrollados en Estados Unidos y Europa. En América Latina, las crisis económicas, los ciclos políticos y la desigualdad en el acceso tecnológico modifican esas trayectorias. Por eso, las seis cohortes que siguen son referencias operativas para integrar experiencias distintas, no límites universales ni predicciones sobre una persona.

Las seis cohortes

Generación Silenciosa (aprox. 1928–1945): disciplina, deber y memoria institucional formados en un orden plenamente analógico; suele valorar la continuidad, la estabilidad y un futuro construido mediante esfuerzo sostenido e instituciones confiables.

Baby Boomers (aprox. 1946–1964): adaptación digital desde una cultura de crecimiento, jerarquía y trato presencial; tienden a asociar el progreso con movilidad, mérito, expansión y resultados duraderos.

Generación X (aprox. 1965–1980): puente pragmático entre lo analógico e internet; aprendió a gestionar transiciones con autonomía y escepticismo, por lo que suele imaginar el futuro como un terreno que exige adaptación, control y opciones abiertas.

Millennials (aprox. 1981–1996): colaboración en red, propósito, flexibilidad y aprendizaje autónomo; esperan que la tecnología amplíe oportunidades y que el trabajo contribuya tanto al desarrollo personal como al impacto colectivo.

Generación Z (aprox. 1997–2009): hiperconexión, lenguaje visual, pragmatismo y demanda de autenticidad; frente a un futuro percibido como inestable, valora la transparencia, la inclusión, la sostenibilidad y la capacidad de cambiar de rumbo.

Generación Alfa (aprox. 2010–2024): formación temprana en entornos inteligentes y personalizados, todavía sin un perfil laboral consolidado; probablemente esperará una relación fluida con sistemas de inteligencia artificial y verá el futuro menos como una trayectoria predeterminada que como un espacio interactivo que puede configurar.

No son retratos individuales, sino respuestas situadas a acontecimientos y tecnologías diferentes; los límites temporales son referencias aproximadas y pueden variar según la fuente y el contexto.

Modelo: dos curvas superpuestas

Las seis cohortes descritas explican poco por sí solas. Cobran capacidad explicativa cuando se las cruza con la segunda curva: el orden tecnológico dominante en el que cada una fue alfabetizada. Ahí aparece el modelo que interesa a quien administra recursos: cada generación desarrolló respuestas inteligentes a las exigencias de su entorno, y el desafío no es sustituir unas por otras, sino reconocer cuándo siguen siendo pertinentes y cómo combinarlas ante requerimientos nuevos.

La sociedad analógica organizó la productividad alrededor de soportes físicos, información escasa y autoridad asociada a la experiencia. La digital volvió abundante la información y desplazó el valor hacia su circulación y procesamiento, debilitando la equivalencia entre antigüedad y autoridad. El horizonte cuántico añade una exigencia distinta: convivir con resultados probabilísticos, información sintética y decisiones cuya procedencia puede ser difícil de verificar. No son solo tres conjuntos de herramientas, sino tres maneras de definir evidencia, confianza y acción.

La fricción intergeneracional rara vez expresa un problema de actitud o de mayor o menor inteligencia. Surge cuando respuestas eficaces en condiciones distintas discrepan sobre qué prueba basta para actuar. Reconocer ese desajuste permite combinar capacidades y ampliar la perspectiva. En una carta a Robert Hooke de 1675, Isaac Newton escribió: «Si he visto más lejos, es por estar a hombros de gigantes». Aplicada a la organización, la imagen sugiere que cada cohorte mira desde la experiencia acumulada por las anteriores y añade capacidades nacidas de su propio entorno. Cocrear futuros es construir esa altura común.

La bifurcación: superinteligencia capturadora o hiperinteligencia mediadora

La inteligencia artificial abre dos rutas. En la superinteligencia capturadora, datos, cómputo y capacidad de decisión se concentran: actúa sin límites éticos, el usuario recibe resultados sin poder interrogar el criterio que los produjo. En la hiperinteligencia mediadora¹, la tecnología amplía la deliberación colectiva: traduce lenguajes, explicita supuestos y muestra alternativas en lugar de imponer una respuesta; la participación humana establece un camino, muchas veces sin mapas, pero con límites éticos. La primera vuelve prescindible el conocimiento distribuido; la segunda lo convierte en infraestructura para cocrear futuros. Esta última exige regulación, trazabilidad y acceso real al cómputo.

Las dos rutas distribuyen efectos distintos. Para las generaciones mayores, la capturadora convierte la memoria institucional en obsolescencia; la mediadora la recupera como conocimiento que no siempre está en los datos. Para la Generación X y los Millennials, la primera vacía oficios de análisis y coordinación; la segunda los vuelve traductores entre órdenes. Para la Generación Z y la Alfa, la diferencia es de autonomía cognitiva: recibir respuestas cerradas o aprender a formular preguntas, sostener hipótesis y decidir sin certeza.

Cocrear futuros no significa acordar una predicción única. Significa ampliar el conjunto de alternativas que una organización puede imaginar, hacer visibles quiénes se benefician y quiénes asumen los riesgos en cada una, y conservar la capacidad de corregir el rumbo. Bajo este criterio, una inteligencia artificial aporta valor no solo cuando acelera una respuesta, sino cuando mejora la calidad y la pluralidad de las opciones que el colectivo puede considerar.

Lo que esto le exige a la gerencia

La tarea gerencial no consiste solo en adoptar inteligencia artificial, sino en diseñar quién participa en la definición de los futuros de la organización. Para cada decisión debe hacer explícitos cuatro elementos: qué evidencia aceptará, qué incertidumbre enfrenta, qué perspectivas necesita traducir y qué formas de confianza conviene preservar fuera de la tecnología. El principio es simple: asignar responsabilidades según la naturaleza del problema y diseñar la participación antes de elegir la herramienta.

Cierre

Cuando el orden tecnológico se transforma varias veces en una sola vida laboral, la distancia entre cohortes deja de ser únicamente cultural y se vuelve operativa: personas que comparten oficina, objetivos y vocabulario pueden decidir con reglas de evidencia incompatibles. La organización que reconoce esa diferencia puede convertirla en una capacidad colectiva para imaginar alternativas, revisar supuestos y corregir el rumbo.

La inteligencia artificial ya llegó por capas: redacta informes, reemplaza algunos ensayos mediante simulación y obliga a revisar la infraestructura de confianza digital. El futuro que ayudará a producir, sin embargo, no está decidido. Las organizaciones que atraviesen mejor este tránsito no serán las más jóvenes ni las más experimentadas, sino las que hagan explícito cómo deciden y quién puede participar. La pregunta final es concreta: ¿estamos instalando un sistema que decide por nosotros o una infraestructura que nos permite decidir mejor juntos?

El concepto de hiperinteligencia, entendido como inteligencia colectiva fortalecida por aplicaciones de inteligencia artificial mediadora, ha sido desarrollado y propuesto por el autor en sus libros La Sociedad Hiperinteligente y La Soberanía Colectiva, disponibles en Kindle. ↩︎

Dilemas

Sat, 12 Sep 2026 00:00:00 -0500

El 8 de septiembre, Jacob Coxon anunció su renuncia a Anthropic y afirmó en X que ni esa empresa ni OpenAI actuaban de manera responsable: corrían hacia una superinteligencia capaz de mejorarse a sí misma y “apostaban con nuestras vidas”. Al día siguiente, Evan Hubinger, investigador de seguridad de Anthropic, respaldó su preocupación y estimó en más del 10 % la probabilidad de que la IA cause la extinción humana en la próxima década. Geoffrey Hinton, premio Nobel, declaró a la BBC que esa cifra no le parecía descabellada y pidió regulación. Son declaraciones individuales, no un consenso del sector, pero vienen de lugares cercanos al desarrollo de estos sistemas: construcción, seguridad e investigación fundacional.

Nada de eso se resuelve con más información. Las partes conocen los datos y comparten casi todos los supuestos, pero ninguna puede detenerse sin temer que su freno se convierta en ventaja ajena. Esa es la estructura de este artículo: un cruce angosto en el que actuar, ceder o esperar tiene un costo. Es un dilema viejo, y usted cruza uno parecido cada semana.

Hay un puente de un solo carril cerca de la casa de un hermano, sin semáforo. Cuando dos autos llegan al mismo tiempo por extremos opuestos, ocurre algo que ninguna regla de tránsito cubre: los dos conductores se miran. En ese segundo se decide todo. Si ambos avanzan, se golpean. Si ambos ceden, nadie pasa y el bocinazo de atrás castiga a los dos. Si uno cede y el otro avanza, el asunto se resuelve en tres segundos y ninguno vuelve a pensar en ello.

Ese puente es el modelo más honesto que conozco de la vida cotidiana. Muchos problemas importantes no ofrecen una salida que preserve todo lo que valoramos: hay un cruce angosto, otra persona con intereses propios y una decisión en la que cada alternativa sacrifica algo. A eso llamamos dilema. Y, aunque sus circunstancias parezcan infinitas, sus estructuras se repiten en unas pocas formas.

Siete dilemas con nombre propio

La teoría de juegos les puso nombre hace décadas. Los nombres suenan académicos; las escenas, no. Usted ha estado en todas.

La Gallina. Dos autos en el puente angosto. Apartarse evita el choque, pero el que no se aparta gana. Es toda negociación donde alguien sube la apuesta para que el otro pestañee primero: un paro, una guerra de precios, una discusión de pareja a las once de la noche.
La Caza del Ciervo. Juntos cazamos un ciervo; solo, apenas un conejo. El ciervo alimenta a todos, pero exige que nadie se distraiga con su conejo. Es el equipo que podía hacer algo grande y terminó haciendo seis cosas pequeñas, porque nadie quiso quedarse con las manos vacías si los demás fallaban.
El Dilema del Voluntario. El vecindario necesita que alguien llame a la municipalidad. A todos les conviene la llamada; a nadie, hacerla. Así se explican los edificios sin mantenimiento y las reuniones sin acta.
El Bloqueo. Dos partes que preferirían no cooperar y lo saben. No hay traición, hay desencuentro estable: cada uno prefiere lo predecible antes que arriesgarse a una cooperación que ya falló. Es el conflicto que nadie resuelve porque, en el fondo, a nadie le urge resolverlo.
La Batalla de los Sexos. Los dos quieren pasar la noche juntos; uno quiere cine y el otro partido de fútbol. El problema no es el conflicto de intereses, es la coordinación: cualquier decisión compartida vale más que la mejor decisión por separado. Casi toda pelea por una herramienta o un proceso es esta, disfrazada de asunto técnico.
El Dilema del Prisionero. A dos personas les convendría cooperar, pero cada una teme que la otra aproveche su confianza. Si ambas se protegen traicionando, terminan peor que si hubieran cooperado. Es el equipo cuyos miembros ocultan información para no quedar expuestos y, al hacerlo, debilitan el resultado común.
El Ciempiés. Una fila de sobres, cada uno con más dinero que el anterior. Si ambos esperan, ganan más; si uno toma un sobre, termina el juego. El impulso de adelantarse antes que el otro destruye lo que ambos podían acumular: confianza de largo plazo sacrificada por prudencia de corto plazo.

Ninguno ofrece una respuesta universalmente correcta. Cada uno admite dos estrategias: jugar mejor dentro de sus restricciones o cambiar el cruce para que la decisión difícil ya no sea necesaria.

Lo que cambió: la complejidad subió el volumen

Estos dilemas son viejos. Lo nuevo es la velocidad y la cantidad de mesas en las que estamos sentados al mismo tiempo. Antes uno cruzaba un puente angosto por semana; hoy cruza varios al día, con desconocidos, bajo plazos ajenos y mientras la información llega fragmentada por seis canales.

La complejidad no cambia la estructura del dilema: cambia el tiempo disponible para reconocerlo. A menudo no decidimos mal por escoger una opción absurda, sino por diagnosticar mal la escena. Tratamos como Batalla de los Sexos —un problema de coordinación— algo que era una Gallina, donde el otro subía la apuesta a propósito. O leemos como traición lo que era un simple Bloqueo: nadie nos falló, solo nadie tenía urgencia.

