A finales de 2025, un proyecto de agente de IA de código abierto llamado OpenClaw irrumpió en la escena, atrayendo a millones de visitantes y superando las 100.000 estrellas en GitHub en una sola semana. “Tu asistente, tu máquina, tus reglas”: el eslogan encendió un enorme entusiasmo en las comunidades tecnológicas del Norte Global. Casi simultáneamente, varios gigantes tecnológicos se apresuraron a lanzar sus propios productos de “agentes de IA”, cada uno afirmando revolucionar la naturaleza misma del trabajo del conocimiento. Para los profesionales de la tecnología en el Norte Global, esto puede representar un ciclo más de emocionante iteración técnica; pero para investigadores, dirigentes de movimientos e intelectuales del Sur Global, una pregunta más de fondo exige atención: mientras todos celebran los avances técnicos de los agentes de IA, muy pocos preguntan quién posee y controla estas herramientas, y a qué agenda sirven.

Esta no es una pregunta retórica. Cuando una investigadora del Sur Global usa la interfaz de chat de ChatGPT para asistir su escritura, es una consumidora de IA: consume un producto diseñado por otros, trabaja bajo reglas fijadas por otros, en plataformas propiedad de otros, con datos seleccionados por otros. En principio, puede pegar su metodología en el prompt y guardar el resultado como archivo, pero se trata de soluciones improvisadas, no de capacidades sistémicas. La lógica de comportamiento del sistema permanece opaca para ella, la incorporación de la metodología es ad hoc y frágil, y la acumulación de conocimiento depende enteramente del esfuerzo manual fuera de la plataforma. Cada conversación es una isla; nada se acumula.

Pero si esta investigadora cuenta con un sistema de investigación compuesto por docenas o incluso cientos de agentes —cada uno con responsabilidades y estándares de calidad claramente definidos, capaces de buscar automáticamente en cientos de páginas web, procesar cientos de documentos, analizar según el marco teórico que ella elija y generar informes de investigación con miles de citas—, entonces ya no es una consumidora, sino una constructora. El sistema le pertenece, la metodología es incorporada por ella, el conocimiento acumulado pertenece a su institución, y todo el proceso de investigación es transparente y está bajo su control.

El salto de consumidora a constructora es un paso crítico para que el Sur Global reconquiste la soberanía tecnológica.

El fundamento técnico del que depende este salto se denomina sistema multiagente declarativo. Este artículo aborda tres preguntas de profundidad creciente: ¿qué es exactamente la llamada “IA agéntica”? ¿Cómo se construyen este tipo de sistemas? Y ¿cómo se los combina con el propio trabajo para determinar qué construir? En el artículo anterior de esta serie, propusimos la arquitectura técnica AI4SS (inteligencia artificial para las ciencias sociales) —“un núcleo, tres repositorios, cuatro dominios”—. El sistema multiagente declarativo y su lenguaje de patrones POMASA, tema de este artículo, constituyen precisamente ese “núcleo”: el entorno de ejecución inteligente, el motor que impulsa todo el sistema AI4SS. El propósito del sistema es analítico: busca, verifica, razona y sintetiza. Que sus resultados adopten la forma de texto es consecuencia de su método, no su objetivo. POMASA no es en sí mismo un sistema multiagente: es una guía de construcción para edificar uno —un conjunto de patrones arquitectónicos verificados que indican qué construir, mientras que el entorno de ejecución inteligente determina cómo.

Esto no es especulación teórica. El proyecto Global South Insights (GSI) del Instituto Tricontinental de Investigación Social ya ha construido y opera decenas de sistemas multiagente declarativos, el más grande y complejo de los cuales —el Sistema de Producción de Investigaciones— comprende varios cientos de agentes declarativos. Lo que sigue se basa en nuestra propia experiencia.

1. Una nueva forma de software: el sistema multiagente declarativo

Cuando se habla de “IA agéntica”, el término suele estar envuelto en una neblina de exageración comercial. Una vez disipada esa neblina, lo que emerge es una realidad de ingeniería directa: un sistema multiagente (MAS, por sus siglas en inglés) es, en esencia, una forma de software —no magia, ni el atisbo embrionario de una inteligencia general, sino una nueva forma de software con un marco conceptual, unos principios arquitectónicos y una metodología de ingeniería claros. Comprender este punto es el punto de partida para devolver la IA de la exageración a la realidad material.

1.1 De prompts largos a sistemas multiagente: por qué el MAS es necesario

Consideremos a una investigadora que intenta usar IA para una tarea de investigación compleja. Podría escribir un prompt extenso, embutiendo definiciones de roles, métodos de investigación, marcos teóricos, formatos de salida y estándares de calidad en un solo bloque de texto. A medida que la tarea se vuelve más compleja, este prompt crece hasta las 30.000 o incluso 50.000 palabras, y entonces surgen tres problemas estructurales imposibles de evitar.

Primero, la dilución de la atención. Incluso sin exceder la ventana de contexto del modelo, los modelos de lenguaje de gran escala (LLM) enfrentados a prompts extensos y cargados de detalles simplificarán su ejecución de manera autónoma, ignorando detalles que consideren irrelevantes, lo cual vuelve impredecible la calidad del resultado. Segundo, la ausencia de aislamiento modular. Aunque la autora divida mentalmente el prompt en “paso uno, paso dos”, todo el contenido se carga en un único contexto, y modificar una sección puede afectar inesperadamente a otra —de forma similar a escribir todo el código en una sola función enorme: aunque se divida por comentarios en secciones, sigue siendo un monolito—. Tercero, el mantenimiento se vuelve intratable. Sin un paso de parámetros flexible ni un control dinámico del proceso, modificar una guía de estilo exige recargar el prompt completo de 30.000 palabras.

Estos no son problemas hipotéticos. Cualquier investigadora que haya intentado codificar un marco analítico completo —definiciones de roles, jerarquías de fuentes, compromisos epistemológicos, estándares de citas, guías de estilo— en una sola conversación de IA se ha topado exactamente con esto: la IA empieza a ignorar los estándares de citas; modificar el marco analítico desestabiliza el formato de salida; cada nueva conversación requiere recargar todo desde cero. La especificación de conocimiento cuidadosamente diseñada ha desbordado el contenedor de la conversación única.

Para quienes tienen experiencia en ingeniería de software, este dilema resulta familiar. Un prompt largo es, en esencia, concatenación de texto —definiciones de roles, metodologías, guías de estilo y otros componentes cosidos en un solo bloque enorme y entregados a la IA en su totalidad—. Es como leerle a alguien en voz alta, de principio a fin, un manual de operaciones completo y esperar luego que ejecute cada tarea de memoria. La ingeniería de software atravesó esta misma etapa en sus primeras décadas —todo el código escrito en un solo archivo— y, a partir de la revolución de la programación estructurada de finales de la década de 1960, pasó décadas evolucionando hacia la arquitectura modular actual: cada módulo cumple una función distinta, puede iniciarse y detenerse de forma independiente, y colabora a través de interfaces claramente definidas. La ingeniería de prompts actual sigue estancada en la etapa de “todo en una sola olla”, y lo que buscan los sistemas multiagente es precisamente completar el recorrido que la ingeniería de software ya ha realizado: dar a cada módulo un ciclo de vida independiente y límites claramente definidos.

La solución: en lugar de confiar todo a una sola conversación con la IA, descomponer una tarea grande en múltiples agentes —cada agente es una unidad de trabajo de IA independiente, dedicada a una tarea específica (como “recopilar literatura sobre un tema dado” o “escribir un análisis según un marco especificado”)—. Varios agentes, cada uno responsable de su propio rol y trabajando de manera coordinada, constituyen un sistema multiagente.

1.2 Conceptos centrales del MAS

Comprender cómo funcionan los sistemas multiagente requiere asimilar cinco conceptos centrales.

El plano de agente (blueprint, en la terminología original de POMASA) es un documento de definición en tiempo de diseño. Es un archivo de texto escrito en lenguaje natural —el formato más común es Markdown (una sintaxis de formato ligera ampliamente usada para redactar documentos), aunque incluso un archivo de texto plano sirve— que describe lo que un agente debe hacer: definición de rol, especificación de entradas, descripción de la tarea, especificación de salidas y estándares de calidad. Un plano de agente es para un agente lo que un plano arquitectónico es para un edificio: el plano no es el edificio en sí, sino una descripción completa de este.

La instancia de agente es una entidad de ejecución en tiempo de ejecución. Cuando se “lanza” un plano, el sistema crea una instancia con su propia ventana de contexto independiente; esta comprende la tarea, ejecuta operaciones y produce resultados dentro de su propio espacio. Un solo plano puede lanzar varias instancias simultáneamente —tal como un mismo conjunto de planos puede usarse para construir muchos edificios de estructura idéntica.

El entorno de ejecución (runtime environment) es la plataforma de IA que ejecuta a los agentes. Sin embargo, a diferencia de los entornos de ejecución de programas tradicionales, un entorno de ejecución de IA (como Claude Code) no es un ejecutor pasivo de instrucciones, sino un entorno de ejecución inteligente: puede comprender intenciones expresadas en lenguaje natural, seleccionar de forma autónoma estrategias de ejecución y emitir juicios y ajustes cuando surgen problemas. Un entorno de ejecución tradicional ejecuta mecánicamente secuencias de instrucciones; un entorno de ejecución inteligente comprende la intención y elige inteligentemente el método de ejecución.

El bus de datos es el canal a través del cual los agentes se pasan datos entre sí; en la implementación más común actualmente, esto es simplemente el sistema de archivos. El Agente A escribe su salida en un directorio designado; el Agente B lee de ese directorio como entrada. Este diseño aparentemente de “baja tecnología” encarna una consideración profunda: todos los productos intermedios son archivos que los humanos pueden leer directamente —completos, transparentes y trazables—.

Los datos de referencia son conocimiento de dominio externalizado: documentos metodológicos, marcos teóricos, estándares disciplinarios, ontologías de dominio, y así sucesivamente. Por ejemplo, GSI mantiene un documento de referencia sobre los fundamentos de la teoría marxista que se comparte entre múltiples sistemas como línea de base analítica común (un futuro artículo de esta serie examinará este documento de referencia en detalle). Compartidos por todos los agentes, pero invariantes entre tareas, los datos de referencia constituyen el fundamento de conocimiento de un MAS y el vehículo de los activos de conocimiento institucional.

En la práctica, cada uno de estos cinco conceptos se corresponde con actividades de investigación concretas. Los planos de agente son archivos Markdown que describen tareas como “recopilar y verificar datos fiscales sobre el sector extractivo de un país” o “analizar impactos distributivos usando un marco epistemológico declarado”. Las instancias de agente son las sesiones de trabajo individuales de IA lanzadas a partir de esos planos: una instancia recopila datos sobre contratos de gas natural, otra recopila simultáneamente datos sobre regalías mineras. El entorno de ejecución es la plataforma de IA inteligente que ejecuta estos agentes. El bus de datos es un conjunto de carpetas —una que contiene datos verificados, otra que contiene análisis temáticos, una tercera que contiene borradores de secciones—, cada una legible e inspeccionable en cualquier momento. Y los datos de referencia comprenden los activos de conocimiento institucional reunidos por el equipo de investigación: documentos de marco epistemológico, guías metodológicas, estándares de estilo y las fuentes primarias que fundamentan el trabajo de cada agente.

1.3 Declarativo frente a imperativo: por qué el enfoque declarativo es más avanzado

Existen dos enfoques fundamentalmente distintos para construir sistemas multiagente.

El enfoque imperativo fue el método dominante en los marcos anteriores a 2025 (como LangChain y AutoGen): el comportamiento del agente se define mediante código Python, código que controla cómo actúa el agente. Este enfoque requiere programadores, impone una barrera de entrada alta, exige una cantidad considerable de código y hace compleja la depuración.

El enfoque declarativo es un paradigma nuevo: el comportamiento del agente se define mediante documentos en lenguaje natural que describen qué propiedades debe poseer el resultado, delegando el cómo al entorno de ejecución inteligente para que lo determine de manera autónoma en tiempo de ejecución. Tras el lanzamiento por parte de Anthropic de Claude Code en 2025, el método declarativo se convirtió rápidamente en el enfoque predominante, porque Claude Code, como entorno de ejecución inteligente, admite de forma nativa el lanzamiento y la gestión de subagentes mediante planos en lenguaje natural, lo que hace que los marcos imperativos dejen de ser un prerrequisito para construir sistemas multiagente.

Esta distinción no es una cuestión de preferencia estilística, sino de elección arquitectónica, y su esencia radica en postergar las decisiones del tiempo de diseño al tiempo de ejecución. Un sistema imperativo determina, en el momento en que el desarrollador escribe el código, cómo manejar una situación dada; un sistema declarativo describe únicamente cómo debería verse el resultado, delegando las estrategias de ejecución concretas al entorno de ejecución inteligente para que las determine de manera autónoma al enfrentar las condiciones reales. Esto no es pereza, sino el reconocimiento de un hecho material: en el momento del diseño, la desarrolladora posee mucha menos información de la que tendrá el sistema de IA en tiempo de ejecución. Tal como un arquitecto no debería anotar en los planos “si mañana llueve, usar el plan B”, sino delegar los ajustes tácticos al equipo de construcción inteligente en el terreno.