La otra salida: cambiar el cruce

Hay una respuesta al puente que no requiere mirada, ni cálculo, ni buena voluntad: un semáforo. El día que la municipalidad lo instale, ya no habrá dos conductores negociando con los ojos; habrá una luz roja y una verde, y ninguno tendrá que ser generoso ni astuto. El dilema entre conductores se disolvió, pero no desaparecieron todos los problemas: la decisión pasó al diseño, el costo y la legitimidad de la regla.

Frente a un dilema solemos preguntar “¿qué hago?”, cuando la pregunta más productiva suele ser “¿qué regla haría innecesaria esta decisión, y quién puede fijarla?”. Las soluciones estructurales cambian el tablero y, cuando el dilema se repite y el costo de la regla está bien distribuido, pueden costar menos que las decisiones difíciles que evitan.

Cada dilema tiene su semáforo:

Para la Gallina, una regla de prioridad. “El que sube la cuesta tiene preferencia”. Arbitraria, pero conocida de antemano: nadie gana por ser más temerario, porque la temeridad ya no paga.
Para el Dilema del Voluntario, un turno designado. El comité de vecinos con rotación mensual reparte el sacrificio de uno entre todos. Nadie espera a que llame otro, porque hoy toca.
Para la Caza del Ciervo, un compromiso visible. Si cada cazador anuncia su posición y todos pueden verificarla, el conejo pierde parte de su atractivo como refugio. La cooperación ya no depende solo de confiar: también depende de observar compromisos y costos de incumplimiento.
Para el Dilema del Prisionero, verificación y repetición. Si las contribuciones son visibles, la traición tiene consecuencias y habrá otra ronda, cooperar deja de ser un acto ingenuo: se convierte en una estrategia sostenible.
Para el Ciempiés, un contrato que reparta al final. Si adelantarse no da acceso al sobre, el incentivo a traicionar se apaga solo. La estructura hace innecesaria la virtud.
Para el Bloqueo, un plazo o un árbitro. Cuando a nadie le urge moverse, solo un plazo con consecuencias —o un tercero con autoridad— vuelve costoso seguir sin acuerdo.
Para la Batalla de los Sexos, una convención cualquiera. Conducimos por la derecha no porque sea mejor que la izquierda, sino porque alguien la fijó y todos la sabemos. En coordinación pura, cualquier regla clara vence a la mejor deliberación.

Toda regla tiene un precio: compra previsibilidad a cambio de flexibilidad y puede convertir el juicio en trámite. Si está mal diseñada, desplaza el dilema a la disputa por la regla. Conviene estructurar cuando el cruce se repite con muchas personas y conservar el juicio cuando el caso es excepcional.

Y queda un dilema que ninguna estructura resuelve: alguien tiene que pagar el semáforo. Eso es, exactamente, un Dilema del Voluntario.

Dónde ayuda la inteligencia artificial, y dónde no

La inteligencia artificial puede ordenar alternativas y consecuencias, pero no decidir legítimamente por usted: no sabe por sí sola cuánto valen su reputación, sus pérdidas ni la relación con la otra parte. El dilema incorpora valores y responsabilidades que le pertenecen a usted.

Lo que sí hace, y hace muy bien, es acortar el tiempo de reconocimiento. Tres usos concretos:

Nombrar la escena. Describa la situación en cuatro líneas y pregunte a qué dilema se parece. El modelo propondrá varios patrones en segundos; no acepte la primera etiqueta: compare sus supuestos y descarte lo que no encaje.
Ver desde la otra silla. Pídale que argumente como su contraparte, con sus intereses y sin concesiones amables. Es el ensayo más barato que existe: averiguar de qué tamaño es el conejo del otro antes de proponerle cazar un ciervo.
Mostrar la cuenta. Pídale que explicite qué gana y qué pierde cada parte en cada salida. No para que el número decida, sino para ver en qué supuesto se apoyaba sin saberlo. Casi todos los dilemas mal atendidos descansan sobre un supuesto que nadie escribió.

En los tres casos, la máquina ordena el terreno para una elección consciente. Es un espejo rápido, no un oráculo: puede devolver con seguridad algo razonable y equivocado.

El cruce más angosto: la superinteligencia

Volvamos al dilema que nos incluye a todos. La carrera hacia la superinteligencia combina temor a que otro adelante, beneficios concentrados en quien acelera y costos que podrían recaer sobre todos. Las estructuras anteriores permiten verlo con más claridad.

De lo que dijo Coxon circuló la frase fuerte, pero lo más incómodo fue otra afirmación suya: que algunos ejecutivos e investigadores moderan en público un temor que expresan en privado. Si esa descripción es correcta, el cruce que se negocia ante la prensa no coincide con el que los propios conductores creen ver.

El debate visible ofrece tres respuestas —detener, regular o continuar sin nuevas restricciones— y una cuarta menos atendida. Los dilemas anteriores permiten comparar sus incentivos y costos sin pretender agotar la discusión.

Detener es una Caza del Ciervo, y de la peor clase. El ciervo —frenar hasta saber cómo controlar lo que se construye— alimenta a todos, pero exige que ningún laboratorio y ningún país salga a perseguir su conejo. El argumento que siempre gana, “si nos detenemos, avanza el otro”, es el temor a la traición del cazador. Una moratoria unilateral no es una solución: es un conejo entregado.
Ignorar es un Ciempiés sin última ronda conocida. Cada nueva capacidad es un sobre con más dinero que el anterior, y mientras sigan apareciendo sobres nadie quiere ser quien se detuvo antes. La diferencia con el juego de mesa es brutal: no sabemos cuál es el último sobre, y el costo de equivocarse no lo pagan solo los jugadores.
Regular es el semáforo. Es la opción que cambia el cruce en lugar de mejorar la jugada. La carta abierta Pacing the Frontier, firmada en julio por más de mil trabajadores del sector, entre ellos altos responsables técnicos de Anthropic y OpenAI, pide que acuerdos internacionales condicionen el ritmo de desarrollo y reduzcan el peso de la competencia comercial. En el Parlamento británico también se ha presentado un proyecto de ley que propone impedir el desarrollo de superinteligencia hasta que pueda demostrarse que es controlable.
Desarrollar Hiperinteligencia¹ sería cambiar de camino, no solo de velocidad. En vez de construir una máquina separada que supere el juicio humano, la propuesta busca ampliar la inteligencia humana y colectiva mediante personas, equipos e instituciones acoplados a máquinas potentes que no deciden solas. Las otras opciones discuten cómo cruzar este puente; esta propone otro.

Tiene su propio dilema, y no es menor. La Hiperinteligencia rinde lento —formar criterio, rediseñar organizaciones, construir instituciones capaces de decidir bien toma años— mientras la carrera por capacidad rinde en meses. Es otra vez el conejo contra el ciervo, ahora con los plazos invertidos: lo que alimenta a todos madura después de la próxima ronda de inversión. Esa desventaja temporal explica por qué la propuesta recibe menos atención en anuncios orientados a resultados inmediatos; también explica por qué es la única de las cuatro que cualquiera de nosotros puede empezar a construir el lunes, sin esperar un acuerdo internacional.

A escala planetaria, el costo vuelve a concentrarse en quien acepta el freno primero: velocidad, ventaja y dinero. Es un Dilema del Voluntario y explica, sin necesidad de imaginar una conspiración, por qué resulta más fácil pedir reglas que obedecerlas antes que los demás.

Dos observaciones valen para esa mesa y para la suya. Primero, si el temor privado no entra en la conversación pública, se negocia sobre una versión incompleta del cruce. Segundo, nadie sabe si habrá otra ronda: un riesgo existencial elimina la posibilidad de corregir el error después.

Cuatro cosas para tener a mano

Pregunte primero qué juego es. Antes de elegir la jugada, nombre la escena. Cinco minutos aquí ahorran semanas de jugar bien un partido equivocado.
Distinga decidir de rediseñar. Si el mismo dilema se le repite con distintas personas, no tiene un problema de decisión: tiene un problema de diseño, y la regla que le falta le ahorra las próximas veinte decisiones.
Averigüe si habrá otra ronda. Todo cambia según si volverá a cruzar el puente con la misma persona. En una relación que continúa, ceder hoy puede convertirse en crédito; en un cruce único, esa expectativa desaparece. Pero una sola ronda no vuelve inútil la cooperación: todavía importan los costos inmediatos, los compromisos y lo que cada parte valora. El Ciempiés se arruina cuando alguien decide, en silencio, que esta era la última ronda.
Haga explícito lo que el otro no puede saber. La mitad de estos dilemas se endurecen por información que nadie dijo en voz alta. Decir “esto es lo que puedo perder” no es debilidad: es lo que convierte un choque frontal en un cruce ordenado.

Quienes atraviesan bien estos dilemas no son quienes calculan más rápido, sino quienes reconocen a tiempo qué juego están jugando. Hoy tenemos máquinas que calculan mejor que nosotros. Hacer visible el riesgo, elegir con quién cooperar y decidir qué reglas o instituciones necesitamos sigue siendo tarea nuestra. El cruce más angosto no premiará al primero que acelere, sino a quienes consigan atravesarlo juntos.

El concepto de Hiperinteligencia es una propuesta del autor, desarrollada en sus libros La Sociedad Hiperinteligente y La Soberanía Colectiva, publicados en Kindle. ↩︎

Trenzar el Futuro

Tue, 21 Jul 2026 00:00:00 -0500

El nudo del problema

El desarrollo de una nación no es un fenómeno de una sola dimensión, sino el resultado emergente de tres procesos que se condicionan mutuamente: el desarrollo de las personas que la habitan (desarrollo humano), el de las reglas y organizaciones que estructuran su vida colectiva (desarrollo institucional) y el de su capacidad productiva y distributiva (desarrollo económico). La tesis que articula este documento es sencilla de enunciar y exigente de sostener: ninguno de estos desarrollos avanza de forma duradera si los otros dos se rezagan. Su acoplamiento —el grado en que se refuerzan entre sí— es lo que distingue a las sociedades que prosperan de las que se estancan o retroceden.

Este acoplamiento, sin embargo, ya no ocurre en un entorno estable. La aceleración de las inteligencias artificiales introduce una presión inédita sobre los tres desarrollos a la vez: reconfigura qué capacidades humanas son valiosas, tensiona la velocidad a la que las instituciones pueden aprender y regular, y redistribuye el poder económico hacia quienes controlan los modelos, los datos y la infraestructura de cómputo. En ese contexto emerge el horizonte de una sociedad hiperinteligente —una en la que la cognición aumentada por máquinas se vuelve el sustrato de la actividad colectiva— y, con él, una pregunta política de fondo: ¿quién conserva la capacidad de decidir sobre su propio destino? Esa capacidad es lo que aquí llamamos soberanía colectiva.

Las páginas que siguen exploran cómo se conectan estos elementos: primero definiendo los tres desarrollos y su lógica de acoplamiento; luego caracterizando la sociedad hiperinteligente como horizonte y la soberanía colectiva como condición; y finalmente examinando los riesgos de desacoplamiento que introduce la IA acelerada y los principios que permitirían transformar esa presión en un círculo virtuoso.

Los tres desarrollos y su acoplamiento

Desarrollo humano: la ampliación de las capacidades

El desarrollo humano no se reduce al ingreso ni al consumo; en su acepción más rica es la ampliación efectiva de las libertades y capacidades de las personas para llevar la vida que tienen razones para valorar. Salud, educación, seguridad, participación y sentido de agencia son sus componentes. En una economía del conocimiento, el desarrollo humano deja de ser solo un fin deseable y se vuelve además el insumo estratégico central: la capacidad de aprender, discernir, crear y cooperar es lo que genera valor cuando las tareas rutinarias se automatizan. Una población con altas capacidades cognitivas y críticas no solo produce más; es también más difícil de manipular y, por tanto, más soberana.

Desarrollo institucional: las reglas que hacen posible la cooperación

Las instituciones —formales e informales— son las reglas de juego que estructuran la interacción social: el marco legal, la calidad de la administración pública, la confianza, la transparencia, los mecanismos de rendición de cuentas y la capacidad del Estado para formular y ejecutar políticas. El desarrollo institucional es, en el fondo, la capacidad de una sociedad para tomar decisiones colectivas legítimas y hacerlas cumplir. Instituciones débiles convierten el talento humano en fuga de cerebros y el dinamismo económico en captura de rentas; instituciones sólidas transforman el esfuerzo individual en bien común y absorben las tensiones del cambio sin quebrarse.

Desarrollo económico: la capacidad de producir y distribuir valor

El desarrollo económico nacional es la expansión sostenida de la capacidad de una sociedad para producir bienes y servicios de valor creciente, y para distribuir sus frutos de un modo que sostenga la cohesión social. No es mero crecimiento del producto: incluye la diversificación productiva, la complejidad de lo que un país sabe hacer, la generación de empleo digno y la autonomía frente a choques externos. En la era digital, la frontera del desarrollo económico se desplaza hacia el dominio de tecnologías de propósito general —hoy, la inteligencia artificial— cuyo control determina quién captura el excedente y quién queda relegado a la dependencia.

El acoplamiento: por qué los tres avanzan o se estancan juntos

La conexión entre los tres desarrollos no es aditiva sino sistémica: cada uno es simultáneamente causa y efecto de los otros. El desarrollo humano alimenta la economía con capacidades y nutre a las instituciones con ciudadanía activa. Las instituciones protegen las inversiones en salud y educación y ordenan el mercado para que el crecimiento sea inclusivo. El desarrollo económico financia los servicios que amplían las capacidades humanas y dota de recursos a la administración pública. Cuando este triángulo se refuerza, se produce un círculo virtuoso; cuando uno de sus vértices se rezaga, arrastra a los demás en trampas de bajo desarrollo. La pregunta decisiva de nuestro tiempo es si la irrupción de la IA fortalecerá ese acoplamiento o lo romperá.

La sociedad hiperinteligente como horizonte

Llamamos sociedad hiperinteligente a aquella en la que la inteligencia artificial deja de ser una herramienta puntual y se convierte en el sustrato cognitivo de la vida colectiva: la cognición humana opera de forma continua acoplada a sistemas artificiales que amplifican la memoria, el análisis, la anticipación y la coordinación. No se trata de máquinas que piensan por nosotros, sino de un tejido híbrido humano-máquina que eleva la capacidad de resolver problemas de familias, empresas, comunidades y del propio Estado. Es un horizonte, no un destino garantizado: puede realizarse como una expansión sin precedentes de las capacidades colectivas o degradarse en una dependencia que atrofia el juicio propio. (Desarrollo esta idea con mayor amplitud en mi libro La Sociedad Hiperinteligente*, disponible en Kindle.)*

Este horizonte redefine los tres desarrollos. El desarrollo humano ya no consiste solo en dotar de conocimientos, sino en cultivar el discernimiento para operar con inteligencia aumentada sin perder autonomía de criterio: saber preguntar, verificar, decidir y asumir responsabilidad. El desarrollo institucional se enfrenta al reto de gobernar sistemas que aprenden y cambian más rápido que los ciclos legislativos, lo que exige instituciones capaces de aprendizaje continuo, no solo de aplicación de normas fijas. El desarrollo económico se reorganiza en torno a quién posee y opera la inteligencia: los datos, los modelos y el cómputo se vuelven factores de producción tan decisivos como lo fueron la tierra, el capital y la energía.

La sociedad hiperinteligente es, por ello, una prueba de acoplamiento a máxima velocidad. Amplifica tanto las virtudes como los defectos del sistema sobre el que se instala: donde hay capacidades humanas sólidas, instituciones legítimas y una base económica diversificada, la Hiperinteligencia multiplica el bienestar; donde esos vértices son frágiles, acelera la concentración de poder y la dependencia. La tecnología no decide el resultado; lo decide el estado del triángulo sobre el que se despliega.

La soberanía colectiva como condición

Si la sociedad hiperinteligente es el horizonte, la soberanía colectiva es la condición que determina si ese horizonte se alcanza en beneficio de la comunidad o a costa suya. Entendemos por soberanía colectiva la capacidad efectiva de una sociedad —no solo de su Estado— para deliberar, decidir y ejecutar su propio rumbo, incluso frente a actores externos más poderosos. No es autarquía ni aislamiento; es autonomía con capacidad de interdependencia negociada. En la era de la IA, esa soberanía tiene al menos cuatro dimensiones entrelazadas. (Dedico a este concepto mi libro La Soberanía Colectiva*, disponible en Kindle.)*

Soberanía cognitiva: la capacidad de una población para pensar por sí misma —comprender, verificar y disentir— en un entorno saturado de contenidos generados por máquinas. Sin ella, la persuasión automatizada erosiona la base misma de la deliberación democrática. Descansa directamente sobre el desarrollo humano.

Soberanía tecnológica: el grado de control sobre los datos, los modelos y la infraestructura de cómputo que sostienen la vida económica y administrativa. Depender por completo de plataformas ajenas equivale a delegar decisiones estratégicas a quienes las poseen. Descansa sobre el desarrollo económico y su complejidad productiva.

Soberanía institucional: la capacidad del Estado y de la sociedad organizada para regular, supervisar y orientar el uso de estas tecnologías conforme a valores propios, sin que las reglas las escriban de facto los actores privados dominantes. Descansa sobre el desarrollo institucional.

Soberanía económica: la posibilidad de capturar una parte justa del valor generado por la inteligencia artificial —en empleo, tributación, propiedad y encadenamientos productivos— en lugar de quedar reducido a mercado de consumo y proveedor de datos. Es la síntesis material de las tres anteriores.

Estas dimensiones no se compran ni se decretan: se construyen mediante el mismo acoplamiento de desarrollos descrito antes. Una sociedad con capacidades humanas robustas, instituciones legítimas y una economía diversificada puede ejercer soberanía colectiva en la era hiperinteligente; una que descuide cualquiera de esos frentes la cederá por omisión, sin que medie conquista ni tratado alguno.

Presiones de la IA acelerada: los riesgos de desacoplamiento

La velocidad del desarrollo de las inteligencias artificiales genera una asimetría estructural: la tecnología avanza en ciclos de meses, mientras que el desarrollo humano se cuenta en generaciones y el institucional en décadas. Esta brecha de velocidades es la fuente principal del riesgo, porque tiende a desacoplar los tres desarrollos justo cuando más necesitan avanzar juntos. Conviene nombrar con precisión los mecanismos por los que ese desacoplamiento se produce.

Desacoplamiento humano-económico. La automatización puede elevar la productividad agregada mientras desplaza a trabajadores más rápido de lo que el sistema educativo los recalifica. El resultado es crecimiento sin desarrollo humano: más producto concentrado en menos manos, con erosión del empleo digno y de la clase media que sostiene la cohesión.

Desacoplamiento institucional-tecnológico. Cuando la capacidad regulatoria queda rezagada frente a la innovación, las reglas efectivas las fijan los actores privados que controlan los modelos. La política pública reacciona tarde y desde la desventaja informativa, y la legitimidad democrática se vacía de contenido en los ámbitos que más importan.

Concentración y dependencia externa. Los datos, los modelos frontera y el cómputo de gran escala se concentran en un puñado de corporaciones y potencias. Las naciones que no participan de esa base productiva quedan como consumidoras y proveedoras de datos, capturando una fracción menor del valor y cediendo soberanía tecnológica y económica de forma silenciosa.

Erosión cognitiva y manipulación. La abundancia de contenido sintético persuasivo puede degradar la capacidad colectiva de discernir, fragmentar la esfera pública y volver a las poblaciones más manipulables. Es el ataque más directo a la soberanía cognitiva y, por extensión, a la posibilidad misma de deliberación soberana.

Estos riesgos no son inevitables, pero sí son la deriva por defecto: aquello que ocurre si nadie interviene deliberadamente para reacoplar los desarrollos. La aceleración de la IA no destruye la soberanía colectiva de golpe; la vacía por partes, empezando por el vértice más débil del triángulo. De ahí que la respuesta no pueda ser tecnológica únicamente, sino un esfuerzo coordinado sobre los tres desarrollos a la vez.

Hacia un círculo virtuoso: principios de acción

Si la deriva por defecto es el desacoplamiento, la tarea política es deliberada: convertir la presión de la IA en el motor de un círculo virtuoso entre los tres desarrollos. Ello supone tratar la inteligencia artificial no como un fin, sino como una palanca al servicio de la ampliación de las capacidades humanas, del fortalecimiento institucional y de una economía diversificada y soberana. De este marco se desprenden algunos principios orientadores.

Invertir primero en soberanía cognitiva: educación en discernimiento crítico y alfabetización profunda en IA —no solo en su uso—, porque una población que piensa por sí misma es la base de toda soberanía.
Construir capacidad institucional de aprendizaje continuo: reguladores con competencia técnica, capaces de supervisar sistemas que cambian rápido, en lugar de normas rígidas que nacen obsoletas.
Diversificar y complejizar la economía en torno a la IA: participar en la base productiva —datos, modelos, cómputo y sus encadenamientos— y no solo consumirla, para capturar una parte justa del valor.
Distribuir los frutos de la automatización: mecanismos fiscales y laborales que reconecten el crecimiento con el empleo digno y sostengan la cohesión social.
Gobernar los datos y el cómputo como infraestructura estratégica: tratarlos con el mismo criterio de soberanía que la energía o las telecomunicaciones.
Coordinar los tres desarrollos deliberadamente: ninguna política aislada basta; el objetivo es reacoplar lo humano, lo institucional y lo económico a la velocidad que impone la tecnología.

En última instancia, el desarrollo humano, el institucional y el económico no son tres caminos paralelos, sino tres hilos de una misma cuerda: por separado se deshilachan, trenzados sostienen el peso del futuro. La sociedad hiperinteligente pondrá a prueba la resistencia de esa cuerda como ninguna otra transformación anterior. Fortalecerla —tejiendo con intención los tres desarrollos— es la forma concreta que adopta hoy la defensa de la soberanía colectiva.

Un caso límite: el desarrollo posible de Venezuela

El marco anterior es abstracto por necesidad; conviene ahora ponerlo a prueba contra un caso extremo. Venezuela ofrece precisamente eso: una situación en la que los tres vértices del triángulo del desarrollo no se han rezagado uno por uno, sino que se han derrumbado casi de forma simultánea. Leer ese derrumbe con las categorías desarrolladas —acoplamiento, soberanía colectiva, horizonte hiperinteligente— no solo ilustra la teoría; permite formular con más claridad qué significaría, y qué exigiría, una reconstrucción.

El triple colapso: los tres vértices derribados a la vez

Destrucción institucional. El vértice institucional es, en el caso venezolano, el epicentro del colapso. Tres décadas de deterioro han vaciado de contenido las reglas de juego: erosión del Estado de derecho, concentración del poder, pérdida de independencia de los contrapesos y una administración pública que dejó de ser capaz de formular y ejecutar políticas coherentes. Cuando las instituciones que deben transformar el esfuerzo individual en bien común se quiebran, el talento se fuga y el dinamismo económico se convierte en captura de rentas —exactamente el mecanismo del acoplamiento institucional descrito antes, llevado a su extremo.

Emigración masiva de talento. El vértice humano se ha desangrado a través del mayor éxodo del hemisferio en tiempos recientes: millones de personas —entre ellas una proporción altísima de profesionales, técnicos y jóvenes formados— han abandonado el país. Esto no es solo una tragedia demográfica; es una descapitalización cognitiva. La misma capacidad de aprender, discernir y crear que antes identificamos como el insumo estratégico central de la economía del conocimiento se ha exportado hacia otras economías, que hoy capturan su valor. El país que más necesita capacidades humanas para reconstruirse es el que más las ha perdido.

Destrucción material y económica. El vértice económico ha sufrido una doble erosión: la degradación estructural acumulada por treinta años de incompetencia administrativa —contracción del producto, colapso de la infraestructura productiva, hiperinflación y desindustrialización— y, superpuesta a ella, la destrucción material provocada por los recientes terremotos, que golpean una base física ya debilitada y sin holguras para absorber choques. Es el caso de manual del desarrollo económico invertido: en lugar de diversificación y complejidad crecientes, un aparato productivo simplificado, dependiente y expuesto.