La diferencia práctica es marcada. Bajo el enfoque imperativo, una investigadora necesitaría a un programador que escribiera código Python especificando, paso a paso, cómo buscar datos, cómo interpretar los resultados, cómo manejar un enlace roto o un PDF que falla al descargarse. Bajo el enfoque declarativo, una investigadora escribe un plano en lenguaje llano que dice: “Recopilar datos fiscales sobre el sector extractivo entre 2015 y 2025, priorizando documentos presupuestarios gubernamentales, informes de conciliación y consultas del Artículo IV del FMI; verificar cada cifra contra al menos dos fuentes independientes; señalar cualquier discrepancia superior al 5%”. Describe cómo debería lucir el resultado; el entorno de ejecución inteligente determina cómo lograrlo. La barrera entre la investigadora y un sistema funcional ya no es el código: es la claridad de su propia especificación.

La evidencia cuantitativa proveniente de la práctica respalda esta elección. La práctica a gran escala de PayPal en 2025 encontró que el enfoque declarativo redujo el tiempo de desarrollo en un 60%, triplicó la velocidad de despliegue y disminuyó el tamaño de los planos de agente en un orden de magnitud. Los ingenieros de PayPal concluyeron: “La mayoría de los flujos de trabajo agénticos se componen de patrones comunes —serialización de datos, filtrado, generación aumentada por recuperación, orquestación de API— que pueden expresarse mediante un lenguaje declarativo unificado en lugar de requerir código imperativo”.

La historia ofrece el mejor marco para comprender esta transformación. Del lenguaje ensamblador a los lenguajes de alto nivel, de la programación procedimental a las consultas declarativas de SQL, del despliegue manual a la “infraestructura como código”: cada elevación en el nivel de abstracción ha expandido dramáticamente la frontera de quién puede participar. El sistema multiagente declarativo es el hito más reciente en esta línea evolutiva: reduce el umbral para “construir sistemas de IA” de “saber escribir código” a “saber describir un problema”.

Esto significa: quien construye ya no necesita ser programador.

Lo que se necesita para construir es conocimiento de dominio: la capacidad de comprender problemas y de articular con claridad “lo que necesito”. Para las investigadoras y dirigentes de movimientos del Sur Global, esta transformación conlleva una implicación decisiva: ya no es necesario depender de ingenieros de software para construir las propias herramientas de IA.

2. Cualquiera puede construir: el lenguaje de patrones como guía de construcción

El sistema multiagente declarativo reduce el umbral de quién puede construir, pero cómo construir bien aún requiere buenas prácticas. Alguien que construya sin experiencia, enfrentando una página en blanco, sigue sin saber por dónde empezar, cuántos agentes definir, cómo deben colaborar entre sí o cómo asegurar la calidad. El lenguaje de patrones existe precisamente para resolver este problema.

2.1 De “saber programar” a “saber describir”: una nueva forma de empoderamiento

La liberación central del sistema multiagente declarativo radica en esto: lo que se necesita para construir no es escribir código, sino escribir documentos. Un plano de agente es un archivo Markdown que contiene definiciones de roles, especificaciones de entrada, descripciones de tareas, especificaciones de salida y estándares de calidad. Modificar el comportamiento de un agente significa modificar un pasaje de texto: sin compilación, sin despliegue, sin depuración.

Esto significa que las expertas de dominio pueden participar directamente en la definición y modificación del sistema. Una economista política puede leer un plano de agente, comprender qué hace, y modificar su marco analítico —en el lenguaje natural que domina, en lugar de en Python, que no conoce—. La metodología de investigación puede traducirse directamente en comportamiento del sistema.

Esto tiene una importancia particular para el Sur Global. Bajo el modelo tradicional de desarrollo de IA, las investigadoras deben “traducir” sus requerimientos para ingenieros de software, quienes luego los implementan en código. En ese proceso de traducción, la intención inevitablemente se distorsiona y se simplifica. El sistema declarativo elimina este paso de traducción: quien investiga construye el sistema.

2.2 Lenguaje de patrones: mejores prácticas ejecutables

Pero la libertad no produce excelencia automáticamente. Lxs nuevxs constructorxs aún necesitan saber “cómo se ve un buen sistema”.

El lenguaje de patrones es la respuesta clásica a esta pregunta. Tiene su origen en la arquitectura —Christopher Alexander propuso en su obra seminal de la década de 1970, A Pattern Language [Un lenguaje de patrones], un conjunto de patrones de diseño verificados por la práctica, cada uno resolviendo un problema de diseño recurrente, formando los patrones una red orgánica de relaciones que en conjunto guían a lxs constructorxs en la creación de obras de alta calidad.

Consideremos uno de los ejemplos originales de Alexander: el patrón n.° 159, “Luz en dos lados de cada habitación”. Alexander observó que, cuando las personas pueden elegir, siempre se inclinan hacia habitaciones con ventanas en dos lados, mientras que las habitaciones con una sola ventana quedan desatendidas —porque la iluminación unilateral genera contrastes y deslumbramientos agudos que instintivamente producen incomodidad—. La orientación del patrón es entonces: al distribuir cada habitación, asegurar que tenga muros exteriores en al menos dos lados donde puedan colocarse ventanas, permitiendo que la luz natural entre desde más de una dirección. Esto es un “patrón”: identifica un problema recurrente (la iluminación unilateral produce incomodidad), ofrece un principio de solución verificado (luz en dos lados) y no prescribe métodos de construcción específicos. La ingeniería de software importó con éxito este pensamiento en la década de 1990: los patrones de diseño de la Banda de los Cuatro siguen siendo lectura obligatoria para todo programador.

POMASA es un lenguaje de patrones que hereda esta tradición de Alexander. Consideremos uno de los ejemplos de POMASA: el patrón STR-02, “Bus de datos del sistema de archivos”. Cuando múltiples agentes colaboran, una pregunta central es: ¿cómo se transmiten información entre sí? Podría usarse una base de datos, una cola de mensajes o diversas soluciones técnicas sofisticadas, pero entonces los resultados intermedios se vuelven invisibles para los humanos, encerrados dentro de los mecanismos internos del sistema. Este patrón ofrece el principio: usar el mecanismo más simple posible: archivos y carpetas. El Agente A escribe su salida como un archivo en un directorio designado; el Agente B lee de ese directorio como entrada. Todos los productos intermedios son documentos que un humano puede abrir y leer directamente. Si algo sale mal en cualquier etapa, abrir la carpeta correspondiente revela exactamente lo que produjo cada agente: no hay caja negra.

En la era de la IA, el lenguaje de patrones sufre una transformación crítica. Los lenguajes de patrones tradicionales estaban escritos para que los humanos los leyeran: los humanos comprendían el patrón y luego lo traducían ellos mismos a código. Pero en un entorno de ejecución inteligente, el propio lenguaje de patrones está escrito en lenguaje natural, y el entorno de ejecución de IA puede comprender el lenguaje natural; por lo tanto, el propio lenguaje de patrones se vuelve ejecutable. Se le puede entregar un conjunto de patrones a un sistema de IA, y este puede generar directamente a partir de ellos un sistema multiagente funcional.

Esto redefine lo que significa “código abierto”. El código abierto tradicional significaba publicar código para que otros lo ejecutaran.

En la era de la IA, publicar un lenguaje de patrones equivale a publicar código fuente, porque otros pueden entregar los patrones a un sistema de IA y reconstruir una arquitectura equivalente.

2.3 POMASA: nuestro lenguaje de patrones

POMASA (Pattern-Oriented Multi-Agent System Architecture, arquitectura de sistemas multiagente orientada a patrones) es precisamente ese lenguaje de patrones. No es un sistema de software específico, sino un conjunto de patrones arquitectónicos refinados a partir de la práctica y verificados mediante su despliegue.

POMASA comprende 20 patrones en cuatro categorías:

– Patrones centrales (COR, 2 patrones): Agente Definido por Prompt (COR-01) y Entorno de Ejecución Inteligente (COR-02): la base de todo lo demás. – Patrones estructurales (STR, 9 patrones): Configuración de Datos de Referencia, Bus de Datos del Sistema de Archivos, Aislamiento del Espacio de Trabajo, Diseño de Agentes Orientado al Negocio, Ensamblaje Componible de Documentos, Guía Metodológica, y otros: definen el esqueleto del sistema. – Patrones de comportamiento (BHV, 6 patrones): Flujo de Trabajo Orquestado de Agentes, Instanciación Fiel del Plano, Ejecución Paralela de Instancias, Refinamiento Progresivo de Datos, y otros: definen cómo opera el sistema. – Patrones de calidad (QUA, 3 patrones): Estándares de Calidad Incorporados, Aseguramiento de Calidad por Capas, Linaje de Datos Verificable: definen cómo el sistema garantiza la fiabilidad.

Panorama de la arquitectura POMASA: desde la definición del plano hasta la ejecución en el entorno de ejecución inteligente, conectados a través del bus de datos del sistema de archivos

Cada patrón se clasifica por necesidad en tres niveles: Obligatorio, Recomendado y Opcional. La configuración mínima viable requiere solo seis patrones obligatorios para empezar; diez patrones recomendados cubren la mayoría de los escenarios; patrones opcionales adicionales pueden introducirse progresivamente según las necesidades reales.

Este lenguaje de patrones no se diseñó de manera abstracta. Se refinó a partir de sistemas de producción reales, comenzando con 5 patrones y creciendo gradualmente hasta 20 a través de la construcción repetida de sistemas y la resolución de fallos. Cada patrón corresponde a un error cometido alguna vez o a un desafío de diseño enfrentado de manera repetida.

2.4 Cómo empezar en tres pasos

POMASA no es un ejercicio de sillón. Si desea probarlo ahora, solo se requieren tres pasos.

El prerrequisito es un entorno de ejecución inteligente que admita la invocación de subagentes —como Claude Code, Cursor o Cline—. Después de instalar el entorno de ejecución de su elección, ejecute `npx skills add eXtremeProgramming-cn/pomasa` en la línea de comandos para instalar la skill de POMASA (este comando es compatible con todos los entornos de ejecución mencionados). Luego, describa en lenguaje natural lo que desea investigar —por ejemplo: “Ayúdame a crear un sistema de investigación multiagente para analizar las políticas de economía digital en el Sudeste Asiático”—. La IA la guiará en el refinamiento de sus requerimientos, recomendará una combinación adecuada de patrones según su descripción y luego generará automáticamente el conjunto completo de archivos del sistema.

No se requiere una sola línea de código en todo el proceso. El sistema generado es un conjunto de archivos Markdown: planos de agente que se pueden leer, comprender y modificar. POMASA en sí es de código abierto bajo la licencia Apache-2.0. Además, esto no es una pieza de demostración: es el mismo lenguaje de patrones que GSI usa en su trabajo cotidiano.

2.5 Experiencia de GSI: el Sistema de Producción de Investigaciones en la práctica

El Sistema de Producción de Investigaciones (RPS, por sus siglas en inglés) de GSI es la validación más exhaustiva de POMASA en la práctica. RPS comprende varios cientos de agentes declarativos y cientos de puertas de calidad, la abrumadora mayoría de ellas bloqueantes: 100% declarativo, sin una sola línea de código de orquestación en Python. Cada agente es un archivo Markdown.

Uno de los productos insignia de RPS es el Informe de Coyuntura de País: un estudio sistemático de la situación político-económica de distintos países. Tomando como ejemplo el informe sobre un país africano, este informe pasó por un flujo de trabajo de múltiples etapas —desde la adquisición e ingesta de literatura, el análisis de coyuntura, la planificación de la investigación, la investigación profunda (con múltiples temas por lote y varios agentes trabajando en paralelo), la redacción integral, la revisión de calidad, la preparación para la publicación, hasta la generación de resúmenes—. Todo el proceso manejó más de 100 documentos de entrada a lo largo de decenas de temas de investigación y produjo un informe integral que contenía miles de citas. El sistema se completó en cuestión de días. Completar un informe de coyuntura de país de calidad equivalente mediante métodos tradicionales requeriría de seis a doce meses. La ganancia de eficiencia asciende a entre 100 y 200 veces.

Pero la eficiencia no es la única medida. El aseguramiento de calidad es la pregunta central que todo MAS declarativo debe responder, porque los sistemas de IA “alucinan” (la investigación ha demostrado que más de la mitad de las citas académicas generadas por ChatGPT son fabricadas, e incluso GPT-4 sigue exhibiendo una tasa de fabricación del 18%). RPS aborda esto mediante cientos de puertas de calidad y decenas de pares productor-validador: el agente que genera contenido no puede revisar su propia salida; la validación debe realizarla de manera independiente un agente separado, comenzando desde cero. El sistema también incorpora un proceso de verificación de hechos en múltiples capas con precisión a nivel de carácter: en un informe de investigación completado, cientos de notas al final lograron cero citas fabricadas. En una evaluación externa, el sistema obtuvo una puntuación alta, con la dimensión de aseguramiento de calidad recibiendo puntuación perfecta y el sistema evaluado como “un sistema listo para producción con innovación significativa”.

Esto no es teoría. Es un sistema de producción ya en funcionamiento, que genera resultados de investigación reales.

3. Un ejemplo concreto: de una frase a un informe de investigación

Las dos secciones anteriores expusieron los principios del MAS declarativo y el sistema de patrones de POMASA, pero lxs lectorxs bien podrían preguntar: ¿cómo se ve todo esto en la práctica? Recorramos el proceso completo, desde un único párrafo de requerimientos hasta un informe de investigación terminado que contiene 85 citas.