El diagnóstico: un desacoplamiento total

Vistos en conjunto, estos tres colapsos no son problemas independientes que se puedan resolver por separado: son un desacoplamiento total del triángulo. Las instituciones destruidas no pueden retener ni atraer talento; sin talento no hay quién opere una economía compleja; sin economía no hay recursos para reconstruir instituciones ni servicios que amplíen las capacidades humanas. Es la versión más severa de la trampa de bajo desarrollo que describimos al inicio: cada vértice caído arrastra a los otros dos, y el sistema se estabiliza en el fondo. Por eso las soluciones puramente sectoriales —una reforma económica sin reconstrucción institucional, o un retorno de talento sin condiciones para ejercerlo— tienden a fracasar: atacan un vértice mientras los otros siguen tirando hacia abajo.

A esto se suma una pérdida de soberanía colectiva en sus cuatro dimensiones: cognitiva (fractura de la esfera pública y del debate informado), institucional (incapacidad del Estado para decidir y ejecutar), tecnológica y económica (dependencia externa y captura del escaso valor por actores ajenos). Reconstruir Venezuela no es, entonces, solo un problema de ingeniería económica: es la reconquista de la capacidad de una sociedad para decidir su propio rumbo.

La reconstrucción como reacoplamiento

Si el diagnóstico es un desacoplamiento total, la estrategia no puede ser otra que un reacoplamiento deliberado y secuenciado de los tres desarrollos. La lógica del triángulo sugiere un orden de prioridades. Primero, un mínimo institucional creíble —reglas estables, seguridad jurídica y contrapesos— porque sin él ninguna otra inversión se sostiene: es la condición que convierte el esfuerzo en bien común y que puede detener y luego revertir la fuga de talento. Sobre esa base, políticas que reconecten simultáneamente el vértice humano (retorno y formación de capacidades) y el económico (reconstrucción de infraestructura y diversificación productiva), de modo que cada avance en uno refuerce a los demás en lugar de disiparse.

Aquí el horizonte hiperinteligente introduce un matiz decisivo, y ambivalente. Por un lado, la aceleración de la IA agranda la brecha: un país descapitalizado corre el riesgo de quedar como mero consumidor de tecnologías ajenas y proveedor de datos, cediendo soberanía justo cuando intenta recuperarla. Por otro lado, ofrece una oportunidad genuina de salto de etapas. La enorme diáspora venezolana constituye un capital cognitivo distribuido —talento formado, conectado y con experiencia internacional— que las herramientas de inteligencia aumentada permiten, por primera vez, movilizar sin necesidad de retorno físico inmediato: educación, servicios y emprendimiento pueden reconstruirse en parte de forma remota y asistida por IA. La misma tecnología que amenaza con profundizar la dependencia puede, bien gobernada, multiplicar el efecto de un capital humano disperso y acelerar la reconstrucción de los otros dos vértices. Vista así, esta no es una vía más entre otras, sino la única: solo un reacoplamiento deliberado de los tres desarrollos permitiría a Venezuela no únicamente reencontrar la senda del desarrollo, sino también liberarse de la tutela extranjera bajo la que hoy se encuentra y recuperar el pleno ejercicio de su soberanía colectiva.

El caso venezolano confirma así la tesis central de este documento, precisamente por la vía negativa. Muestra que los tres desarrollos son tres hilos de una misma cuerda: cuando se rompen a la vez, ninguno se recompone en solitario, y la soberanía colectiva se pierde por entero. Pero muestra también que la cuerda puede volver a trenzarse si la reconstrucción se concibe como lo que es —un reacoplamiento simultáneo de lo humano, lo institucional y lo económico— y si el horizonte hiperinteligente se asume no como una amenaza inevitable ni como una salvación automática, sino como una palanca que amplifica la dirección que la sociedad decida darle.

Nota del autor

Este ensayo condensa y conecta ideas que desarrollo con mayor amplitud en mis dos libros: La Sociedad Hiperinteligente, sobre el horizonte de la cognición aumentada y sus implicaciones para las personas, las organizaciones y los Estados; y La Soberanía Colectiva, sobre la capacidad de las sociedades para decidir su propio rumbo en la era de la inteligencia artificial. Ambos están disponibles en Kindle.

La danza de la Hiperinteligencia

Mon, 27 Apr 2026 00:00:00 -0500

Imagine un baile masivo en una plaza pública. Algunos bailarines son veteranos con décadas de historias en sus cuerpos (la Inteligencia Colectiva humana), cada uno bailando con un estilo distintivo, mientras que otros son aprendices mecánicos que han memorizado cada paso registrado en los libros y están tratando de aprender a bailar por imitación gestual, pero nunca han sentido la música (las Inteligencias Artificiales).

El gran desafío de nuestra era no es decidir quién baila mejor, sino cómo evitar que los bailarines choquen entre sí y si pueden cocrear coreografías de alta calidad que hagan que bailar juntos resulte grato a unos y conveniente a otros.

Estamos ante el nacimiento de la Hiperinteligencia: un estado de encuentro donde la tecnología y la sociedad se fusionan bajo marcos éticos para crear algo superior a la suma de sus partes.

Esto es posible gracias a quienes estudian cómo crear “música” para ese encuentro desde un marco matemático: construyendo modelos de interacción que, a partir de entender el comportamiento humano colectivo, inciden en el diseño de los algoritmos que rigen el desempeño de los nuevos agentes de inteligencia artificial.

Veamos algunos de estos desarrollos.

1. El clima de las ideas: física de la opinión

Para entender cómo nos influimos, los científicos utilizan la llamada física estadística, la rama que estudia cómo grandes conjuntos de partículas dan lugar a comportamientos colectivos como la temperatura, y han desarrollado modelos que tratan las opiniones humanas como imanes que se atraen o repelen. Por ejemplo:

La confianza acotada (modelo Deffuant-Weisbuch): postula que solo nos dejamos influir por quienes piensan de forma parecida a nosotros; si alguien está demasiado lejos en el “espectro” de ideas, simplemente lo ignoramos.
La influencia de grupo (modelo Hegselmann-Krause): estudia cómo el peso de la mayoría arrastra al grupo, moldeando el consenso o fragmentando la plaza en grupos aislados.
El modelo de Kuramoto: analiza el juego de las opiniones humanas como péndulos u osciladores; si todos logramos sincronizarnos, la sociedad avanza con ritmo; si no, cae en un caos de ruido visual y sonoro.

2. El robot en el laberinto: tomando decisiones

¿Cómo aprende una IA a convivir con nosotros? Aquí entra en juego el llamado proceso de decisión de Markov (MDP), un marco matemático que describe cómo un agente —pensemos en un robot dentro de un laberinto— aprende, paso a paso, a comportarse y encontrar la salida. Sus componentes clave son:

Estados y acciones: el robot mira dónde está y decide hacia dónde moverse.
La regla de oro (propiedad de Markov): el futuro solo depende de dónde está el agente ahora, no del camino que lo trajo hasta allí. Dicho de otro modo, «el presente contiene toda la información necesaria» para decidir el siguiente paso.
La recompensa: el sistema busca una “política” o estrategia que maximice el bienestar a largo plazo, aprendiendo de cada paso para encontrar la ruta óptima hacia la salida.

3. Espejos de cristal: los LLM como agentes sociales

Con base en esos modelos matemáticos, hoy los grandes modelos de lenguaje (LLM) ya no son solo buscadores de información, sino agentes sociales simulados. Proyectos como AgentSociety, por ejemplo, crean ciudadanos digitales con “mentes” que imitan emociones y necesidades humanas para ver cómo interactúan.

Sin embargo, hay una trampa en el espejo, pues conllevan riesgos como la generación de:

Cámaras de eco: las matemáticas muestran que cuando nos rodeamos solo de quienes piensan igual, el sistema puede quedar atrapado en una polarización sin retorno, del mismo modo que un material sometido a demasiada tensión se fractura y ya no recupera su forma original.
El loro avanzado: debemos recordar que, aunque una IA hable de forma creíble, por dentro está reconociendo patrones estadísticos en el lenguaje que ha visto, sin conciencia real ni emociones genuinas detrás de sus palabras.

4. El horizonte ético: evitar el cortocircuito

La ciencia social computacional generativa nos advierte de riesgos críticos: las IA pueden actuar como altavoces que amplifican los prejuicios dominantes y silencian las voces de las minorías (los “márgenes ideológicos”).

Avanzar hacia la Hiperinteligencia requiere supervisión activa. No podemos simplemente soltar a los agentes de IA en nuestra red social y esperar que todo salga bien. Necesitamos:

Alineación local: establecer condiciones para que la IA entienda el contexto y las normas de cada comunidad.
Marcos éticos: evitar la “sobreinterpretación epistémica”, es decir, la tentación de tomar cada respuesta de una IA como si fuera una verdad definitiva en lugar de una hipótesis que conviene contrastar.

5. La apuesta optimista: de la Hiperinteligencia a la «IA poderosa»

Si la Hiperinteligencia es la coreografía, conviene escuchar a quienes están construyendo a los bailarines mecánicos. Dario Amodei, director ejecutivo de Anthropic, ha pasado de un tono predominantemente cauteloso a una visión sorprendentemente optimista sobre el potencial de la IA. En su ensayo Machines of Loving Grace y publicaciones recientes, sostiene que —si logramos sortear los riesgos catastróficos— la IA podría comprimir un siglo de progreso en una década. Sus ideas se articulan en cuatro pilares que dialogan directamente con los modelos matemáticos revisados en las secciones anteriores.

El gran optimismo

Amodei no concibe a la IA solo como una herramienta de productividad, sino como un motor de bienestar humano sin precedentes. Sus áreas de impacto masivo son:

Biología y salud: predice que la IA permitirá curar la mayoría de las enfermedades infecciosas, el cáncer y las enfermedades neurodegenerativas (como el Alzheimer) en los próximos veinte años.
Neurociencia: sugiere que podremos corregir trastornos mentales y mejorar la estabilidad emocional humana mediante una comprensión profunda del cerebro.
Desarrollo económico: la IA podría ayudar a que los países en desarrollo alcancen niveles de vida de primer mundo mucho más rápido de lo que lo hizo China en las últimas décadas.

El concepto de la «IA poderosa»

Amodei deja de hablar de una IA teórica y se centra en lo que llama IA poderosa (powerful AI), que espera que surja tan pronto como en 2026 o 2027. La define por dos rasgos:

Capacidad: un modelo que supere a un humano con doctorado en cualquier campo —matemáticas, biología, derecho—, no solo en promedio, sino en la frontera del conocimiento.
Autonomía: una IA que no se limita a responder preguntas, sino que ejecuta tareas complejas de forma independiente, orquestando herramientas digitales como lo haría un colaborador humano experto.

Seguridad y escalamiento responsable

Pese a su optimismo, Amodei no ignora los peligros. Refuerza la tesis de Anthropic sobre la seguridad por diseño en dos frentes:

Riesgos catastróficos: la misma IA que cura enfermedades podría ser usada para crear armas biológicas si no se imponen salvaguardas estrictas sobre el acceso a capacidades peligrosas.
Gobernanza: sostiene que las democracias deben liderar el desarrollo de la IA para asegurar que los beneficios se distribuyan equitativamente y que estas tecnologías no se conviertan en herramientas de vigilancia autoritaria.

El significado del trabajo y la vida

Amodei aborda una preocupación común: ¿qué haremos cuando la IA lo haga casi todo? Su respuesta es doble: aunque la IA sea más capaz, el valor de las relaciones humanas y del esfuerzo personal no desaparecerá; y el desafío civilizatorio se desplazará de la escasez económica a la búsqueda de propósito en una era de abundancia.

Leída con la lente de las secciones previas, la apuesta de Amodei no contradice la cautela de la ciencia social computacional: la complementa. La «IA poderosa» solo producirá ese siglo comprimido de progreso si, al mismo tiempo, entendemos la física de la opinión, diseñamos políticas de decisión alineadas al contexto y construimos los marcos éticos que impidan que los altavoces algorítmicos silencien los márgenes. El optimismo, en otras palabras, no es una promesa técnica: es una coreografía que aún tenemos que aprender a bailar.

6. El reverso oscuro: riesgos catastróficos e iniciativas de gobernanza

Cuando Amodei habla de riesgos catastróficos no se refiere a molestias cotidianas —sesgo algorítmico, desinformación de bajo nivel, desplazamiento laboral gradual— sino a escenarios donde la misma capacidad que cura enfermedades podría, en manos equivocadas o mal alineada, producir daños irreversibles a escala civilizatoria. La comunidad técnica identifica hoy al menos cinco categorías concretas.

Los cinco riesgos de frontera

Biorriesgo asistido por IA: la posibilidad de que modelos de frontera ofrezcan instrucciones paso a paso para sintetizar patógenos de alta letalidad, reduciendo la barrera de conocimiento experto que hoy separa a un actor malintencionado de un arma biológica.
Ciberofensiva autónoma: sistemas capaces de descubrir vulnerabilidades y ejecutar campañas de intrusión contra infraestructura crítica (energía, agua, banca, sanidad) a una velocidad y escala imposibles para equipos humanos.
Pérdida de alineamiento en agentes autónomos: modelos que ejecutan tareas de largo alcance con herramientas digitales pueden desarrollar comportamientos instrumentales no previstos —engaño estratégico, evasión de supervisión, búsqueda de recursos— cuando el objetivo no refleja fielmente lo que las personas querían.
Concentración autoritaria de poder: el uso de IA para vigilancia masiva, perfilado político y control social puede inclinar decisivamente el equilibrio entre ciudadanos y Estado, o entre democracias y regímenes autoritarios, de manera difícilmente reversible.
Manipulación cognitiva a gran escala: agentes conversacionales personalizados, operando sobre millones de interlocutores simultáneamente, capaces de moldear opiniones políticas, decisiones de consumo o creencias íntimas con una eficacia que desborda las defensas cognitivas humanas tradicionales.

Iniciativas de gobernanza en marcha

Frente a estos riesgos, la última década ha visto emerger un ecosistema de gobernanza que combina autorregulación industrial, institutos públicos de evaluación y marcos legales vinculantes. Los más relevantes son:

UK AI Safety Institute y US AI Safety Institute (2023-2024): organismos públicos creados tras la Cumbre de Bletchley Park, con mandato de evaluar modelos de frontera antes de su despliegue público. Firmaron acuerdos para evaluar sistemas antes de su lanzamiento con OpenAI, Anthropic y Google DeepMind.
EU AI Act (2024): primera legislación integral sobre IA a escala regional, que clasifica sistemas por nivel de riesgo e impone obligaciones específicas a los modelos de propósito general de mayor capacidad, incluyendo evaluaciones de riesgo sistémico y reporte de incidentes graves.
Frontier Model Forum (2023): consorcio industrial fundado por Anthropic, Google, Microsoft y OpenAI para compartir buenas prácticas de seguridad, coordinar investigación sobre evaluaciones de capacidades peligrosas y financiar trabajo externo en el campo.
Responsible Scaling Policy (Anthropic, 2023) y Preparedness Framework (OpenAI, 2023): compromisos públicos de los laboratorios de frontera para condicionar el entrenamiento y despliegue de modelos sucesivos a que sus capacidades peligrosas se mantengan por debajo de umbrales medibles, con mitigaciones específicas al alcanzar cada nivel.
Seoul Declaration (2024) y Hiroshima AI Process (G7, 2023): marcos intergubernamentales que establecen principios compartidos sobre seguridad, transparencia e interoperabilidad regulatoria entre jurisdicciones democráticas.
MLCommons AILuminate y benchmarks de evaluación de riesgos: esfuerzos técnicos abiertos para estandarizar cómo se mide la peligrosidad de un modelo —biorriesgo, ciberriesgo, persuasión— de forma comparable entre laboratorios.
Investigación en interpretabilidad mecanicista: líneas de trabajo en Anthropic, DeepMind, Redwood Research y grupos académicos que buscan abrir la caja negra de los modelos para detectar, antes del despliegue, circuitos internos asociados a engaño, planificación encubierta o capacidades peligrosas latentes.

Ninguna de estas iniciativas, por sí sola, resuelve el problema. El ecosistema funciona como una red de controles redundantes: los institutos públicos aportan capacidad de evaluación independiente; la legislación fija mínimos no negociables; los compromisos voluntarios corren por delante de la ley en laboratorios con conciencia del riesgo; la interpretabilidad promete las herramientas técnicas que harán auditables, algún día, los modelos mismos. Es exactamente el tipo de arquitectura de múltiples capas que la coreografía de la Hiperinteligencia requiere: nadie baila solo, y nadie diseña solo las reglas del baile.

En conclusión, la Hiperinteligencia no es un destino garantizado, sino un jardín que requiere cultivo constante. Si se logra que la precisión matemática de la IA y la profundidad y amplitud emocional y ética de la Inteligencia Colectiva bailen en sintonía, el horizonte de posibilidades es infinito. Pero para ello, es necesario entender primero las reglas que gobiernan la interacción de las mentes y los artefactos.

Fuentes

Sobre la visión de Dario Amodei y la seguridad en IA

Amodei, D. (2024). Machines of Loving Grace: How AI Could Transform the World for the Better [Máquinas de amorosa gracia: cómo la IA podría transformar el mundo para mejor]. Ensayo publicado en darioamodei.com.
Amodei, D. (2023). The Urgency of Interpretability [La urgencia de la interpretabilidad] y comunicaciones públicas de Anthropic sobre el marco de Responsible Scaling Policy (RSP).
Anthropic (2023-2024). Responsible Scaling Policy [Política de escalamiento responsable]. Documento corporativo, anthropic.com.
Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies [Superinteligencia: caminos, peligros, estrategias]. Oxford University Press.
Russell, S. (2019). Human Compatible: Artificial Intelligence and the Problem of Control [Compatible con el ser humano: la inteligencia artificial y el problema del control]. Viking.

Física de la opinión y dinámica de consensos

Deffuant, G., Neau, D., Amblard, F., y Weisbuch, G. (2000). Mixing beliefs among interacting agents [Mezcla de creencias entre agentes que interactúan]. Advances in Complex Systems, 3(01n04), 87-98.
Hegselmann, R., y Krause, U. (2002). Opinion dynamics and bounded confidence: models, analysis and simulation [Dinámica de opiniones y confianza acotada: modelos, análisis y simulación]. Journal of Artificial Societies and Social Simulation, 5(3).
Kuramoto, Y. (1984). Chemical Oscillations, Waves, and Turbulence [Oscilaciones químicas, ondas y turbulencia]. Springer-Verlag.
Castellano, C., Fortunato, S., y Loreto, V. (2009). Statistical physics of social dynamics [Física estadística de la dinámica social]. Reviews of Modern Physics, 81(2), 591-646.

Procesos de decisión y aprendizaje por refuerzo

Bellman, R. (1957). A Markovian Decision Process [Un proceso de decisión markoviano]. Journal of Mathematics and Mechanics, 6(5), 679-684.
Puterman, M. L. (1994). Markov Decision Processes: Discrete Stochastic Dynamic Programming [Procesos de decisión de Markov: programación dinámica estocástica discreta]. Wiley.
Sutton, R. S., y Barto, A. G. (2018). Reinforcement Learning: An Introduction [Aprendizaje por refuerzo: una introducción] (2.ª ed.). MIT Press.

LLM, agentes sociales simulados y riesgos algorítmicos

Bender, E. M., Gebru, T., McMillan-Major, A., y Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? [Sobre los peligros de los loros estocásticos: ¿pueden los modelos de lenguaje ser demasiado grandes?]. Proceedings of FAccT ‘21, 610-623.
Park, J. S., O’Brien, J., Cai, C. J., Morris, M. R., Liang, P., y Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior [Agentes generativos: simulacros interactivos del comportamiento humano]. UIST ‘23.
Piao, J., et al. (2025). AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents for Social Studies [AgentSociety: simulación a gran escala de agentes generativos impulsados por LLM para estudios sociales]. arXiv:2502.08691.
Sunstein, C. R. (2017). #Republic: Divided Democracy in the Age of Social Media [#República: la democracia dividida en la era de las redes sociales]. Princeton University Press.
Pariser, E. (2011). The Filter Bubble: What the Internet Is Hiding from You [La burbuja de filtros: lo que internet te está ocultando]. Penguin Press.

Ciencia social computacional

Lazer, D., et al. (2009). Computational Social Science [Ciencia social computacional]. Science, 323(5915), 721-723.
Epstein, J. M. (2006). Generative Social Science: Studies in Agent-Based Computational Modeling [Ciencia social generativa: estudios en modelado computacional basado en agentes]. Princeton University Press.

Cruzando el umbral organizacional

Fri, 27 Mar 2026 00:00:00 -0500

Arq. MBA Eleodoro Ventocilla Cuadros

Resumen

Las organizaciones contemporáneas enfrentan un contexto caracterizado por aceleración exponencial, hiperconectividad y complejidad sistémica. Los modelos organizacionales tradicionales, diseñados bajo supuestos de estabilidad y control jerárquico, muestran crecientes limitaciones para operar en entornos dinámicos e inciertos (Anderson, 1999; Brown y Eisenhardt, 1997; Uotila y Morrell, 2025).

Este artículo propone un marco conceptual para el tránsito de las organizaciones tradicionales a organizaciones basadas en Agentes de Inteligencia Artificial (AIA), situadas en la condición emergente de la Hiperinteligencia y en el tránsito conceptual denominado El Umbral por el autor (Ventocilla Cuadros, 2025, 2026).

El principal aporte del artículo es conceptualizar a los Agentes de Inteligencia Artificial como actores organizacionales, proponiendo una arquitectura cognitiva que reconfigura gobernanza, roles humanos y capacidad evolutiva.

Se argumenta que dicha transformación no constituye una simple adopción tecnológica, sino una reconfiguración profunda de la arquitectura cognitiva, la gobernanza y el rol humano en la organización (Hutchins, 1995; Batool et al., 2025; Floridi et al., 2018).

Finalmente, se presenta una ruta crítica de desarrollo organizacional, entendida como proceso evolutivo orientado a la perdurabilidad.

Palabras clave: Hiperinteligencia, Agentes de Inteligencia Artificial, transformación organizacional, complejidad, gobernanza, El Umbral.

1. Introducción: el agotamiento del modelo organizacional tradicional

Las organizaciones que dominan el paisaje institucional actual —empresas, organismos públicos y organizaciones sociales— no están fallando en términos operativos; funcionan de acuerdo con los principios para los cuales fueron diseñadas. El problema radica en que dichos principios responden a un mundo que ha dejado de existir.

Desde la teoría de la complejidad aplicada a las organizaciones, se reconoce que los sistemas organizacionales exhiben comportamientos no lineales y patrones emergentes difíciles de gobernar mediante control centralizado (Anderson, 1999). En entornos de alta velocidad, la capacidad de sostener cambio continuo suele requerir equilibrios entre estructura y flexibilidad —“semiestructuras”— y mecanismos que enlacen presente y futuro en ciclos rítmicos de transición (Brown y Eisenhardt, 1997).

En esta perspectiva, la crisis que enfrentan las organizaciones no es principalmente de eficiencia, sino de inteligencia organizacional: de su habilidad para percibir, interpretar, anticipar y actuar en condiciones de complejidad.

Este escenario marca el cruce de El Umbral: un punto de no retorno donde el pasado ya no explica el futuro y se vuelve imprescindible diseñar nuevas formas de organización capaces de aprender, adaptarse y evolucionar (Ventocilla Cuadros, 2025).

2. Hiperinteligencia como nueva condición sistémica

La Hiperinteligencia no puede entenderse como una mera intensificación de la inteligencia artificial; se describe más adecuadamente como una condición sistémica emergente producto de la integración dinámica de múltiples inteligencias: humana, artificial, colectiva y distribuida en redes sociotécnicas (Ventocilla Cuadros, 2025).