Un lector que había estado siguiendo la competencia tecnológica entre Estados Unidos y China se topó con siete artículos sobre el tema en internet, que abarcaban la guerra de los chips, la disputa por tierras raras, la energía renovable y la política arancelaria. Cada artículo abordaba una faceta distinta del asunto, pero él quería una visión de conjunto que reuniera estos análisis dispersos, ayudándolo a comprender sistemáticamente el complejo panorama. Su requerimiento central, introducido en la plantilla de entrada de usuario de POMASA, ocupaba un solo párrafo: “La guerra tecnológica de chips entre EE. UU. y China: abarcando chips, IA, robótica, energía, tierras raras y cuestiones relacionadas con la cadena de suministro. Reunir todo esto y complementarlo con un análisis completo de la cadena de suministro, incluyendo la fortaleza manufacturera de China y su ascendencia en la cadena de suministro en áreas adyacentes como vehículos eléctricos, baterías, paneles solares y herramientas de precisión”. Proporcionó los siete artículos al sistema como material de referencia.

Introdujo este requerimiento en el generador de POMASA. El generador lo guió a través de varios parámetros clave: preferencias de fuentes de datos (prioridad a documentos de políticas públicas, investigación revisada por pares e informes sectoriales confiables, con atención a fuentes no anglófonas, particularmente chinas); formato de salida (panorama de investigación, de 5.000 a 10.000 palabras); y nivel de aseguramiento de calidad (el nivel más estricto disponible). El generador luego seleccionó automáticamente 13 de los 20 patrones disponibles y produjo un sistema de investigación multiagente completo —siete planos de agente, un conjunto completo de datos de referencia, documentos metodológicos y una estructura de directorios—, todo compuesto por archivos de texto legibles y modificables.

El sistema generado opera como un flujo de trabajo de ocho etapas. El arquitecto narrativo lee los siete artículos de referencia y diseña la estructura narrativa junto con un plan de investigación detallado. Se asignan *investigadores especializados por tema y se ejecutan en paralelo: para cada tema un lanza una instancia de agente independiente que recopila materiales de internet—. El verificador de datos revisa cada dato recopilado de manera individual: no una muestra, sino verificación al 100%, un requisito obligatorio de los patrones de calidad de POMASA. Los agentes analistas destilan argumentos a partir de los materiales verificados, organizados por tema. Los agentes redactores de sección redactan cada sección de acuerdo con la guía de estilo designada. Finalmente, el agente auditor de calidad, operando como un rol independiente, realiza una revisión integral desde cero.

Desde completar la plantilla de entrada de usuario hasta generar el sistema multiagente completo tomó aproximadamente media hora. El sistema luego se ejecutó —investigación profunda, verificación de datos, análisis, redacción y auditoría de calidad— durante varias horas, investigando en el proceso cientos de fuentes verificadas de internet. El resultado final fue un informe titulado “Rompiendo el cerco: el ascenso tecnológico de China y el desmoronamiento de la hegemonía tecnológica estadounidense”. Con más de 11.000 palabras y 85 citas en línea con URL, cubría las sanciones a los semiconductores y los avances autóctonos, la competencia en chips de IA, las contramedidas sobre tierras raras, el dominio en energía renovable, la manufactura automatizada de “fábricas oscuras” y las implicaciones para el Sur Global. La auditoría de calidad obtuvo una puntuación alta, con la argumentación y la perspectiva del Sur Global recibiendo ambas puntuación perfecta. El auditor simultáneamente produjo una lista concreta de revisiones —identificando áreas de mejora y citas que requerían verificación cruzada adicional—, al tiempo que evaluaba el análisis central como “listo para publicación”.

Lo que importa es el patrón, no el caso particular. El mismo proceso se aplica ya sea que el dominio sea la competencia tecnológica, las industrias extractivas en África Oriental, la reforma agraria en Asia Meridional o las condiciones laborales en América Central. Los requerimientos cambian; el conocimiento de dominio cambia; la arquitectura del sistema permanece igual: entran requerimientos, sale un sistema, se produce investigación, con cada paso trazable.

Este no fue un resultado impecable —el propósito mismo de una auditoría de calidad es identificar deficiencias—. Los juicios finales, los refinamientos y las revisiones estructurales aún requieren la participación humana; este es el significado práctico del Humano en el Bucle. Lo que merece atención, sin embargo, es el proceso mismo: el párrafo único de requerimientos de un lector y siete artículos de referencia, combinados con el sistema de patrones de POMASA y sin ninguna programación, generaron un sistema de investigación completo que produjo de manera autónoma un informe sustancial con extensas citas trazables. Este es precisamente el salto de solo consumidorxs a constructorxs descrito al inicio de este artículo, no una metáfora, sino un hecho que hemos presenciado de primera mano.

4. Qué construir: un diseño guiado por la naturaleza de la tarea

“Cómo construir” es una pregunta técnica; “qué construir” es una pregunta estratégica. Un error común es este: una vez que se tiene el sistema multiagente declarativo como martillo, toda tarea comienza a parecer un clavo. Tareas de naturaleza fundamentalmente distinta requieren diseños de sistema fundamentalmente distintos. La búsqueda ciega de la automatización total es la trampa más común y más peligrosa.

4.1 El marco Cynefin: comprender la naturaleza de las tareas

El marco Cynefin de Dave Snowden ofrece una herramienta de decisión para juzgar “qué tipo de MAS conviene a esta tarea”. Clasifica las tareas según la claridad de sus relaciones causales en cuatro dominios:

Marco Cynefin

El dominio Simple —las relaciones causales son transparentes y el camino es conocido—. Los ejemplos incluyen descargas masivas de archivos, conversiones de formato y limpieza de datos. Estas tareas son adecuadas para flujos de trabajo completamente automatizados que no requieren intervención humana.

El dominio Complicado —las relaciones causales existen pero requieren juicio experto, y los marcos analíticos pueden determinarse de antemano—. Un ejemplo es realizar evaluaciones de países según un sistema de indicadores establecido. Estas tareas son adecuadas para flujos de trabajo analíticos paralelizables: múltiples agentes recopilan y analizan datos simultáneamente a lo largo de distintas dimensiones, y luego consolidan los resultados.

El dominio Caótico —la información requerida no existe en ninguna fuente de datos accesible y debe crearse mediante la acción humana—. Un ejemplo es el trabajo de campo realizado en fábricas y comunidades para recopilar materiales primarios: información que no existe en internet, no tiene registro de archivo y está fuera del alcance de la IA. En estas tareas, la IA solo puede servir como herramienta auxiliar para trabajo mecánico, como transcripción, organización de notas y recuperación de material de contexto.

La mayoría de los proyectos de investigación reales abarcan los cuatro dominios simultáneamente, y reconocer esto es esencial para diseñar un sistema efectivo. Consideremos un estudio sobre por qué la riqueza extractiva no ha producido un desarrollo de base amplia en un país dado. Traducir documentos presupuestarios gubernamentales y limpiar conjuntos de datos fiscales son tareas del dominio Simple: totalmente automatizables. Recopilar y analizar datos de ingresos extractivos a lo largo de dimensiones establecidas (tasas de regalías, recaudación de impuestos corporativos, términos de reparto de producción) es una tarea del dominio Complicado: los agentes pueden trabajar en paralelo por producto básico usando un marco analítico predeterminado. Pero la pregunta analítica central —identificar la configuración específica de fuerzas de clase, relaciones Estado-capital y presiones financieras internacionales que producen ese resultado— pertenece al dominio Complejo: requiere el propio juicio político-económico de la investigadora, algo que la IA no puede suministrar. Y las experiencias de las comunidades desplazadas por operaciones mineras —la ira, las promesas incumplidas, las dinámicas políticas locales— pertenecen al dominio Caótico, accesibles solo mediante trabajo de campo que ningún sistema de IA puede realizar. Un sistema bien diseñado automatiza los dos primeros dominios, estructura una colaboración iterativa humano-máquina para el tercero y limita el papel de la IA en el cuarto a la transcripción y la recuperación de contexto.

Un simple “árbol de decisión de tres preguntas” puede ayudar a hacer la determinación: ¿la información necesaria para completar esta tarea ya existe? (No: dominio Caótico). ¿El camino analítico de la información a las conclusiones es claro? (No: dominio Complejo). ¿Requiere juicio de nivel experto? (Sí: dominio Complicado; No: dominio Simple).

4.2 Degradación de dominio: la evolución del proceso de investigación

El conocimiento más profundo que revela el marco Cynefin es este: el propio proceso de investigación es una progresión desde lo Caótico/Complejo hacia lo Complicado/Simple.

Un proyecto de investigación típicamente comienza en lo Caótico o Complejo: hay incertidumbre sobre qué estudiar, qué marco emplear o por dónde empezar. A medida que se profundiza la comprensión, la incorporación de marcos humanos degrada las tareas Complejas a Complicadas: una vez que se establecen las dimensiones analíticas y los criterios de evaluación, lo que queda es recopilación y análisis estructurado de datos, algo que la IA puede realizar de manera eficiente. A medida que maduran los métodos, las tareas Complicadas se degradan aún más hacia lo Simple: los procesos de evaluación se codifican y pueden repetirse de manera totalmente automatizada.

Un sistema multiagente bien diseñado debería sustentar esta evolución, incrementando progresivamente el grado de automatización a medida que se profundiza la comprensión. Esta es también la advertencia de diseño más importante: no forzar la automatización de toda tarea. Forzar la automatización en tareas de los dominios Complejo o Caótico habitualmente produce grandes volúmenes de contenido superficial y sin profundidad analítica. Reconocer los límites de la IA es tan importante como reconocer sus capacidades.

4.3 La práctica de GSI: configuraciones distintas para tareas distintas

Los sistemas reales de GSI encarnan configuraciones distintas para cada uno de estos cuatro dominios.

Dominio Simple: el flujo de trabajo totalmente automatizado. Una investigadora tiene un lote de documentos en un idioma que no puede leer y necesita traducirlos a uno que sí conoce. Esta tarea antes requería traductores profesionales; ahora puede confiarse por completo a la IA: las entradas están definidas, las reglas de procesamiento están estandarizadas, el formato de salida es claro. Las características de estas tareas son: las ubicaciones de la información son conocidas, las rutas de recuperación son claras, los métodos de procesamiento están estandarizados; pueden confiarse por completo a la IA para su finalización automatizada.

Dominio Complicado: el flujo de trabajo analítico paralelizable. La evaluación del Índice de Soberanía Digital (DSI, por sus siglas en inglés) es el caso representativo de este dominio. El marco de evaluación abarca 4 dimensiones y 16 indicadores, desarrollados en miles de criterios de evaluación. Para cada país, el sistema recopila cientos de piezas de evidencia sin procesar, que se filtran mediante deduplicación y controles de calidad para producir elementos de alta calidad. El flujo de trabajo completo produce un informe de evaluación estructurado en cuestión de horas: se han completado evaluaciones para los once países de los BRICS. Las características de estas tareas son: el marco analítico ya está establecido (diseñado de antemano por expertos humanos), y lo que resta es recopilación y análisis de datos estructurados a gran escala, algo que la IA puede realizar de manera eficiente en paralelo.

Dominio Complejo: colaboración iterativa humano-máquina. Los estudios de coyuntura de país del RPS representan este dominio. El sistema emplea un marco analítico universal de 19 dimensiones (que abarca los fundamentos materiales, las fuerzas de clase y el análisis de contradicciones), pero al aplicar este marco a un país específico, el paso crítico es la “contextualización”: identificar las contradicciones principales específicas de ese país, algo que la IA no puede lograr automáticamente. Tomemos como ejemplo a Sudáfrica: sin comprender el legado histórico del colonialismo de asentamiento, sin comprender cómo las dinámicas raciales han moldeado la forma particular de las contradicciones de clase en el país, la IA puede recopilar toda la información que quiera y aun así perderse por completo el punto esencial. Estas tareas exigen colaboración humano-máquina: la IA procesa miles de fuentes de material y produce docenas de informes de investigación temáticos; el humano, sobre esta base, aporta juicios analíticos críticos (como determinar que Sudáfrica requiere agregar “el legado del colonialismo de asentamiento” como dimensión analítica específica del país); la IA luego, bajo la orientación del marco del humano, entreteje la investigación fragmentada en una narrativa analítica coherente. La incorporación del marco humano es precisamente el paso que degrada una tarea Compleja a una Complicada.

Dominio Caótico: la IA como herramienta auxiliar. El trabajo de campo realizado en fábricas y comunidades para recopilar materiales primarios —información que no existe en internet, no tiene registro de archivo y está fuera del alcance de la IA—. En este dominio, el humano lidera todo el proceso, y la IA solo realiza trabajo auxiliar mecánico como transcripción de audio, organización de notas y recuperación de material de contexto. Aun así, incluso aquí, la asistencia de la IA tiene valor: estudiantes de doctorado, después de usar IA para procesar grabaciones de entrevistas, “descubrieron en las transcripciones información que no habían escuchado ni notado durante las entrevistas mismas”.

5. Implicaciones para el Sur Global: la convergencia del MAS declarativo y AI4SS

Las secciones anteriores abordaron el martillo mismo —por qué elegimos este martillo, cómo forjarlo, qué produce en la práctica y qué tipo de clavos impulsa—. Esta sección debe responder una pregunta distinta: ¿por qué importa este martillo especialmente para el Sur Global?

La respuesta no radica en la tecnología en sí, sino en la alineación estructural entre la tecnología y las condiciones concretas que enfrenta el Sur Global.

5.1 Los obstáculos estructurales que enfrenta el Sur Global

Antes de discutir el potencial de la IA, debemos primero confrontar los obstáculos estructurales que enfrenta el Sur Global.

La asimetría de clase en la producción de conocimiento. Los académicos que sirven a los intereses del capital poseen abundantes recursos, tiempo y energía para producir conocimiento, pero este conocimiento no sirve a los intereses del pueblo, sino que funciona como instrumento de explotación y opresión. Al mismo tiempo, los cuadros de los movimientos populares carecen tanto de recursos como de tiempo. No pueden dedicar horas extensas a la lectura, la investigación y la escritura. La producción y el consumo de conocimiento están monopolizados por líneas de clase: una cruel ironía.