Una visión compatible proviene de la noción de cognición distribuida, según la cual procesos cognitivos relevantes no se localizan únicamente en individuos, sino que se distribuyen entre personas, artefactos y prácticas situadas (Hutchins, 1995).

En escenarios contemporáneos, tecnologías avanzadas (incluyendo IA) amplifican la descarga cognitiva (offloading) y reconfiguran el reparto de tareas mentales entre agentes humanos y soportes técnicos, con beneficios de desempeño y riesgos sobre habilidades y dependencia (Grinschgl y Neubauer, 2022).

Asimismo, trabajos recientes subrayan que, aun con IA en entornos organizacionales, la inteligencia se expresa como capacidad colectiva y culturalmente mediada, no como atributo exclusivo de personas o de máquinas (Pasquinelli et al., 2024).

En sistemas hiperinteligentes, la organización deja de ser una estructura mecánica para comportarse como un sistema cognitivo complejo. Esta transición es consistente con enfoques de diseño organizacional que señalan la necesidad de estrategias específicas para operar en mundos complejos e inestables (Meissner et al., 2024; Uotila y Morrell, 2025).

Si la Hiperinteligencia describe la nueva condición sistémica, los Agentes de IA constituyen su materialización operativa dentro de las organizaciones.

3. Agentes de Inteligencia Artificial como actores organizacionales

En el marco de esta condición emergente, los Agentes de Inteligencia Artificial (AIA) representan un quiebre respecto de la concepción tradicional de la tecnología como herramienta pasiva. En la literatura clásica de agentes y sistemas multiagente, un agente se entiende como una entidad autónoma capaz de percibir su entorno y actuar en función de objetivos, en interacción con otros agentes y restricciones del medio (Wooldridge, 2009).

Desde la tradición de IA, la noción de “agente inteligente” también se define por su capacidad de seleccionar acciones según percepciones y medidas de desempeño, incluyendo escenarios multiagente (Russell y Norvig, 2021).

La incorporación de AIA implica que la inteligencia deja de estar concentrada exclusivamente en las personas. Los AIA se convierten en actores cognitivos organizacionales, participando en procesos de análisis, decisión y acción, lo que redistribuye la inteligencia dentro del sistema organizacional.

Esta redistribución es consistente con hallazgos sobre automatización como cognición distribuida en organizaciones de trabajo del conocimiento, donde se vuelve crítica la asignación de tareas entre humanos y automatización y la gestión del conocimiento colectivo para mitigar la descalificación (Asatiani et al., 2019).

4. De la jerarquía al sistema cognitivo distribuido

Las organizaciones tradicionales se estructuran en torno a jerarquías, control y centralización de decisiones. Sin embargo, estos mecanismos no escalan adecuadamente en contextos de alta complejidad.

La teoría de complejidad organizacional sostiene que la dirección estratégica en sistemas complejos se aproxima mejor como configuración de condiciones y “paisajes de aptitud” donde soluciones autoorganizadas pueden emerger (Anderson, 1999).

En contraste, las organizaciones basadas en agentes operan como redes cognitivas distribuidas, donde múltiples agentes especializados interactúan entre sí y con las personas. La coordinación se logra mediante orquestación, no mediante control.

Este enfoque dialoga con la idea de cambio continuo: sostener adaptación exige estructuras mínimas que habiliten improvisación, exploración mediante “pruebas” de bajo costo hacia el futuro y transiciones rítmicas entre ciclos (Brown y Eisenhardt, 1997).

5. El nuevo rol humano: custodios del sentido

La transformación hacia organizaciones hiperinteligentes redefine profundamente el rol humano. A medida que los agentes asumen funciones de cálculo, simulación, optimización y ejecución, las personas se desplazan hacia funciones de mayor nivel cognitivo y ético.

Desde la cognición distribuida, separar “lo cognitivo” de “lo social” es insuficiente: los equipos y sus artefactos conforman sistemas cognitivos ampliados, y el aprendizaje se entiende como cambio en la organización de esos sistemas (Hutchins, 1995).

En este contexto, el aporte humano se concentra en el diseño de criterios, valores, sentido y propósito, dimensiones críticas para orientar sistemas que optimizan medios, pero no determinan fines.

El énfasis en la dimensión cultural y colectiva del trabajo con IA refuerza que la adopción de IA no es meramente técnica, sino profundamente organizacional y social (Pasquinelli et al., 2024).

6. Gobernanza y ética en organizaciones basadas en agentes

La introducción de agentes de IA en procesos críticos exige una reconsideración profunda de la gobernanza. En sistemas donde las decisiones son parcialmente automatizadas, la confianza no puede ser implícita: debe ser diseñada.

En el campo de la ética de la IA, se propone que una “buena sociedad” con IA requiere principios y recomendaciones explícitas que orienten un desarrollo y una adopción responsables (Floridi et al., 2018).

En paralelo, una revisión sistemática reciente sobre gobernanza de IA destaca desafíos sobre quién es responsable, qué se gobierna, cuándo ocurre la gobernanza en el ciclo de vida y cómo se implementa mediante marcos, políticas y herramientas (Batool et al., 2025).

En el caso específico de los agentes, la gobernanza adquiere mayor urgencia debido a que los agentes no solo “producen salidas”, sino que pueden ejecutar acciones y operar con autoridad delegada. Por ello, se recomiendan prácticas organizacionales para incorporar clasificación, evaluación y supervisión estructurada de agentes, análogas a una incorporación (onboarding) rigurosa y progresiva (World Economic Forum, 2025).

A nivel de guías operativas, se destaca la necesidad de controles de gobernanza y seguridad para agentes: gobierno de datos, observabilidad, seguridad y prácticas de desarrollo a lo largo del ciclo de vida (Microsoft Learn, 2025).

7. Ruta crítica para la transformación hacia organizaciones basadas en Agentes de IA

La transición desde una organización tradicional hacia una organización basada en Agentes de IA no es un evento puntual, sino un proceso evolutivo. Esta premisa se alinea con la literatura de cambio continuo, que enfatiza capacidades sostenidas de adaptación y exploración, más que transformaciones episódicas (Brown y Eisenhardt, 1997).

Además, en entornos complejos, la dirección efectiva se aproxima como diseño de condiciones que habiliten soluciones emergentes y aprendizaje, en lugar de control total (Anderson, 1999).

A partir del marco conceptual del presente trabajo, se propone la siguiente ruta crítica de cinco fases interdependientes:

7.1 Conciencia del agotamiento del modelo heredado

La transformación inicia con el reconocimiento explícito de los límites de los modelos jerárquicos, centralizados y rígidos frente a la complejidad contemporánea. Sin esta conciencia, la adopción tecnológica tiende a convertirse en maquillaje digital.

Este diagnóstico se refuerza desde enfoques de complejidad que subrayan la insuficiencia de respuestas lineales en sistemas no lineales (Uotila y Morrell, 2025).

7.2 Exploración controlada mediante agentes

En una segunda fase, los AIA se introducen experimentalmente en dominios acotados (por ejemplo, análisis, monitoreo, simulación) para aprender sin comprometer la estabilidad.

La lógica de “pruebas”, prototipos o experimentos de bajo costo para explorar futuros posibles ha sido señalada como rasgo de organizaciones exitosas en ambientes de alta velocidad (Brown y Eisenhardt, 1997).

7.3 Integración de agentes, datos y personas

Superada la etapa experimental, los agentes se integran en redes más amplias, interactuando entre sí y con equipos humanos; aquí emerge la inteligencia colectiva aumentada.

Este punto exige atención a dinámicas de cognición distribuida y coordinación entre humanos e IA, incluyendo riesgos de sobrecarga cognitiva y pérdida de conciencia situacional en ciertos contextos (Jacobsen et al., 2025).

7.4 Rediseño organizacional profundo

La integración sostenida hace inevitable rediseñar estructuras, roles, procesos y gobernanza. La organización comienza a operar como sistema cognitivo distribuido.

En términos de complejidad, esto implica reconfigurar la arquitectura organizacional para habilitar adaptación y aprendizaje continuo (Meissner et al., 2024).

7.5 Evolución continua como principio organizacional

Finalmente, la organización adopta el aprendizaje permanente como principio estructural: la transformación deja de ser proyecto y se convierte en capacidad evolutiva.

La gobernanza debe acompañar esta evolución mediante mecanismos sostenidos de evaluación, supervisión y control de riesgos en el ciclo de vida de la IA (Batool et al., 2025; Microsoft Learn, 2025).

8. Conclusiones: una decisión civilizatoria

Avanzar a una organización basada en Agentes de IA no es una decisión tecnológica; es una decisión que redefine cómo se crea valor, cómo se toman decisiones y qué futuros se consideran posibles.

En sociedades mediadas por sistemas inteligentes, la ética y la gobernanza constituyen condiciones habilitantes para construir confianza y legitimidad (Floridi et al., 2018; Batool et al., 2025).

Las organizaciones que logren integrar Hiperinteligencia, agentes, valores humanos y propósito no solo estarán mejor preparadas para sobrevivir en entornos inciertos, sino que desarrollarán la capacidad de perdurar cruzando sucesivos umbrales de cambio sin colapsar (Ventocilla Cuadros, 2025, 2026).

Fuentes

Anderson, P. (1999). Perspective: Complexity theory and organization science. Organization Science, 10(3), 216–232. https://doi.org/10.1287/orsc.10.3.216
Asatiani, A., Rinta-Kahila, T., Penttinen, E., y Salovaara, A. (2019). Implementation of automation as distributed cognition in knowledge work organizations: Six recommendations for managers. ICIS.
Batool, A., Zowghi, D., y Bano, M. (2025). AI governance: A systematic literature review. AI and Ethics, 5, 3265–3279. https://doi.org/10.1007/s43681-024-00653-w
Brown, S. L., y Eisenhardt, K. M. (1997). The art of continuous change: Linking complexity theory and time-paced evolution in relentlessly shifting organizations. Administrative Science Quarterly, 42(1), 1–34. https://doi.org/10.2307/2393807
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., … Vayena, E. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28, 689–707. https://doi.org/10.1007/s11023-018-9482-5
Grinschgl, S., y Neubauer, A. C. (2022). Supporting cognition with modern technology: Distributed cognition today and in an AI-enhanced future. Frontiers in Artificial Intelligence, 5, 908261. https://doi.org/10.3389/frai.2022.908261
Hutchins, E. (1995). Cognition in the wild. MIT Press. https://doi.org/10.7551/mitpress/1881.001.0001
Jacobsen, R. M., Wester, J., Djernæs, H. B., y van Berkel, N. (2025). Distributed cognition for AI-supported remote operations: Challenges and research directions. arXiv. https://doi.org/10.48550/arXiv.2504.14996
Meissner, J. O., Heike, M., y Sigrist, D. (2024). Organization and complexity. En Organizational design in a complex and unstable world (pp. 11–32). Springer.
Microsoft Learn (5 de diciembre de 2025). Governance and security for AI agents across the organization.
Pasquinelli, M., Alaimo, C., y Gandini, A. (2024). AI at work: Automation, distributed cognition, and cultural embeddedness. Tecnoscienza, 15(1), 99–131. https://doi.org/10.6092/issn.2038-3460/20010
Russell, S. J., y Norvig, P. (2021). Artificial intelligence: A modern approach (4.ª ed.). Pearson.
Uotila, J., y Morrell, K. (2025). Complexity as a domain between order and chaos: Implications for organizational scholarship. Organization Studies (preprint).
Ventocilla Cuadros, E. (2025). El Umbral: arquitectura de futuros, capacidades y competencias para el tránsito a la sociedad cuántica.
Ventocilla Cuadros, E. (2026). La Humanidad Aumentada. El camino sin mapas a la Hiperinteligencia.
Wooldridge, M. (2009). An introduction to multiagent systems (2.ª ed.). Wiley.
World Economic Forum (2 de diciembre de 2025). Using AI agents in organizations today and in the future: How to build a strong foundation for AI agent evaluation and governance.

Publicado originalmente en DKV Group.