La contradicción entre volumen de información y capacidad cognitiva. Lenin exigió en Las tareas de las Juventudes Comunistas (1920) que los comunistas enriquecieran indefectiblemente la memoria con los conocimientos de todas las riquezas creadas por la humanidad, y el método marxista de la totalidad requiere una comprensión integrada que abarque la economía, la política, la cultura y la ideología. Pero estas riquezas de conocimiento son demasiado vastas en cantidad, demasiado rápidos en su cambio y demasiado especializados en sus subdivisiones, excediendo con creces los límites de la cognición individual. El método de la totalidad se convierte así en un ideal que no puede llevarse a la práctica.

Barreras lingüísticas y barreras de recursos. El mayor volumen de conocimiento se produce en inglés, y los recursos de traducción son agudamente escasos. Los recursos y bases de datos académicos cobran tarifas exorbitantes, y los medios progresistas carecen tanto de recursos como de personal. Para una investigadora del Sur Global, acceder a los datos y la literatura que un académico del Norte Global da por sentados a menudo requiere un gasto desproporcionado de tiempo y dinero.

La asimetría de infraestructura Norte-Sur. Los sistemas de IA, las instituciones editoriales y los índices de citas están concentrados en el Norte. Las investigadoras del Sur Global son evaluadas según estándares del Norte, publican en espacios del Norte y ven su trabajo enmarcado por las preocupaciones teóricas del Norte. La asimetría de la infraestructura digital —desde la capacidad de cómputo hasta la conectividad de red y el suministro eléctrico— significa que la ola de la IA corre el riesgo de ampliar, en lugar de reducir, la brecha Norte-Sur.

5.2 Una triple liberación

Reuniendo el análisis anterior, el sistema multiagente declarativo ofrece al Sur Global una triple liberación estructural.

Del consumo tecnológico a la construcción tecnológica: soberanía epistemológica. El MAS declarativo combinado con un lenguaje de patrones como POMASA permite al Sur Global construir sus propias herramientas usando su propio conocimiento de dominio, sin esperar la benevolencia de Silicon Valley. En un sistema declarativo, el plano es el código fuente y la metodología es el programa, y lo que posee el Sur Global es precisamente su propia metodología y conocimiento de dominio. “Publicar un lenguaje de patrones equivale a publicar código fuente” significa una nueva forma de código abierto: no solo usamos las herramientas de código abierto del Norte; estamos creando los propios activos de código abierto del Sur.

Del monopolio del conocimiento a la democratización del conocimiento: multiplicación de capacidades. Un pequeño equipo de pocas personas, combinado con un MAS declarativo, puede producir resultados que antes requerían una gran institución de investigación —varios cientos de agentes, miles de citas en un solo informe de país, ganancias de eficiencia de 100 a 200 veces—. Esta multiplicación de capacidades tiene una consecuencia particular para el Sur Global: permite que instituciones progresistas con recursos limitados, departamentos de investigación sindical y pequeños medios independientes realicen investigación rigurosa y basada en evidencia, y producción de contenido. La capacidad de producción de conocimiento, antes monopolizada, se está devolviendo.

Del trabajo mecánico a la creación intelectual: la liberación del ser humano. La IA se hace cargo del trabajo mecánico de escritorio —buscar, organizar, transcribir, análisis preliminar—, liberando a los humanos de la pesada carga del procesamiento de información. Pero el propósito de esta liberación no es el ocio; es permitir que los humanos regresen al terreno, a las bases, a las masas, para hacer lo que solo los humanos pueden hacer: generar conocimientos, señalar el camino a seguir y emitir juicios finales. Lo que Marx llamó la unidad de la teoría y la práctica —la praxis— debería completarse como un ciclo cerrado dentro de la misma persona. En nuestra práctica, hemos llegado a reconocer con claridad cada vez mayor: “el pensamiento humano, la experiencia humana, el conocimiento humano: estos son los elementos más esenciales, más luminosos, en todo el proceso de producción de conocimiento y contenido”. La IA no pretende reemplazarlos; todo lo contrario, todo el valor de la IA radica en permitir que la mente humana se concentre en esas tareas más esenciales que la IA no puede realizar.

El arco descrito a lo largo de este artículo —desde las limitaciones estructurales de una única conversación con la IA, pasando por la arquitectura modular de los sistemas multiagente, hasta el lenguaje de patrones que guía su construcción— traza un recorrido del consumo a la construcción. Una investigadora que comienza pegando su metodología en una ventana de chat y termina construyendo un sistema de cientos de agentes coordinados no solo ha adoptado una nueva herramienta. Ha recuperado la capacidad de dar forma a sus propios medios de producción de conocimiento. Su marco epistemológico se convierte en datos de referencia; su metodología se convierte en un plano de agente; sus estándares de calidad se convierten en puertas de calidad incorporadas. Ella no programa; describe. Y lo que describe no es un deseo, sino una especificación —fundamentada en su formación, su conocimiento de dominio y su compromiso político con las comunidades cuyas condiciones estudia—. El sistema que construye pertenece a su institución; la metodología que codifica es la suya propia; el conocimiento que acumula se compone de proyecto en proyecto.

5.3 Restitución: de «usuarios» a creadores

El significado del MAS declarativo se extiende más allá de las ganancias de eficiencia o la multiplicación de capacidades: toca un proceso histórico más profundo.

Durante las últimas cuatro décadas, la industria de la tecnología de la información ha transformado sistemáticamente a la vasta mayoría de las personas de creadoras de herramientas en meras “usuarias”. Como documentó Bonnie Nardi en A Small Matter of Programming [Una pequeña cuestión de programación], la interfaz gráfica de usuario rompió la continuidad entre usar y crear; la mercantilización del software cerró los caminos hacia la construcción; las comunidades de desarrolladores evolucionaron hacia gremios de conocimiento; la complejidad cada vez más creciente elevó la barrera cada vez más alto. Al final, no solo desaparecieron las habilidades: el concepto mismo de “puedo construir herramientas para mí misma” se desvaneció del lenguaje y la imaginación de las personas. Cuando algo no puede decirse, no puede pensarse. La desposesión de capacidad se volvió así permanente y autosustentada.

El sistema multiagente declarativo revierte esta corriente subterránea. En esta arquitectura, los planos son Markdown en lugar de código; el conocimiento de dominio es el programa; la metodología es el software. Construir un sistema multiagente capaz de investigación profunda autónoma ya no requiere el permiso del gremio de programadores: lo que requiere es el conocimiento en la mente de la experta de dominio: a lo largo de qué dimensiones analizar un problema, de qué fuentes recopilar información, qué marco epistemológico debe guiar el juicio. Y este conocimiento es precisamente lo que las fuerzas progresistas del Sur Global nunca han tenido en falta.

Esto no es una dotación; es una restitución.

La capacidad de las personas comunes para construir sus propias herramientas de información existió desde el principio: las investigadoras de la era Unix escribían sus propios scripts; las usuarias de la era de la computadora personal encendían sus máquinas hacia una línea de comandos BASIC. Esta capacidad no es una novedad traída por el progreso tecnológico; es un antiguo derecho que fue arrebatado sistemáticamente por cuatro décadas de evolución industrial. El sistema multiagente declarativo lo devuelve.

Las interacciones con grandes modelos de lenguaje (LLM, por sus siglas en inglés) suelen comenzar con cierta medida de decepción. Un usuario plantea una pregunta compleja y potencialmente productiva, solo para recibir una respuesta que es notablemente insulsa, vacía o irrelevante. Esta disparidad es particularmente aguda en el dominio de la producción seria de conocimiento: lxs investigadorxs que buscan utilizar la IA para analizar políticas imperialistas, documentar luchas populares y difundir narrativas contrahegemónicas descubren que sus resultados quedan constantemente por debajo de las expectativas. Muchos concluyen de esta experiencia que la inteligencia artificial (IA) no es adecuada para el trabajo intelectual riguroso.

Esta conclusión, por muy extendida que esté, se basa en un diagnóstico erróneo. El problema no radica en la herramienta, sino en cómo se utiliza.

La “ingeniería de prompts” se ha convertido en el marco dominante para abordar este desafío, centrándose en cómo formular el lenguaje para obtener mejores respuestas de los LLM. Consideremos el marco CO-STAR, ampliamente adoptado —Contexto, Objetivo, Estilo, Tono, Audiencia, Respuesta, por sus siglas en inglés—, en el cual cuatro de seis elementos abordan cuestiones de “forma de expresión”: cómo decirlo, en qué tono, a quién y en qué formato. Esto no carece de utilidad; la forma de expresión importa, y la abordaremos a su debido tiempo—. Sin embargo, desde el punto de vista de la producción seria de conocimiento, este marco exhibe puntos ciegos sistemáticos: el marco epistemológico, la reserva de información, la metodología, la opinión y la comprensión, dimensiones que son decisivas para la calidad de cualquier producto del conocimiento, permanecen ausentes de su alcance.

Reducir el desafío de emplear la IA a un conjunto de técnicas sobre “cómo plantear las cosas” constituye un diagnóstico fundamentalmente erróneo. Una evaluación más precisa es esta: la causa raíz de la mayoría de las interacciones fallidas con la IA no radica en la redacción del prompt, sino en la incapacidad del usuario para organizar sistemáticamente sus propias preguntas, contextos, posiciones y propósitos. En otras palabras, este no es un problema de ingeniería de prompts; es un problema de ingeniería del conocimiento. En este marco, la IA funciona como un instrumento analítico que produce texto como resultado, no como un asistente de redacción que genera análisis como un efecto secundario. Como demostró Herbert Simon con su concepto de “racionalidad limitada”, la toma de decisiones humana no está restringida por la falta de información sino por los límites cognitivos para procesarla; un principio que se aplica con igual fuerza a la colaboración entre humanos e IA, donde la calidad de los resultados depende menos de las capacidades del modelo que de la capacidad de quien está investigando para organizar el problema.

Amara es una investigadora en un instituto progresista de investigación progresista en Dar es Salaam, encargada de producir un informe sobre por qué el auge del gas natural y la minería en Tanzania no se ha traducido en un desarrollo inclusivo. Tiene una laptop, una conexión a internet decente, acceso a una herramienta de IA, seis semanas, ningún asistente de investigación y un presupuesto reducido. No sabe de programación. Cuando le pide por primera vez a su herramienta de IA que “escriba un informe sobre el sector extractivo de Tanzania”, recibe una descripción genérica indistinguible de un folleto de consultoría: es precisa en líneas generales, pero inútil para sus propósitos. Las seis preguntas que siguen trazan el camino desde esa decepción inicial hacia un producto de investigación genuinamente útil.

Este artículo plantea seis preguntas críticas que constituyen un marco para la práctica de la ingeniería del conocimiento: ¿Qué problema estamos tratando de resolver realmente? ¿Desde qué punto de vista vemos el mundo? ¿Qué necesita saber la IA? ¿Cómo debe proceder el análisis? ¿Cómo debería ser el producto final? ¿Y cuál es la contribución distintiva de lxs investigadorxs? Estas seis preguntas se aplican a cualquier LLM convencional, independientemente de cualquier herramienta específica; no conciernen a la tecnología, sino a cómo lxs investigadorxs piensan y organizan la producción de conocimiento.

1. ¿Qué problema estamos tratando de resolver realmente?

La mayoría de las interacciones decepcionantes con la IA comparten una característica común: el usuario procede directamente a los detalles específicos sin establecer un propósito estratégico. “Ayúdame a escribir un artículo sobre la guerra tecnológica entre Estados Unidos y China”. Una solicitud así producirá, casi con seguridad, un estudio superficial, porque la solicitud misma es superficial. La IA no es incapaz de producir un trabajo de profundidad analítica; lo que no puede hacer es determinar en qué dirección debe extenderse la “profundidad” deseada.

La orientación al problema no consiste en “proporcionar contexto”; es un ejercicio de liderazgo intelectual. Requiere que, antes de entablar cualquier diálogo con la IA, se responda una pregunta fundamental: ¿Qué estoy tratando de entender realmente? Esta pregunta parece sencilla, pero es precisamente el paso que la mayoría de los usuarios omiten.

Consideremos un proyecto de investigación concreto. En un estudio sobre la guerra de semiconductores entre Estados Unidos y China, lxs investigadorxs no solicitaron vagamente un “análisis de la competencia tecnológica entre Estados Unidos y China”, sino que formularon cinco preguntas centrales que se profundizaban progresivamente: ¿Cómo está empleando Estados Unidos los regímenes de bloqueo tecnológico para mantener la hegemonía geopolítica, y cuáles son sus efectos? ¿Cómo está respondiendo China a la contención tecnológica, y qué revela esto sobre su modelo de desarrollo? ¿Cuál es el estado actual del dominio de la cadena de suministro de China en sectores críticos, y cuáles son sus implicaciones? ¿Cómo está transformando la guerra tecnológica las cadenas de suministro globales y las relaciones comerciales? ¿Cuáles son las implicaciones para el Sur Global?

Bajo de cada pregunta central yacen subpreguntas adicionales que demarcaban los límites y la profundidad del análisis. Bajo la pregunta relativa al bloqueo de tecnología por parte de Estados Unidos, por ejemplo, la investigación indagó además: ¿Qué políticas y mecanismos se están implementando? ¿Cómo se comparan estas medidas con las estrategias históricas de contención tecnológica? ¿Cuáles son las consecuencias inmediatas y a largo plazo?

La misma herramienta de IA, enfrentada a “escriba un artículo sobre la guerra tecnológica entre Estados Unidos y China” por un lado, y a un sistema tan estructurado de preguntas de cinco niveles por el otro, genera resultados fundamentalmente diferentes. En el primer caso, genera un listado enciclopédico de información; en el segundo, genera un estudio de economía política con un marco analítico, una jerarquía y un enfoque. La diferencia no radica en la herramienta, sino en la pregunta.

En lugar de pedirle a la IA que “analice el sector extractivo de Tanzania”, Amara formula preguntas centrales: ¿Por qué los ingresos del gas natural y la minería no se han traducido en industrialización o en la mejora de los medios de subsistencia? ¿Qué acuerdos fiscales y contractuales rigen las rentas extractivas y a qué intereses sirven? ¿Cómo han alterado las sucesivas políticas de nacionalismo de los recursos —desde las reformas mineras de Magufuli en adelante— la relación entre el capital extranjero y la acumulación interna? ¿Qué papel juegan las instituciones financieras internacionales en la configuración de la gobernanza extractiva? Cada pregunta genera subpreguntas; juntas, transforman un tema vago en un programa de investigación estructurado.

En una práctica de investigación más avanzada, la orientación al problema puede volverse aún más incisiva. En otro proyecto en el que participó el autor, se requería que, antes de comenzar cualquier investigación, se respondiera una pregunta fundamental: ¿Cuál es la contradicción principal que impulsa la situación actual? No se trataba de un gesto retórico sino de un requisito vinculante: si no podías identificar la contradicción principal, la investigación no avanzaría. Este parece ser un estándar exigente, sin embargo, obliga a completar, antes de cualquier diálogo con la IA, la labor intelectual más difícil y esencial: determinar qué busca realmente revelar la investigación.

La calidad de la pregunta determina el alcance de la respuesta. Un sistema de preguntas preciso, estructurado y analíticamente integrado es en sí mismo un producto de liderazgo intelectual. La IA puede ayudar a explorar las diversas dimensiones de una pregunta y a examinar la literatura y los datos pertinentes; sin embargo, determinar qué preguntas vale la pena plantear solo puede provenir de la propia formación teórica, el compromiso político y la comprensión de lxs investigadorxs sobre las realidades bajo investigación.

2. ¿Desde qué punto de vista vemos el mundo?

En el empleo de la IA para la producción de conocimiento, se está proliferando una idea errónea y peligrosa: muchos usuarios consideran a los LLM como instrumentos analíticos neutrales, esperando que ofrezcan evaluaciones “objetivas” sobre cualquier tema dado. Esta supuesta neutralidad, sin embargo, es una ilusión. Los datos de entrenamiento para los LLM se extraen predominantemente del internet en idioma inglés, un ámbito dominado desde hace mucho tiempo por perspectivas ideológicas occidentales. Investigaciones han demostrado que incluso los modelos de código abierto desarrollados en China exhiben un sesgo ideológico occidental considerable: favoreciendo geopolíticamente las posiciones occidentales, marginando epistemológicamente a la comunidad académica del Sur, naturalizando económicamente las prescripciones neoliberales y centrando culturalmente las narrativas históricas occidentales.

Cuando se emplean estas herramientas en la investigación sin una reflexión crítica, se despliega un proceso sutil pero de gran alcance:

No estás calibrando a la IA, es la IA que te está calibrando a ti.

Si se solicita un análisis de la difícil situación económica de un país en desarrollo sin especificar un marco analítico, el modelo procederá casi inevitablemente a partir de los supuestos de la economía neoliberal —eficiencia del mercado, ventaja comparativa, reforma de la gobernanza—, porque estos constituyen el paradigma analítico dominante en sus datos de entrenamiento. Pueden creer que ha recibido un “análisis objetivo”; en realidad, han recibido la reproducción de los sesgos arraigados en los datos de entrenamiento. La solución no es intentar hacer que la IA sea “más neutral” —esto no es posible ni deseable—. Cada análisis encarna un punto de vista; la única cuestión es si ese punto de vista ha sido elegido conscientemente o absorbido inconscientemente. La ingeniería del conocimiento requiere que, antes de colaborar con la IA, se declare explícitamente un marco epistemológico.

En un proyecto de investigación en el que participó el autor, se requería que el equipo, antes de comenzar cualquier trabajo analítico, declarara de antemano un conjunto de documentos de marco teórico como la base epistemológica de todo el estudio. Estos documentos incluían un marco de economía política marxista, un marco analítico basado en las Ocho contradicciones del orden basado en reglas imperialista, un resumen teórico del hiperimperialismo y un marco para el análisis de clases contemporáneo. Estas no eran referencias opcionales sino prerrequisitos vinculantes: sin un marco epistemológico declarado, la investigación no comenzaría.

Cuando Amara le pide a la IA que analice por qué los ingresos extractivos no han producido un desarrollo inclusivo, el modelo se remite por defecto a la literatura de la “maldición de los recursos” —debilidad institucional, enfermedad holandesa, déficits de gobernanza—. El análisis no es erróneo en cada detalle, pero oscurece sistemáticamente las dimensiones estructurales que más importan: el papel del capital multinacional en la configuración de los términos fiscales, la debilidad históricamente condicionada de la posición de negociación del Estado tanzano y la arquitectura financiera internacional que canaliza las rentas hacia el exterior. Ella corrige esto declarando su marco explícitamente, proporcionando textos de referencia sobre la dependencia y el intercambio desigual, sobre la economía política del extractivismo en África y sobre la política económica tanzana desde el ujamaa. El análisis posterior de la IA no está “más sesgado”; es más honesto acerca del punto de vista del cual procede.

“Declarar un marco epistemológico” no significa simplemente indicarle a la IA que “utilice el análisis marxista” —tales directrices tienden a producir textos vacíos saturados de clichés retóricos—. Lo que resulta genuinamente valioso es la articulación sistemática de los principios rectores, el sistema terminológico y las prioridades analíticas del marco elegido. El mismo proyecto trazó una distinción precisa sobre cómo aplicar el marco epistemológico de manera “invisible”:

El análisis estructural correcto procede de la siguiente manera: “La concentración de la fabricación de chips avanzados en Taiwán crea un punto de apoyo que da forma a las opciones políticas de EE. UU…”. El marco epistemológico guía el análisis hacia las estructuras de poder y las condiciones materiales, mientras que el análisis mismo se desarrolla a través de hechos concretos y razonamiento lógico.

Los clichés retóricos incorrectos proceden de la siguiente manera: “Las contradicciones imperialistas del capitalismo impulsan a la clase dominante de EE. UU. a…” —esto no es un análisis sino la sustitución de la terminología teórica por el análisis—. El marco se ha impuesto crudamente sobre la superficie en lugar de desplegarse como un lente para una investigación más profunda.

El siguiente es un fragmento de prompt real de este proyecto que especifica cómo aplicar el marco epistemológico de manera “invisible”:

### Aplicar el marco ideológico de forma discreta

El marco ideológico debe:

- Servir de base para el análisis del poder, los intereses y las estructuras

- Ayudar a identificar qué preguntas hacer

- Proporcionar herramientas conceptuales para la comprensión

El marco ideológico NO debe:

- Presentarse en forma de términos retóricos explícitos

- Sustituir las pruebas por suposiciones

- Predeterminar las conclusiones

- Dar al análisis un carácter propagandístico

(El fragmento anterior se extrae de la guía de métodos de análisis del proyecto, que tiene una extensión de aproximadamente 960 palabras. El volumen total de prompts y guías de referencia para este proyecto de investigación supera las 27.000 palabras —estas cifras, junto con las estadísticas de resultados citadas más adelante en este artículo, se extraen de la documentación interna de los proyectos de investigación realizados por el equipo de GSI. Los interesados en obtener los prompts completos pueden ponerse en contacto con el equipo de GSI).

Esta distinción es de suma importancia: el marco epistemológico debe guiar qué tipo de preguntas plantea usted (¿A qué intereses se está sirviendo? ¿Cómo operan las relaciones de poder? ¿Cómo configuran las condiciones materiales las posibilidades?), en lugar de predeterminar las respuestas. El marco instruye a la IA desde qué ángulo mirar al mundo, pero el análisis mismo debe basarse en la evidencia y la lógica.

Para lxs investigadorxs del Sur Global, esta cuestión es especialmente urgente. Cuando las narrativas eurocéntricas dominan los datos de entrenamiento, y cuando no se declara de manera proactiva las posiciones epistemológicas propias —un lente analítico antiimperialista, una atención estructural a las relaciones de dependencia, un primer plano de la experiencia del Sur—, entonces cada pasaje que produce la IA puede reproducir inconscientemente la hegemonía del conocimiento del Norte. Dejar sin declarar el marco epistemológico propio es aceptar inconscientemente el punto de vista ideológico arraigado en el modelo.

Es importante destacar que esto no es cuestión de hacer que la IA sea “sesgada”; al contrario, se trata de hacerla honesta. Todo análisis tiene una perspectiva; cada estudio tiene un punto de vista. Declarar un marco epistemológico transforma un sesgo implícito e inconsciente en una elección de posición explícita y consciente. Esto constituye la expresión más profunda de la subjetividad en la producción de conocimiento: antes de poder exigirle a la máquina ayuda para el análisis desde ese punto de vista, debes saber desde qué perspectiva ves el mundo.

3. ¿Qué necesita saber la IA?

Una idea errónea prevaleciente trata a los LLM como una especie de oráculo —usted plantea una pregunta y este ofrece una respuesta desde una base de conocimiento interna omnisciente—. En la práctica, los LLM son motores de razonamiento que operan sobre la información que se les proporciona. Cuando la información de entrada es escasa, solo pueden producir respuestas genéricas y vacías; cuando la información de entrada es rica y específica, sus capacidades de razonamiento se pueden aprovechar por completo. La calidad y la escala de la reserva de información determinan directamente la profundidad de lo que la IA puede producir.

La reserva de información tiene dos dimensiones complementarias: el propio conocimiento acumulado de quien desarrolla la investigación y la información nueva obtenida en tiempo real a través de internet.

Conocimiento del dominio: lo que usted aporta a la IA

Cada investigador acumula, a través de una práctica sostenida, un cuerpo sustancial de activos de conocimiento: marcos teóricos, conceptos clave, revisiones de literatura, materiales de antecedentes históricos. Al colaborar con la IA, estos activos de conocimiento no deben permanecer inactivos; deben proporcionarse a la IA como documentos de referencia, formando la base para su razonamiento y análisis.

Aquí rige un principio crítico: los materiales de referencia deben preservarse en su totalidad, nunca resumirse ni comprimirse. Se puede considerar que un documento de marco teórico de varias docenas de páginas es excesivamente largo y desear que la IA “resuma los puntos clave” antes de proceder; este es precisamente el enfoque incorrecto. Nunca se puede saber de antemano qué detalle resultará crítico durante el análisis. Las ventanas de contexto de los LLM convencionales contemporáneos son ahora lo suficientemente amplias como para albergar grandes volúmenes de texto; la explotación total de esta capacidad es una práctica fundamental de la ingeniería del conocimiento.

Igualmente importante es la separación de las instrucciones de los materiales de referencia. Sus instrucciones —lo que desea que haga la IA— deben ser concisas y precisas; sus materiales de referencia —lo que desea que “sepa”— deben ser exhaustivos y completos. Combinar ambos elementos entierra las instrucciones debajo de los materiales de referencia o comprime innecesariamente los materiales de referencia.

Las reservas de información a escala pueden producir resultados impresionantes. En un estudio sobre el 80.º aniversario de la victoria en la guerra mundial antifascista, el equipo a cargo de la investigación construyó una reserva de información que abarcaba diez secciones temáticas —desde los fundamentos económicos de las potencias beligerantes hasta la arquitectura de la traición de posguerra— produciendo finalmente un estudio analítico de 5.900 palabras que contenía 150 citas de archivos militares, historias económicas y registros diplomáticos en múltiples idiomas. Un resultado con esta profundidad y densidad solo es posible cuando se cuenta con el respaldo de una rica reserva de información.

Amara carece de una gran biblioteca institucional, pero dispone del conocimiento adquirido en su formación y trabajo previo, y estos resultan decisivos. Ella carga el texto completo de la Ley de Minería de Tanzania de 2009 y sus enmiendas de 2017, las Leyes de Riqueza y Recursos Naturales, las secciones pertinentes del Plan Quinquenal de Desarrollo, los informes de conciliación de la Iniciativa para la Transparencia de las Industrias Extractivas de Tanzania (TEITI, por sus siglas en inglés) y dos análisis de economía política de la gobernanza de recursos de África Oriental que su instituto había producido previamente. Ella resiste la tentación de resumir primero; los proporciona enteros. La diferencia no es incremental sino categórica: con estos documentos, el análisis cita términos fiscales específicos, identifica discrepancias entre las tasas impositivas legisladas y las efectivas, y rastrea la brecha entre la intención de la política y el resultado del desarrollo.

Búsqueda en internet: oportunidades y riesgos

Una de las principales capacidades de la IA es su habilidad para buscar en internet en tiempo real, accediendo a la información más actualizada. Esto significa que la investigación no tiene que limitarse a las reservas de conocimiento existentes; puede nutrirse de los documentos de políticas, datos estadísticos, informes de investigación y cobertura de noticias más recientes a medida que aparecen. Sin embargo, esta capacidad va acompañada de un desafío particular: ¿cómo determinar si la información que recupera la IA es creíble?