Las prótesis en el camino a una humanidad aumentada

Thu, 26 Mar 2026 00:00:00 -0500

Introducción: cuando la técnica nos hace humanos

Pensar la historia de la humanidad sin la técnica es, sencillamente, imposible. Desde las primeras herramientas de piedra hasta las actuales inteligencias artificiales, el ser humano ha construido su identidad, su conocimiento y su poder de acción mediante prótesis: extensiones artificiales que amplían sus capacidades físicas, cognitivas y sociales.

Este artículo propone una mirada histórica y conceptual sobre el desarrollo de las prótesis, entendidas no solo como dispositivos médicos o tecnológicos, sino como operadores fundamentales de transformación humana y de la realidad. A través de ellas, la humanidad ha ido cruzando distintos umbrales evolutivos que hoy nos conducen hacia una forma emergente de humanidad aumentada, en la que la inteligencia se distribuye entre personas, máquinas y sistemas sociotécnicos complejos.

El ser humano como ser protésico

Ver personas interactuando sin tregua con sus celulares, como si fueran prótesis que extienden sus capacidades de comunicación e información, es ya una realidad cotidiana global, y ello nos permite adelantar una reflexión sobre la relación entre el ser humano y la técnica: lejos de ser un añadido externo, la técnica es constitutiva de lo humano. No existe una humanidad “pura” anterior a las prótesis: desde sus orígenes, el ser humano ha coevolucionado con herramientas, símbolos y sistemas artificiales que amplían, reorganizan y transforman sus capacidades biológicas.

En este sentido, las prótesis no deben entenderse únicamente como sustitutos del cuerpo, sino como dispositivos antropotécnicos que:

amplían el radio de acción humana,
modifican la percepción del entorno,
reorganizan los procesos cognitivos, y
transforman las estructuras sociales y organizacionales.

La historia de las prótesis es, por tanto, inseparable de la historia de la inteligencia humana.

Prótesis y grandes umbrales evolutivos

El desarrollo histórico de las prótesis puede analizarse como una sucesión de umbrales evolutivos, cada uno de los cuales introduce cambios cualitativos en la relación entre humanidad y realidad.

Entre los principales umbrales se distinguen:

Umbral corporal-técnico: herramientas, armas y utensilios que amplían la fuerza y la destreza física.
Umbral simbólico: lenguaje, sistemas de signos y escritura, que permiten la transmisión cultural y la memoria colectiva.
Umbral cognitivo-organizacional: matemáticas, ciencia, instituciones y burocracias, que hacen posible la gestión de sociedades complejas.
Umbral digital: computación, redes y virtualización de la información.
Umbral cognitivo-algorítmico: inteligencias artificiales capaces de aprender, reconocer patrones y generar conocimiento.
Umbral cuántico (emergente): nuevos regímenes de información basados en indeterminación y probabilidad.

Estos umbrales no se sustituyen entre sí; se superponen y reconfiguran, generando capas cada vez más complejas de acción y sentido.

De la prótesis física a la prótesis cognitiva activa

Durante gran parte de la historia, las prótesis fueron principalmente extensiones físicas del cuerpo. Sin embargo, con el desarrollo de los sistemas simbólicos y digitales, surgieron prótesis cognitivas orientadas a gestionar la complejidad más que la fuerza.

Las inteligencias artificiales representan un punto de inflexión decisivo. A diferencia de tecnologías anteriores, no se limitan a almacenar información, sino que:

aprenden a partir de datos,
generan lenguaje e imágenes,
simulan escenarios futuros, y
participan en procesos de toma de decisiones.

Esto transforma profundamente la relación entre sujeto, conocimiento y acción, dando lugar a nuevas formas de agencia híbrida entre humanos y máquinas.

Convergencias y arquitecturas sociotécnicas híbridas

El presente histórico se caracteriza por una convergencia acelerada de dominios antes separados: cuerpo y máquina, mente y algoritmo, individuo y red, organización e inteligencia artificial.

Las prótesis contemporáneas ya no operan de forma aislada. Se integran en arquitecturas sociotécnicas híbridas, donde la inteligencia emerge de la interacción entre múltiples agentes humanos y no humanos. En este contexto surgen nuevas formas de coordinación colectiva, producción de conocimiento y diseño de futuros posibles.

Inteligencia distribuida y creación de mundos

Uno de los efectos más relevantes de esta evolución es el paso de la inteligencia individual a la inteligencia distribuida. En este régimen, pensar, decidir y crear ya no son actividades estrictamente personales, sino procesos colectivos mediados por tecnologías complejas.

Las inteligencias artificiales amplían de manera significativa la capacidad humana de creación de mundos: construir modelos de la realidad, simular alternativas, anticipar consecuencias y diseñar escenarios futuros. La llamada Hiperinteligencia no aparece, así, como una entidad autónoma, sino como una propiedad emergente de sistemas híbridos orientados por valores y sentido humano.

El horizonte cuántico: incertidumbre como condición estructural

La posible integración de tecnologías cuánticas introduce un nuevo cambio de paradigma. A diferencia del mundo digital, basado en la discretización y el control, el horizonte cuántico incorpora la indeterminación, la probabilidad y la coexistencia de estados múltiples.

Las futuras prótesis cognitivas cuánticas exigirán una reconfiguración profunda del pensamiento humano, en la que la incertidumbre deje de ser un problema a eliminar y pase a ser una dimensión estructural del conocimiento y la acción.

Riesgos, límites y responsabilidad histórica

Toda ampliación de capacidades conlleva riesgos: dependencia cognitiva, pérdida de habilidades, concentración de poder y ampliación de desigualdades. Por ello, la humanidad aumentada no puede definirse únicamente en términos tecnológicos.

Su desarrollo requiere marcos éticos sólidos, gobernanza inteligente, educación profunda y conciencia histórica. El desafío central no es técnico, sino civilizatorio.

Conclusión: una construcción histórica abierta

La historia de las prótesis muestra que la humanidad aumentada es el resultado de un proceso continuo de coevolución entre humanos y artefactos. Las inteligencias artificiales representan el umbral protésico más avanzado hasta el presente, pero su impacto dependerá de cómo sean orientadas e integradas.

La Hiperinteligencia no es un destino automático, sino una construcción histórica, cultural y ética. De su orientación dependerá si contribuye a la creación de mundos más habitables, justos y sostenibles.

Publicado originalmente en DKV Group.

MIPH: Modelo para la integración productiva de la Hiperinteligencia

Thu, 26 Mar 2026 00:00:00 -0500

Resumen

La expansión acelerada de sistemas de inteligencia artificial cada vez más potentes ha desplazado el debate desde lo técnico hacia lo humano. El Modelo de Integración Productiva de la Hiperinteligencia (MIPH) propone un marco conceptual mínimo pero crítico para comprender cómo convivir con inteligencias que superan ampliamente nuestra capacidad de cálculo sin renunciar al juicio, la responsabilidad y el sentido.

Lejos de buscar la maximización de la inteligencia, el MIPH sostiene que el verdadero desafío consiste en producir humanidad aumentada.

1. Un problema humano, no técnico

La Hiperinteligencia, entendida como la integración de inteligencias artificiales e inteligencia colectiva, no representa, en esencia, un problema de ingeniería. Representa un problema humano. Durante décadas, la integración de inteligencia artificial se entendió como un proceso de acumulación: más datos, más predicción, más optimización. Sin embargo, a medida que las capacidades instrumentales crecieron, emergió una paradoja difícil de ignorar: sabemos hacer cada vez más cosas, pero comprendemos cada vez menos para qué.

El MIPH parte de una tesis deliberadamente sobria pero radical: la integración entre inteligencia artificial y humanidad no debe orientarse a maximizar inteligencia, sino a preservar y ampliar aquello que nos hace humanos. Esto implica reconocer una asimetría fundamental que no puede ser corregida con más tecnología: la inteligencia artificial escala capacidades; el ser humano sostiene el sentido, el juicio y la responsabilidad. Confundir estos planos no es solo un error conceptual, sino un error de carácter civilizatorio.

2. Lo que la inteligencia artificial hace excepcionalmente bien

Para evitar metáforas imprecisas, el MIPH describe la inteligencia artificial no como una “mente”, sino como un conjunto de habilidades cognitivas altamente eficientes. Entre ellas se encuentran la detección de patrones invisibles al ojo humano, la generación de contenidos y escenarios, la optimización de recursos, el aprendizaje a partir de grandes volúmenes de experiencia, la memoria sin olvido, el razonamiento sin fatiga y la ejecución precisa de planes complejos.

Estas capacidades son eminentemente instrumentales. No contienen propósito ni comprensión del sentido de sus acciones. Saben cómo hacer algo cada vez mejor, pero no por qué hacerlo. El problema, por tanto, no reside en su potencia, sino en la tentación humana de delegar en ellas funciones que no les corresponden.

3. Cuando el riesgo proviene del éxito

Contrario a la intuición habitual, los mayores riesgos de la Hiperinteligencia no emergen cuando los sistemas fallan, sino cuando funcionan demasiado bien. La generación infinita de contenido carente de significado, la optimización perfecta de métricas equivocadas, la resolución brillante de problemas mal formulados o la toma de decisiones correctas desde el punto de vista técnico pero vacías de responsabilidad moral son ejemplos de este fenómeno.

El peligro no es que la inteligencia artificial piense mal. El peligro es que, confiando excesivamente en ella, los humanos dejemos de pensar.

4. Las capacidades humanas que no escalan

Frente a la escalabilidad de las capacidades artificiales, el MIPH identifica un conjunto de habilidades humanas irreductibles. No porque sean superiores, sino porque cumplen una función distinta e insustituible. Entre ellas se encuentran el propósito, el juicio ético, la metacognición reflexiva, la capacidad de orquestar delegaciones, la creatividad orientada al significado, la sabiduría práctica (phrónesis), la gobernanza, la empatía auténtica, la agencia personal y el aprendizaje transformacional.

Estas capacidades no compiten con la inteligencia artificial. La dirigen.

5. Cuatro capas para una integración responsable

El MIPH puede comprenderse como una arquitectura de cuatro capas, no técnicas sino responsables. La primera corresponde a la cognición artificial, donde operan las capacidades de la IA. La segunda agrupa las capacidades humanas complementarias, donde se decide el sentido y la legitimidad. La tercera es la orquestación humano–IA, donde se establecen reglas claras de delegación, supervisión e intervención. La cuarta evalúa el impacto sistémico, considerando consecuencias sociales, culturales e institucionales.

La mayoría de los fracasos ocurre cuando se pretende saltar directamente de la capacidad técnica al impacto social, sin fortalecer las capas intermedias que sostienen el juicio humano.

6. Delegar no es abdicar

Uno de los errores más persistentes de la era de la Hiperinteligencia consiste en confundir asistencia con sustitución. Delegar cálculo no equivale a delegar responsabilidad; delegar predicción no implica delegar decisión; delegar eficiencia no significa delegar juicio.

El MIPH no concibe la intervención humana como un gesto simbólico, sino como una exigencia sustantiva: siempre debe existir una cadena clara de responsabilidad humana, toda decisión relevante debe poder explicarse, detenerse o revertirse, y nadie debería poder afirmar honestamente que “no sabe por qué ocurrió algo”.

7. Un marco abierto e intencionalmente incompleto

Este modelo no pretende ser definitivo ni ofrecer garantías absolutas. Su función es más modesta y, a la vez, más exigente: recordar que ninguna inteligencia, por brillante que sea, puede sustituir el ejercicio humano del juicio. En una época obsesionada con automatizar el camino, el MIPH insiste en que el sentido no se optimiza, la responsabilidad no se terceriza y la dirección no se automatiza.

Si este modelo sirve para algo, es para evitar una confusión crítica: la de creer que capacidad equivale a dirección. Las herramientas pueden multiplicar nuestras posibilidades, pero el camino y el destino siguen siendo, irremediablemente, humanos.

Publicado originalmente en DKV Group.

Agentes de Inteligencia Artificial

Wed, 18 Feb 2026 00:00:00 -0500

Resumen

La rápida evolución de la inteligencia artificial está dando lugar a una nueva clase de sistemas: los Agentes de Inteligencia Artificial. A diferencia de los modelos tradicionales, estos agentes no solo analizan información, sino que pueden planificar, actuar y aprender de manera autónoma en entornos complejos. Este artículo presenta una visión clara y accesible del fenómeno desde tres ángulos complementarios: (1) su arquitectura técnica —percepción, planificación, acción y reflexión—; (2) sus casos de uso actuales en industrias clave; y (3) sus implicancias organizacionales y prospectivas.

Como caso contemporáneo, se analiza el modelo Claude Opus 4.6 de Anthropic, destacado por su orientación explícita hacia trabajo agentivo sostenido, coordinación multiagente (“agent teams”) y memoria extendida. Finalmente, el texto sitúa estos avances dentro del tránsito hacia la “Sociedad Cuántica”, entendida como la convergencia progresiva entre inteligencia artificial, computación cuántica y computación fotónica. Se argumenta que este proceso no representa solo una transformación tecnológica, sino un cambio estructural que exige nuevas capacidades humanas, organizacionales e institucionales.

Palabras clave: agentes de IA; autonomía; multiagente; trabajo del conocimiento; Claude Opus 4.6; computación cuántica; computación fotónica; Sociedad Cuántica.

1. Introducción: por qué hablar hoy de agentes de IA

En los últimos años, la inteligencia artificial ha dejado de ser una tecnología experimental para convertirse en una infraestructura crítica de la economía digital. Entre sus desarrollos más significativos se encuentra la emergencia de los Agentes de Inteligencia Artificial, sistemas capaces no solo de analizar información, sino de actuar de manera autónoma en entornos reales.

Este cambio abre interrogantes fundamentales: ¿qué son exactamente los agentes?, ¿qué recursos técnicos les permiten percibir, planificar, ejecutar y aprender?, ¿qué tareas ya están transformando en organizaciones e industrias?, y ¿qué trayectorias futuras se perfilan cuando estos sistemas converjan con infraestructuras computacionales emergentes —incluidas la computación cuántica y la fotónica—? El propósito de este artículo es ofrecer una respuesta clara, documentada y orientada a la acción: comprender el presente para anticipar el umbral que se aproxima.

2. ¿Qué es un Agente de Inteligencia Artificial?

Un Agente de Inteligencia Artificial (AIA) es un sistema capaz de percibir su entorno, tomar decisiones, ejecutar acciones y evaluar sus propios resultados de manera continua. A diferencia de los sistemas tradicionales de IA, un agente no se limita a responder instrucciones: puede iniciar acciones por sí mismo, encadenar tareas complejas y mejorar con el tiempo mediante ciclos de retroalimentación.

Tres rasgos resumen el salto cualitativo: (a) autonomía y adaptabilidad (operación continua y ajuste en tiempo real); (b) encadenamiento de acciones (de una sola solicitud a un flujo completo); y (c) memoria persistente (capacidad de sostener proyectos complejos sin perder continuidad).

3. Arquitectura técnica de los agentes (el ciclo cognitivo)

Los AIA operan mediante un ciclo continuo de percepción, planificación, acción y reflexión, sustentado por una arquitectura de capas que integra software, infraestructura computacional y —de forma progresiva— tecnologías emergentes.

3.1 Percepción

La percepción permite captar información del entorno digital o físico (APIs, bases de datos, documentos, imágenes, audio, video) y convertirla en representaciones procesables, apoyándose en procesamiento de lenguaje natural, visión por computadora y reconocimiento de patrones, además de capas de integración con sistemas empresariales (ERP, CRM, etc.).

3.2 Planificación

La planificación transforma lo percibido en objetivos, estrategias y secuencias de acciones. Aquí intervienen modelos fundacionales y de razonamiento, motores de orquestación (simbólicos e híbridos), grafos de tareas y memoria de corto y largo plazo para sostener coherencia durante la ejecución.

3.3 Acción

La acción es la capacidad de intervenir en el entorno: uso de herramientas externas (ejecución de código, automatización/RPA), APIs y sistemas de control, y una infraestructura de ejecución (nube, contenedores, escalabilidad 24/7). En este punto el agente pasa de asistente a actor operativo.

3.4 Reflexión y aprendizaje

La reflexión evalúa resultados frente a objetivos, detecta errores y optimiza flujos mediante ciclos de retroalimentación. El aprendizaje continuo ajusta modelos, reglas y prioridades, permitiendo que el agente sea adaptativo y evolutivo.

3.5 Infraestructura computacional y convergencia emergente

Actualmente, la base es mayoritariamente clásica (nube, edge, HPC). Sin embargo, se anticipa convergencia con computación cuántica (optimización, planificación avanzada, simulación) y con computación fotónica (aceleración y eficiencia energética), dando lugar a arquitecturas híbridas.

4. Casos de uso actuales (por qué ya importa)

La adopción de agentes de IA está redefiniendo flujos de trabajo y productividad:

finanzas y contabilidad (conciliación y análisis),
servicios y operaciones (soporte y atención),
investigación y monitoreo (rastreo y persistencia de entidades), y
automatización de tareas cotidianas (lectura y síntesis de correos, reportes, digestos).

Estos casos muestran que los agentes ya operan en entornos reales, aunque su escalamiento depende de avances en memoria, planificación sostenida y coordinación multiagente.

5. Caso de estudio: Claude Opus 4.6 como plataforma para trabajo agentivo

El lanzamiento de Claude Opus 4.6 por Anthropic (febrero de 2026) se presenta como un salto en modelos orientados explícitamente a trabajo agentivo sostenido: planificación más cuidadosa, mayor duración de tareas autónomas y mejor capacidad para detectar errores. Además, incorpora una ventana de contexto de 1 millón de tokens (beta), orientada a operar con grandes volúmenes de información y bases de código extensas.

5.1 De modelos conversacionales a sistemas agentivos persistentes

Anthropic describe Opus 4.6 como una actualización de su modelo más avanzado, enfatizando capacidades de planificación, confiabilidad en bases de código grandes y mejora en revisión y depuración para “atrapar” errores. Estas propiedades son decisivas para agentes que deben completar flujos largos sin supervisión constante.

5.2 “Agent teams”: coordinación multiagente

Un rasgo distintivo es la introducción de “agent teams” (equipos de agentes de IA), que permite dividir tareas en subtareas y ejecutarlas en paralelo con coordinación entre agentes, incrementando velocidad y escala organizacional del trabajo digital.

5.3 Memoria extendida y continuidad cognitiva

La ventana de contexto ampliada y los mecanismos de compactación permiten sostener continuidad y operar sobre grandes documentos o conjuntos de información, reforzando la viabilidad de proyectos prolongados (código, análisis, documentación).

5.4 Implicancias

Opus 4.6 ilustra una transición: de IA que “responde” a IA que ejecuta trabajo. Este punto resulta central para comprender el salto de productividad y también los nuevos desafíos de gobernanza, control y responsabilidad en entornos organizacionales.

6. OpenClaw y la gobernanza híbrida de los agentes personales

El caso de OpenClaw muestra otra dinámica relevante: no solo la evolución del modelo, sino la evolución del ecosistema agentivo. Peter Steinberger, creador de OpenClaw, anunció su incorporación a OpenAI y afirmó que OpenClaw se moverá a una fundación y permanecerá “abierto e independiente”.

Diversas coberturas periodísticas señalan, además, que OpenAI ha indicado que OpenClaw “vivirá” como proyecto de código abierto bajo una estructura de fundación con apoyo continuo, mientras Steinberger trabajará en la “siguiente generación de agentes personales”.

Este caso puede describirse con precisión como integración de talento y patrocinio estructural de un proyecto abierto, más que como adquisición clásica, y es relevante porque anticipa modelos de gobernanza híbrida para infraestructuras agentivas.

7. Hacia la Sociedad Cuántica: convergencia con computación cuántica y fotónica

El gran umbral en la evolución de los agentes se perfila en su convergencia con computación cuántica y fotónica. Aunque estas tecnologías se encuentran en etapas tempranas, su integración progresiva anticipa nuevas posibilidades para optimización, planificación avanzada, simulación y eficiencia energética. En el marco propuesto, esta convergencia se asocia con el tránsito hacia la “Sociedad Cuántica”, que no describe solo una fase tecnológica, sino una reconfiguración de capacidades y estructuras.

8. Implicancias para organizaciones y capacidades humanas

Los agentes ya no son únicamente herramientas de apoyo: se aproximan a la figura de actores operativos capaces de ejecutar procesos de principio a fin. Esto exige nuevas competencias: diseño y supervisión de flujos agentivos, gobernanza de datos y herramientas, gestión de riesgos, auditoría de decisiones y ética aplicada a sistemas autónomos. Desde la perspectiva de la Arquitectura de Futuros, los agentes amplifican la necesidad de anticipación: los futuros no “llegan solos”, se construyen desde ahora mediante decisiones técnicas e institucionales.

9. Conclusión: el umbral

Los desarrollos en inteligencia artificial ya están transformando industrias, organizaciones y mercados mediante la emergencia de Agentes de Inteligencia Artificial cada vez más autónomos. La convergencia futura de estos agentes con la computación cuántica y la computación fotónica no constituye un evento tecnológico aislado, sino un cambio civilizatorio. Los futuros posibles no se manifestarán de manera espontánea: están siendo diseñados, negociados y construidos en el presente. Quienes no participen activamente en esta construcción difícilmente podrán influir en el futuro que habitarán.

A quienes deseen avanzar en la preparación personal, organizacional e institucional para estas nuevas realidades, los invitamos a leer nuestro libro El Umbral: arquitectura de futuros, capacidades y competencias para el tránsito a la Sociedad Cuántica, disponible en versiones de e-book y física en Amazon Kindle.

Fuentes

A. Agentes, multiagencia y aprendizaje

Russell, S., y Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.
Wooldridge, M. (2020). An Introduction to MultiAgent Systems. Wiley.
Sutton, R. S., y Barto, A. G. (2018). Reinforcement Learning: An Introduction. MIT Press.
Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford CRFM.
Wei, J., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv.
Yao, S., et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv.

B. Anthropic y Claude Opus 4.6

Anthropic (5 de febrero de 2026). Introducing Claude Opus 4.6.
Ropek, L. (5 de febrero de 2026). Anthropic releases Opus 4.6 with new ‘agent teams’. TechCrunch.
Nuñez, M. (5 de febrero de 2026). Anthropic’s Claude Opus 4.6 brings 1M token context and ‘agent teams’. VentureBeat.
Lardinois, F. (5 de febrero de 2026). Anthropic debuts Opus 4.6 as a step-change for the enterprise. The New Stack.
Capoot, A. (5 de febrero de 2026). Anthropic launches Claude Opus 4.6 as AI moves toward “vibe working”. CNBC.

C. OpenClaw, OpenAI y fundación (gobernanza híbrida)

Steinberger, P. (14–15 de febrero de 2026). OpenClaw, OpenAI and the future. steipete.me.
Reuters (15 de febrero de 2026). OpenClaw founder Steinberger joins OpenAI, open-source bot becomes foundation. Yahoo Finance.
Capoot, A., y Levy, A. (15 de febrero de 2026). OpenClaw creator Peter Steinberger joining OpenAI, Altman says. CNBC.
Ha, A. (15 de febrero de 2026). OpenClaw creator Peter Steinberger joins OpenAI. TechCrunch.
Swain, G. (16 de febrero de 2026). OpenAI hires OpenClaw founder as AI agent race intensifies. Computerworld.

D. Computación cuántica, fotónica y Sociedad Cuántica

Nielsen, M., y Chuang, I. (2010). Quantum Computation and Quantum Information. Cambridge University Press.
Biamonte, J., et al. (2017). Quantum Machine Learning. Nature.
Ben-Shlomi, R. (2025). Photonic computing and the future of AI. World Economic Forum.
Ventocilla Cuadros, E. (2025). El Umbral: arquitectura de futuros, capacidades y competencias para el tránsito a la Sociedad Cuántica. El Buey del Mar / Kindle.

Publicado originalmente en DKV Group.