En el proyecto de investigación sobre la guerra de semiconductores entre Estados Unidos y China, se especificó de antemano una jerarquía de credibilidad para las fuentes de datos: documentos oficiales de políticas (alta) → investigación revisada por pares (alta) → informes de institutos de investigación (media-alta) → análisis de la industria (media) → reportes de noticias (que requieren verificación cruzada) → blogs personales y redes sociales anónimas (excluidos). Esta jerarquía no era decorativa: determinaba directamente el peso que la IA debía asignar a las diferentes fuentes durante el análisis. El proyecto requería simultáneamente que los datos críticos fueran corroborados por al menos dos fuentes independientes.

El problema más profundo es el de la “alucinación” de la IA: la fabricación de datos que parecen plausibles pero que de hecho no existen. Esto no es un mal funcionamiento ocasional sino una debilidad sistemática de los LLM. El siguiente es un fragmento de prompt real del mismo proyecto, diseñado para guiar a la IA en la identificación de sus propias alucinaciones:

## Señales de advertencia de alucinación de la IA

Presta especial atención a:

1. URLs que suenan plausibles pero que no existen

2. Estadísticas fabricadas

- Números muy específicos que no se pueden encontrar

- Estadísticas que “perfectamente” apoyan el argumento

3. Nombres de organizaciones inventados

- Similares a organizaciones reales pero ligeramente diferentes

- Ej., “Asociación de Automóviles de China” frente a “Asociación de Fabricantes de Automóviles de China”

(El fragmento anterior se extrae de la guía de verificación de datos del proyecto, que tiene una extensión de aproximadamente 1.300 palabras).

Una buena práctica de ingeniería del conocimiento exige que se mantenga un escepticismo sistemático hacia toda la información devuelta por la IA; esto es en sí mismo una postura epistemológica.

La reserva de información como una práctica continua

Cabe destacar que la reserva de información no es un ejercicio preparatorio de una sola vez, sino una práctica continua que se ejecuta a lo largo de todo el proceso de investigación. Los documentos seleccionados en el curso de un proyecto —marcos teóricos, directrices de fuentes de datos, criterios de evaluación de credibilidad— se convierten en activos de conocimiento reutilizables. A medida que los proyectos se acumulan, las reservas de información se vuelven más ricas y la profundidad del apoyo que la IA puede proporcionar aumenta correspondientemente. Esto constituye un ciclo de retroalimentación positiva: cuanto mayor sea la inversión en ingeniería del conocimiento, mayores serán los rendimientos.

4. ¿Cómo debe proceder el análisis?

Al emplear la IA, parte considerable de investigadorxs se limitan a especificar “qué hacer” —“analiza este problema”, “escribe un artículo sobre ese tema”— sin especificar “cómo hacerlo”. Esto es similar a contratar a un asistente de investigación altamente capaz proporcionándole únicamente una dirección vaga y ninguna guía metodológica en absoluto. El resultado es predecible: la IA organiza su análisis de acuerdo con sus propios valores predeterminados, produciendo un texto que parece razonable pero que carece de autoconciencia metodológica.

La cuarta pregunta de la ingeniería del conocimiento requiere que quienes investigan se conviertan en gerentes de proyecto: especificando no solo el objetivo, sino el camino a seguir.

Se presentan dos estrategias complementarias. La primera es prescribir el proceso: proporcionar a la IA un flujo de trabajo claro y paso a paso. En el proyecto de investigación sobre la guerra de semiconductores entre Estados Unidos y China, el método analítico se prescribió explícitamente en cuatro etapas:

La primera etapa fue el mapeo de evidencia: identificar todas las fuentes verificadas, extraer hechos clave y anotar la perspectiva y credibilidad de cada fuente. La segunda etapa fue la identificación de patrones: buscar temas recurrentes entre las fuentes, identificar áreas de consenso y desacuerdo, y notar los cambios a lo largo del tiempo. La tercera etapa fue el análisis crítico: interrogar la relación entre las justificaciones declaradas y los resultados reales, identificar a qué intereses se sirve y examinar “lo que no se está diciendo”. La cuarta etapa fue la síntesis: desarrollar argumentos coherentes a partir de la evidencia reconociendo al mismo tiempo la complejidad y la incertidumbre.

De manera más granular, el proyecto requería que cada argumento siguiera una construcción de cinco pasos: afirmación —evidencia— razonamiento —salvedad— trascendencia. El siguiente es un fragmento de prompt real que especifica esta construcción de argumento de cinco pasos:

## Construcción de argumentos

Para cada argumento principal:

1. Afirmación: exponga el argumento de manera clara y específica

2. Evidencia: presente los datos de respaldo con citas

3. Razonamiento: explique por qué la evidencia respalda la afirmación

4. Salvedad: señale cualquier limitación o argumento en contra

5. Trascendencia: explique por qué esto es importante

### Lista de verificación de calidad para los argumentos

- ¿Es la afirmación específica y falsable?

- ¿Proviene la evidencia de fuentes verificadas?

- ¿Es el razonamiento lógico y explícito?

- ¿Se reconocen las limitaciones?

- ¿Se explica la trascendencia?

(El fragmento anterior también se extrae de la guía de métodos de análisis del proyecto).

Ningún paso puede ser omitido: se debe establecer claramente qué es el argumento (afirmación), qué lo respalda (evidencia), por qué la evidencia respalda al argumento (razonamiento), bajo qué condiciones el argumento se sostiene o no se sostiene (salvedad) y por qué el argumento importa (trascendencia).

Esta prescripción metodológica puede parecer mecánica, pero posee un profundo valor epistemológico. El acto de prescribir un proceso obliga a pensar sistemáticamente sobre la propia práctica analítica; nos vemos en la obligación de responder explícitamente: ¿Dónde debe comenzar el análisis? ¿A través de qué etapas debe proceder? ¿Cómo se debe garantizar el rigor argumentativo? Muchas personas, en el momento en que se ven obligadas a articular su metodología, examinan por primera vez los hábitos analíticos que durante mucho tiempo han dado por sentados.

Amara prescribe un flujo de trabajo de cuatro etapas. Primero, mapear la arquitectura fiscal —tasas legisladas, tasas efectivas, cláusulas de estabilización en los acuerdos de desarrollo minero— basándose en sus documentos cargados y fuentes verificadas. Segundo, identificar patrones a lo largo del tiempo: ¿cómo han cambiado los términos entre la liberalización de la década de 1990, el nacionalismo de los recursos de Magufuli y el presente? Tercero, analizar críticamente la brecha entre los ingresos captados y el gasto de desarrollo, interrogando a qué intereses sirven los acuerdos vigentes. Cuarto, sintetizar estos hallazgos en un argumento sobre los impedimentos estructurales para el desarrollo inclusivo. Sin esta secuencia, la IA habría producido un estudio temático; con ella, el análisis se construye de manera acumulativa, cada etapa alimentándose de la anterior.

La segunda estrategia es la descomposición de tareas: dividir tareas complejas en subtareas manejables. Una pregunta de investigación amplia, como “analizar la reestructuración de las cadenas de suministro globales de semiconductores”, si se presenta a la IA como una sola solicitud, inevitablemente producirá una descripción general superficial. Si, por el contrario, se descompone en subtareas más específicas —primero analizar las políticas de control de exportaciones de EE. UU., luego analizar los esfuerzos de sustitución autóctona de China, a continuación examinar el posicionamiento estratégico de terceros países y, finalmente, sintetizar estos análisis en una evaluación general— cada subtarea recibe un tratamiento más exhaustivo.

En una práctica de investigación más compleja, la metodología puede extenderse a 60 o 70 pasos. La fase de “argumentación sólida y fortificación dialéctica” por sí sola, por ejemplo, comprende más de una docena de pasos. Entre ellos se encuentra una “prueba triple de lector hostil”: que requiere que el propio argumento sea escudriñado desde las perspectivas de un crítico capitalista, un crítico socialista de Estado y un crítico anarquista, respectivamente: ¿puede usted refutar las objeciones más fuertes? Este grado de refinamiento metodológico asegura que el análisis no sea meramente consistente de manera interna dentro de su propio marco, sino que pueda resistir un desafío riguroso desde puntos de vista opuestos.

Un punto de inflexión importante está implícito aquí. De 4 pasos a 70, el crecimiento en la complejidad metodológica da lugar a un problema práctico: un solo prompt ya no puede albergar prescripciones metodológicas tan extensas. Cuando el equipo de investigación debe gestionar simultáneamente docenas de pasos analíticos, cada uno con sus propios estándares de entrada-salida y requisitos de calidad, el siguiente paso natural es distribuir la metodología a través de múltiples agentes especializados —este es precisamente el problema que los sistemas multiagente declarativos, los cuales hemos discutido en detalle en un artículo separado, están diseñados para abordar—. Sin embargo, incluso antes de ingresar al dominio de los sistemas multiagente, quien prescribe una metodología clara dentro de un solo diálogo ya puede lograr mejoras significativas en la calidad analítica del resultado generado por la IA.

5. ¿Cómo debería ser el producto final?

El mismo conjunto de conocimiento, expresado en diferentes formas y sirviendo a diferentes propósitos y audiencias, se convierte en algo completamente diferente. Una pieza de análisis de investigación en profundidad, escrita como un artículo académico, toma una forma; reescrita como materiales de capacitación para organizadores comunitarios, toma otra; producida como el guion de un pódcast, toma otra más. Tradicionalmente, la redacción eficaz ha requerido dominar tres elementos simultáneamente: un sólido manejo de los conocimientos de antecedentes, profundidad de la comprensión analítica y dominio del registro apropiado. Los tres son indispensables, lo que explica por qué los escritores y las escritoras capaces siempre han sido escasos —aquellos que sobresalen simultáneamente en el análisis y la expresión no se encuentran fácilmente—.

La IA altera esta ecuación. Si usted ha abordado las cuatro preguntas anteriores —orientación del problema, marco epistemológico, reserva de información y metodología—, la IA puede brindar una asistencia poderosa con la forma de expresión. Usted no necesita ser simultáneamente un experto analítico y un maestro de la prosa. Esto no significa, sin embargo, que pueda descuidar la especificación de la forma; al contrario, cuanto más precisamente defina sus requisitos formales, más estrechamente se aproximará el resultado de la IA a sus expectativas.

En el proyecto de investigación sobre la guerra de semiconductores entre Estados Unidos y China, la plantilla de resultados prescribió el estilo de dossier de Tricontinental con precisión a nivel de oración. El tipo de documento se especificó como “dossier de investigación al estilo de Tricontinental, de 5.000 a 10.000 palabras”. La complejidad de las oraciones se prescribió a través de ejemplos positivos y negativos:

La complejidad de oración apropiada procede de la siguiente manera: “Si bien Estados Unidos ha enmarcado sus controles de exportación de semiconductores en términos de seguridad nacional, citando las posibles aplicaciones militares de los chips avanzados, las motivaciones económicas y geopolíticas más amplias —mantener la supremacía tecnológica y frenar a un competidor en ascenso— son evidentes en el alcance y la evolución de estas restricciones”.

La simplicidad excesiva procede de la siguiente manera: “EE. UU. dice que los controles de exportación son por seguridad. Pero en realidad son por competencia”.

Estas dos oraciones transmiten aproximadamente la misma información, sin embargo, la primera emplea una estructura sintáctica compleja para expresar la relación matizada entre la justificación superficial y la motivación subyacente, mientras que la segunda reduce las complejidades de la geopolítica a una simple oposición binaria. Para un informe de investigación académico, solo el primer modo de expresión puede soportar la precisión exigida por el análisis.

El vocabulario también estuvo sujeto a una especificación detallada: se debían emplear términos de precisión analítica como “hegemonía”, “contención”, “política industrial” y “soberanía tecnológica”; se debían evitar los términos ideológicos retóricos —el análisis estructural debía hablar por sí mismo, en lugar de ser reemplazado por etiquetas—.

El instituto de Amara ha solicitado un informe de políticas de aproximadamente 8.000 palabras, dirigido a parlamentarios tanzanos y organizaciones de la sociedad civil de África Oriental —una audiencia que exige rigor analítico pero no jerga académica—. Ella especifica en consecuencia: el registro debe ser formal pero accesible, empleando términos como “fuga fiscal”, “beneficio de minerales” y “requisitos de contenido local” cuando sea analíticamente necesario, pero evitando el vocabulario académico especializado que alienaría a la audiecnia no especialista. Ella proporciona una publicación previa del instituto como referencia de estilo y especifica que cada afirmación fáctica debe citar una fuente. El informe debe incluir un resumen de recomendaciones —no porque la IA las vaya a generar (ese es su trabajo), sino porque la plantilla estructural debe darles cabida—.

En proyectos de investigación más complejos, se preparan múltiples documentos de referencia de redacción que especifican, respectivamente, la estructura del contenido, los estándares de las citas, las convenciones de redacción técnica y los formatos de referencia. Por ejemplo, se puede requerir no solo que se citen las fuentes, sino que cada nota al final contenga contexto y una afirmación verificable, permitiendo a la audiencia verificar de manera independiente cada aseveración fáctica.

Debe tenerse en cuenta que los ejemplos anteriores pertenecen exclusivamente a resultados textuales. Si el producto fuera el guion de un video, el esquema de un pódcast, una infografía u otra forma multimedia, los requisitos de formato correspondientes, naturalmente, diferirían por completo; sin embargo, se requeriría el mismo nivel de especificación detallada. El punto crítico no es qué se especifica, sino que la especificación es necesaria. Los requisitos formales vagos producen resultados vagos, de la misma manera que las preguntas vagas producen respuestas vagas.

Esta pregunta también produce un beneficio acumulativo. Con una sólida reserva de información y una metodología en marcha, se puede reexpresar rápidamente el mismo cuerpo de conocimiento en múltiples formas. El análisis profundo sobre un tema dado puede difundirse simultáneamente a través de artículos académicos, resúmenes de políticas, materiales de capacitación y contenido de redes sociales. La IA convierte este enfoque de “analizar una vez, expresar muchas veces” en una realidad práctica; y esto tiene una importancia particular para los institutos de investigación con recursos limitados en el Sur Global.

6. ¿Cuál es la contribución distintiva de lxs investigadorxs?

Las cinco preguntas anteriores definen la estructura de soporte de la producción de conocimiento —la orientación al problema prescribe la dirección, el marco epistemológico prescribe la perspectiva, la reserva de información proporciona las materias primas, la metodología prescribe el proceso de elaboración y la forma de expresión prescribe la forma del producto final—. Sin embargo, si solo se abordaran estas cinco preguntas, todo el sistema permanecería inerte. Requiere de quien lo conciba, quien lo guíe con sus decisiones y quien evalúe el valor de sus resultados. Esta sexta pregunta —cuál es la contribución distintiva de lxs investigadorxs— no es un paso en el proceso de producción de conocimiento, sino la fuerza que impulsa y evalúa todo el proceso.

El pionero de la cibernética Norbert Wiener, en su obra de 1950 Cibernética y sociedad (The Human Use of Human Beings), ofreció una profunda observación: la primera revolución industrial automatizó el trabajo físico, pero no hizo que los seres humanos fueran superfluos; los obligó a concentrarse en el trabajo intelectual que las máquinas no podían realizar. La IA está iniciando una transformación análoga en el dominio del trabajo intelectual. Lo que automatiza es el trabajo intelectual rutinario —la recuperación de información, la organización de materiales, el ajuste de formatos, la generación de primeros borradores— y esto es precisamente lo que libera el tiempo y la energía de quien investiga, permitiendo un enfoque en el trabajo intelectual de orden superior que pertenece exclusivamente a los seres humanos: formular preguntas de investigación originales, tomar decisiones estratégicas y éticas complejas, y sintetizar el conocimiento de diferentes dominios en una lectura nueva.

En un proyecto en el que participó el autor, se estableció un acuerdo institucional explícito con este fin. Después de un riguroso proceso de “argumentación sólida” —en el cual la IA escudriñaba los argumentos desde múltiples perspectivas opuestas— y una “prueba triple de lector hostil” —en la que los argumentos eran desafiados, respectivamente, desde los puntos de vista de un crítico capitalista, un crítico socialista de Estado y un crítico anarquista—, el proceso se veía obligado a detenerse antes de implementar cualquier revisión, esperando la aprobación humana de quien investiga. Sin una autorización humana explícitamente concedida, la investigación no podía proceder. La lógica era directa: “Para garantizar que los seres humanos mantengan el control sobre la dirección de la argumentación”.

El mismo proyecto también enumeró explícitamente aquellas cosas que la IA no puede reemplazar: la innovación teórica, el análisis original, el pensamiento crítico, el juicio de valor y la experiencia en el dominio. Los resultados de la IA se definieron como “no listos para su publicación, sino un excelente punto de partida”. Este posicionamiento es esencial, reconoce que la IA puede acelerar enormemente el proceso de producción de conocimiento, al tiempo que insiste en que el juicio intelectual final permanece en los seres humanos.

Para esta etapa, la IA ya ha producido un borrador bien estructurado, basado en los documentos de Amara, organizado por su metodología, escrito en su registro especificado. Sin embargo, el borrador carece de algo que solo ella puede suministrar. Ella ha pasado dos años asistiendo a audiencias parlamentarias sobre la gobernanza minera; ha entrevistado a líderes comunitarios en Mtwara que vieron cómo los ingresos del gas eludían por completo a su región; sabe qué organizaciones de la sociedad civil tienen datos creíbles y cuáles reproducen los puntos de discusión de los donantes. Es Amara quien decide que el argumento central debe priorizar la brecha entre el nacionalismo de los recursos legislado y la realidad contractual de los acuerdos de desarrollo minero existentes —un juicio que requiere no solo información sino el discernimiento político para saber qué es lo que más importa—. Ella reescribe las recomendaciones por completo, basándose en conversaciones a las que ninguna IA tiene acceso, y anula las cautelosas evasivas de “por otro lado” de la IA donde la evidencia respalda claramente una conclusión más sólida.

Para lxs investigadorxs del Sur Global, esta sexta pregunta tiene una importancia política particular. La irreductibilidad de la opinión y la comprensión significa que la IA no puede sustituir al conocimiento arraigado en las comunidades, no puede reemplazar el testimonio dado a la lucha, no puede replicar la comprensión que proviene de estar al lado de los oprimidos. Durante generaciones, el poder sobre la producción de conocimiento se ha concentrado en las instituciones con abundantes recursos del Norte Global. La proliferación de herramientas de IA crea posibilidades para las instituciones con recursos limitados en el Sur, pero solo bajo una condición: que lxs investigadorxs mantengan un firme control sobre la autoridad en la toma de decisiones. Qué preguntas vale la pena plantear, del lado de quién ponerse, en qué fuentes confiar, qué métodos emplear, con quién hablar, estas son elecciones que la IA no puede ni debe tomar en su nombre.

El propósito último de dominar la ingeniería del conocimiento no es absorberse en el diálogo con las máquinas, sino emplear las máquinas para liberarnos para las tareas humanas más esenciales —profundizar en el campo, escuchar a las “voces silenciosas”, adquirir el conocimiento tácito y la sabiduría popular que no se pueden digitalizar—. La auténtica producción de conocimiento siempre se ha movido “de las masas, a las masas”; la IA hace que este camino sea más sólido de transitar.

Conclusión: seis preguntas, un todo

Las seis preguntas planteadas en este artículo no constituyen una lista de verificación, sino un todo orgánico. La orientación al problema da forma al marco epistemológico: lo que usted busca investigar determina desde qué punto de vista debe proceder. El marco epistemológico determina qué información es relevante: su perspectiva analítica dicta qué datos vale la pena recopilar y en qué fuentes se debe confiar. La reserva de información se transforma en análisis a través de la metodología: las materias primas abundantes requieren un proceso preciso de elaboración para producir un hallazgo valioso. Los resultados de la metodología se transmiten a las audiencias a través de la forma de expresión, las mismas conclusiones analíticas requieren diferentes modos de expresión para llegar a diferentes lectores. Y la opinión y la comprensión, la contribución distintiva de lxs investigadorxs, impulsan todo el proceso: es lo que determina qué preguntas vale la pena plantear, qué puntos de vista vale la pena mantener y si el producto final tiene sentido.

Seis semanas después, el informe de Amara está completo. No es el producto que la IA habría generado por sí sola —ese resultado inicial era un estudio genérico carente de punto de vista o arquitectura analítica—. Tampoco es el producto que ella habría producido sin la IA —trabajando sola, no habría podido mapear toda la arquitectura fiscal, realizar referencias cruzadas de las disposiciones legislativas frente a los términos contractuales y producir un informe pulido de 8.000 palabras en el tiempo disponible—. El informe es el producto de una colaboración estructurada: Amara aportó las preguntas, el punto de vista, los documentos, la metodología, los requisitos formales y el juicio final; la IA aportó la capacidad de procesar, organizar, redactar y volver a redactar a una velocidad que ningún investigador en solitario podría igualar. La ingeniería del conocimiento hizo que esta colaboración fuera productiva; sin ella, la misma herramienta habría producido la misma descripción general insulsa con la que comenzó.

A medida que estas seis preguntas se aplican sistemáticamente , ocurre naturalmente una transformación práctica: los prompts inevitablemente se vuelven más largos y complejos. Cuando se debe transmitir simultáneamente la orientación al problema, el marco epistemológico, la reserva de información, las prescripciones metodológicas y los requisitos formales, un solo prompt se convierte rápidamente en un documento de orientación que llega a miles de palabras. Cuando un solo prompt ya no puede albergar la profundidad suficiente en las seis dimensiones, el siguiente paso natural es distribuir las diferentes dimensiones del trabajo a través de múltiples agentes especializados: cada agente responsable de una dimensión, coordinado por una lógica de orquestación. Este es precisamente el problema que los sistemas multiagente declarativos están diseñados para abordar, como hemos discutido en detalle en un artículo separado.

Sin embargo, el mensaje central de este artículo no se refiere a la dirección de la evolución tecnológica, sino a un reconocimiento más fundamental: la ingeniería del conocimiento no es una habilidad técnica sino una práctica de disciplina intelectual. Exige que, antes de pedirle a una máquina que hable en su nombre, usted primero sepa claramente qué sabe, qué cree y qué desea decir. El verdadero valor de estas seis preguntas no radica en su capacidad para ayudarle a escribir mejores prompts —aunque sí lo logran—, sino en el hecho de que el proceso de responderlas es en sí mismo el núcleo de la producción seria de conocimiento.

La IA ha acelerado el proceso de producción de conocimiento, pero no ha alterado su naturaleza esencial. El valor del conocimiento continúa derivándose de la profunda comprensión de la realidad, de la elección consciente del punto de vista, del compromiso de estar al lado de quienes están siendo investigados. Dominar la ingeniería del conocimiento es cumplir mejor con este trabajo que pertenece a los seres humanos, no entregarlo a las máquinas.

Este estudio surge del trabajo de Perspectivas del Sur Global (Global South Insights, por sus siglas en inglés), una iniciativa de investigación dentro del Instituto Tricontinental de Investigación Social dedicada a desarrollar marcos analíticos y capacidades tecnológicas que sirvan a las necesidades de los pueblos en la periferia y semiperiferia del sistema mundial. Durante los últimos dos años, nuestro equipo se ha enfrentado a una pregunta engañosamente simple: ¿se puede aprovechar la IA para fortalecer —en lugar de suplantar— el trabajo intelectual de los científicos sociales que investigan los problemas más importantes para el Sur Global?

La respuesta a la que hemos llegado no es un tecno-optimismo ingenuo ni una tecnofobia reflexiva. Hemos desarrollado lo que llamamos AI4SS (IA para las Ciencias Sociales), un marco integral que, fundamentado en una infraestructura de investigación confiable, opera a través de tres capas interconectadas: una capa ontológica que reconceptualiza las categorías fundamentales de la investigación en la era de la IA; una capa metodológica que traduce estos conceptos en arquitecturas técnicas concretas; y una capa práctica que implementa estas arquitecturas en sistemas funcionales. Este marco no es meramente teórico. Ha sido probado en la producción de investigaciones sobre soberanía digital, competencia tecnológica y políticas de desarrollo —investigaciones que ya han comenzado a circular entre la comunidad académica y quienes toman decisiones en todo el Sur Global.

Lo que distingue a AI4SS de la proliferación de herramientas de IA que ahora se comercializan para la comunidad académica es su compromiso explícito con lo que llamamos soberanía epistémica: el principio de que lxs investigadorxs del Sur Global deben controlar los medios de producción de conocimiento, en lugar de seguir dependiendo de infraestructuras y marcos desarrollados en y para el Norte Global. Esto no significa rechazar las tecnologías del Norte; tal postura sería tanto impráctica como contraproducente. Significa construir la capacidad para adaptar, extender y redirigir estas tecnologías de acuerdo con nuestras propias agendas de investigación y tradiciones intelectuales.

Las páginas que siguen presentan el marco AI4SS en su totalidad: los problemas que aborda, las ideas que encarna, la arquitectura que despliega y las aplicaciones que ya ha habilitado. Nuestra esperanza es que este estudio sirva no solo como una introducción a nuestro trabajo, sino como una invitación a la colaboración. Los desafíos que enfrenta la investigación en ciencias sociales en el Sur Global no pueden ser resueltos por un solo equipo o institución. Requieren un esfuerzo colectivo, una infraestructura compartida y solidaridad transfronteriza; ofrecemos AI4SS como una contribución a ese proyecto más amplio.

1. La crisis de la investigación en ciencias sociales en la era de los datos

Las ciencias sociales contemporáneas se enfrentan a una paradoja: nunca antes había estado disponible tanta información sobre las sociedades humanas; nunca antes las herramientas para procesar esa información habían sido tan poderosas. Sin embargo, la experiencia vivida por lxs investigadorxs —particularmente aquellos que trabajan en instituciones con escasos recursos en todo el Sur Global— suele ser de frustración, fragmentación y futilidad. La brecha entre lo que es teóricamente posible y lo que es prácticamente alcanzable se hace más amplia con cada año que pasa. Para comprender por qué es así, debemos examinar las contradicciones estructurales que definen la investigación en ciencias sociales en la coyuntura actual.

1.1 La paradoja del ancho de banda: abundancia de datos frente a límites cognitivos

La primera contradicción surge de la colisión entre el crecimiento explosivo de los datos disponibles y las limitaciones biológicas de la cognición humana. Considere la situación a la que se enfrenta una persona que estudia, por ejemplo, la economía política de las industrias extractivas en África Occidental. Existen materiales relevantes en múltiples idiomas (inglés, francés, portugués, árabe y numerosos idiomas africanos); en múltiples formatos (informes gubernamentales, presentaciones corporativas, artículos de noticias, documentos académicos, publicaciones en redes sociales, imágenes satelitales, grabaciones de audio de reuniones comunitarias); y a través de múltiples jurisdicciones (nacional, regional, internacional). El volumen total de información potencialmente relevante supera con creces lo que cualquier individuo, o incluso cualquier equipo, podría leer, y mucho menos analizar.

Ante este diluvio, se ha recurrido tradicionalmente a dos estrategias complementarias: el muestreo y la abstracción. El muestreo significa seleccionar un subconjunto manejable de los datos disponibles según ciertos criterios (muestreo aleatorio, intencional o por conveniencia). La abstracción significa reducir la complejidad de los datos mediante la categorización, codificación y cuantificación. Ambas estrategias son legítimas y a menudo necesarias, pero ambas conllevan también pérdidas significativas. El muestreo implica que se pueden excluir pruebas potencialmente cruciales; la abstracción significa que la textura granular de la realidad social —las palabras específicas que usa la gente, los contextos particulares en los que se desarrollan los acontecimientos— se suaviza en favor de categorías genéricas.

El resultado es una especie de imperativo reduccionista integrado en los fundamentos mismos de la metodología de las ciencias sociales. No porque lxs investigadorxs prefieran la simplificación, sino porque el ancho de banda cognitivo de los seres humanos —lo que Herbert Simon denominó “racionalidad limitada”, nuestra capacidad finita para leer, recordar y razonar—nos obliga a simplificar. Perdemos amplitud para ganar profundidad, o sacrificamos profundidad en busca de la amplitud. La posibilidad de lograr ambas simultáneamente —de realizar una investigación que sea a la vez exhaustiva y granular—parecía descartada por los límites estrictos del procesamiento humano de la información.

1.2 La brecha del rigor: imprecisión generativa frente a precisión computacional

La segunda contradicción surge de las características peculiares de las herramientas de IA que están más ampliamente disponibles en la actualidad. Los modelos de lenguaje de gran tamaño, como ChatGPT, han capturado la imaginación pública y se han introducido rápidamente en la práctica académica. Estos sistemas destacan en ciertas tareas: resumir textos, generar prosa y responder preguntas en lenguaje natural. Sin embargo, sufren de limitaciones bien documentadas que los hacen problemáticos para el trabajo académico serio.

La principal de ellas es el fenómeno de la alucinación: la tendencia de los modelos de lenguaje a generar afirmaciones que suenan plausibles pero que son fácticamente incorrectas. Las investigaciones han demostrado que más de la mitad de las citas académicas generadas por ChatGPT son inventadas, e incluso el más avanzado GPT-4 todavía muestra una tasa de fabricación del 18%. Un modelo al que se le pide resumir un cuerpo bibliográfico puede inventar citas que no existen; al pedirle que analice un conjunto de datos, puede reportar hallazgos estadísticos que no guardan relación alguna con los números subyacentes. Estos fallos no son errores por corregir, sino características intrínsecas a la arquitectura probabilística de tales sistemas. Los modelos de lenguaje están entrenados para predecir la siguiente palabra más probable en una secuencia, no para determinar la verdad o verificar hechos. Sus resultados son fundamentalmente generativos en lugar de analíticos, producen texto que suena correcto en lugar de texto que es correcto.

Esto crea una profunda desconexión entre las capacidades de las herramientas de IA de propósito general y los requisitos de rigurosidad de las ciencias sociales. La investigación académica exige no solo la generación de narrativas plausibles, sino también su fundamentación en pruebas verificables; no solo la identificación de patrones, sino su validación mediante inferencia estadística; no solo la articulación de argumentos, sino su coherencia lógica y adecuación empírica. El modelo de lenguaje que puede escribir un borrador útil de una revisión bibliográfica no puede realizar un análisis de regresión, verificar que las fuentes que cita realmente existan o evaluar si sus conclusiones se derivan de sus premisas.

Nos enfrentamos, por tanto, a una brecha entre lo que se puede calcular y lo que se puede comprender entre la precisión determinista del cómputo estadístico y la imprecisión probabilística de la generación de lenguaje. Cerrar esta brecha requiere no simplemente mejores modelos, sino arquitecturas fundamentalmente diferentes: sistemas que puedan integrar la fluidez de los modelos de lenguaje con el rigor de los métodos computacionales, la creatividad de la IA generativa con la rendición de cuentas del razonamiento basado en evidencias.

1.3 El archipiélago disciplinario: aislamiento metodológico frente a imperativos interdisciplinarios

La tercera contradicción se refiere a la organización del propio conocimiento académico. Las ciencias sociales han estado divididas durante mucho tiempo en disciplinas distintas —economía, sociología, ciencia política, antropología, historia— cada una con sus propias tradiciones teóricas, convenciones metodológicas y estructuras institucionales. Esta división del trabajo ha sido productiva en muchos aspectos, permitiendo el desarrollo de conocimientos especializados y la acumulación de saber disciplinario. Pero también ha creado lo que podríamos llamar un Archipiélago Metodológico: un paisaje de islas aisladas, cada una de las cuales habla su propio idioma y emplea sus propias técnicas, con una comunicación limitada entre ellas.

Considere el desafío de evaluar la estrategia de desarrollo de un país del Sur Global. Un economista podría analizar la salud de la estructura económica a través de indicadores macroeconómicos —tasas de crecimiento del PIB, ratios de formación de capital, dependencia comercial—. Una politóloga podría examinar la capacidad de gobernanza, la formulación e implementación de políticas industriales y las limitaciones que las relaciones de dependencia internacional imponen al espacio político. Un sociólogo podría centrarse en las estructuras de desigualdad, la estratificación de los mercados laborales y la distribución de los resultados del desarrollo entre diferentes grupos sociales. Una historiadora podría rastrear cómo los legados coloniales han moldeado la estructura económica y los arreglos institucionales actuales. Cualquier dimensión individual ofrece solo una imagen parcial; el juicio completo —si la vía de desarrollo de un país es sostenible, a quién beneficia, qué fuerzas estructurales la limitan—solo puede surgir a través de la integración. Pero la integración es precisamente lo que impiden las estructuras disciplinarias. ­­

El problema no es meramente intelectual, sino práctico. Las diferentes disciplinas utilizan programas informáticos, formatos de datos y protocolos analíticos distintos. Una investigación cualitativa que trabaja con transcripciones de entrevistas en NVivo (software de análisis de datos cualitativos) no puede combinar fácilmente su análisis con los resultados de Stata (software estadístico) utilizados en investigaciones cuantitativas. La historiadora que lee documentos de archivo no dispone de una forma estandarizada de vincular sus hallazgos con los datos de series temporales del economista. La colaboración interdisciplinaria, cuando ocurre, suele requerir una laboriosa traducción manual entre marcos metodológicos, un proceso tan costoso en tiempo y esfuerzo que ocurre con mucha menos frecuencia de la que debería.

Lo que se necesita no es la abolición de la especialización disciplinaria, sino su trascendencia a través de la interoperabilidad metodológica: la capacidad de que las herramientas y técnicas desarrolladas en un campo puedan emplearse fácilmente en otro, y de que los hallazgos generados a través de un método se integren sistemáticamente con los de otros métodos. Dicha interoperabilidad no puede lograrse únicamente mediante recomendaciones; requiere una infraestructura técnica que permita comunicarse a las diferentes tradiciones metodológicas.

1.4 La inversión del trabajo: tarea mecánica frente a creación intelectual

La cuarta contradicción es quizás la más insidiosa porque no se refiere a la naturaleza de los resultados de la investigación, sino a la asignación del trabajo de investigación. Si se pregunta a cualquier científico social cómo pasa su tiempo, probablemente enumerará una letanía de tareas que poco tienen que ver con el trabajo intelectual creativo que lo atrajo a la academia en primer lugar: dar formato a citas, depurar conjuntos de datos, buscar bibliografía, convertir archivos entre formatos, lidiar con sistemas burocráticos. Estas tareas son necesarias, pero no suficientes; deben hacerse, pero hacerlas no supone un avance del conocimiento.

El resultado es una inversión distorsionada de valores: lxs investigadorxs dedican la mayor parte de su tiempo en trabajos mecánicos de bajo valor, mientras que el trabajo intelectual de alto valor —la construcción teórica, la comprensión interpretativa, la formulación de ideas genuinamente nuevas— queda relegado a las pocas horas que sobran. Esta inversión es especialmente dañina en el Sur Global, donde a menudo carecen del apoyo institucional (asistentes de investigación, personal administrativo, infraestructura técnica) que sus homólogos del Norte dan por sentado. Un profesor en Lagos o La Paz puede pasar más tiempo en tareas burocráticas y técnicas que un profesor en Londres o Los Ángeles, disponiendo de menos tiempo para la investigación que podría establecer su reputación y hacer avanzar su carrera.

La ironía es que muchas de estas tareas mecánicas son precisamente aquellas en las que las máquinas deberían ser buenas. Las computadoras destacan en operaciones repetitivas, emparejamiento de patrones, conversión de formatos y recuperación de información. Los humanos destacan en el juicio, la interpretación, la creatividad y el tipo de comprensión contextual que proviene de la experiencia vivida. Como observó Norbert Wiener en Cibernética y sociedad (The Human Use of Human Beings, 1950), una división racional del trabajo asignaría a las máquinas lo que las máquinas hacen mejor y reservaría para los humanos lo que los humanos hacen mejor. En cambio, tenemos lo contrario: las máquinas (que a menudo alucinan) se utilizan para pensar, mientras que los humanos realizan las tareas pesadas que las máquinas podrían manejar.

2. Hacia un nuevo paradigma: el fundamento ontológico de AI4SS

Las contradicciones señaladas anteriormente no son características inevitables de la condición humana; son productos históricos de configuraciones tecnológicas e institucionales específicas. A medida que esas configuraciones cambian, surgen nuevas posibilidades. El marco AI4SS representa un intento de aprovechar esas posibilidades —reconceptualizar las categorías fundamentales de la investigación en ciencias sociales a la luz de lo que la inteligencia artificial hace posible en la actualidad. Esta reconceptualización opera a nivel ontológico: no se refiere meramente a las herramientas que se utilizan en la investigación, sino a la naturaleza de la investigación— es decir, a las relaciones entre quien investiga, los datos, el método y el resultado.

Organizamos el fundamento ontológico de AI4SS como una estructura de tres niveles que llamamos “Una Base, Cuatro Pilares, Un Núcleo”. La Base es una Infraestructura Confiable, que responde a la pregunta “¿por qué debemos confiar en ella” —proporcionando mecanismos de garantía de calidad a nivel del sistema que son el requisito previo para que todas las capacidades funcionen de forma fiable. Los Cuatro Pilares son la Percepción Integral de los Datos, el Análisis Multidimensional, la Producción Omnicanal y la Sinergia Interdisciplinaria, que responden a la pregunta “¿qué puede hacer?”, cuatro capacidades funcionales mutuamente independientes pero que se refuerzan entre sí, cada una de las cuales responde a las contradicciones estructurales identificadas anteriormente. El Núcleo es el Humano en el Bucle, que responde a la pregunta “¿a quién sirve?” —define la relación entre la IA y lxs investigadorxs humanos, y constituye el ancla de valor de todo el sistema.

Los fundamentos ontológicos de AI4SS: Una Base, Cuatro Pilares, Un Núcleo

2.1 La base: infraestructura confiable

Para aplicar la inteligencia artificial a la investigación académica seria, primero debemos enfrentarnos a un problema fundamental: el fenómeno de la alucinación en las herramientas de IA de propósito general no es un defecto de software a la espera de una solución, sino una característica de arquitectura intrínseca a la generación probabilística de lenguaje. La “brecha del rigor” identificada en la sección anterior no desaparecerá simplemente porque los modelos se vuelvan más grandes o más capaces. Abordarla requiere no mejores modelos, sino arquitecturas de restricción a nivel de sistema.
Esto es precisamente lo que distingue a AI4SS de la proliferación de herramientas de IA de propósito general que inundan actualmente el mercado. No estamos ofreciendo un chatbot más inteligente; estamos construyendo una infraestructura de investigación confiable, un sistema diseñado desde el principio con los estándares académicos como sus restricciones vinculantes. La confiabilidad se despliega a lo largo de varias dimensiones interconectadas. Las rutas de ejecución deben ser predecibles y auditables: El sistema opera a lo largo de pautas predeterminadas, no se permite que la IA se salte pasos ni tome atajos, y cada paso intermedio puede inspeccionarse y rastrearse. Cada afirmación debe ser rastreable hasta su fuente original: la cadena demostrativa de la investigación académica no puede romperse, y la ruta desde el resultado final hasta los datos subyacentes debe preservarse en su totalidad. La producción de contenido y la verificación de calidad debe ser separada: al igual que en el sistema de revisión por pares de las publicaciones académicas, el agente que genera el contenido no puede revisar su propia producción —agentes de verificación independientes deben realizar la comprobación—. Las conclusiones críticas requieren una validación cruzada multifuente: los juicios que dependen de una sola fuente conllevan un riesgo inherente de sesgo sistemático; las conclusiones sólidas solo pueden surgir de la convergencia de múltiples flujos de evidencia independientes.

Sin este fundamento, cuanto más potentes se vuelvan las cuatro capacidades descritas, mayor será el riesgo de producir contenido poco confiable a gran escala. Un sistema capaz de percibir vastas cantidades de datos, realizar análisis multidimensionales y generar productos multicanal simplemente produciría errores con mayor eficiencia y a mayor escala si careciera de mecanismos de control de calidad. La capacidad y la confiabilidad deben construirse en tándem —esta es la premisa fundamental de toda la arquitectura de AI4SS.

2.2 Percepción integral de los datos: ampliando el horizonte cognitivo

El primer pilar responde a la paradoja del ancho de banda expandiendo fundamentalmente la gama de datos que pueden incluirse en el ámbito de una investigación. La percepción integral de los datos significa no solo acceder a más datos, sino transformar la relación entre quien investiga y los datos de tal manera que la exhaustividad y la granularidad sean alcanzables simultáneamente.

Esta transformación opera a lo largo de tres ejes. El primero está relacionado con la propiedad y acceso a los datos. La investigación tradicional en ciencias sociales ha dependido en gran medida de conjuntos de datos de acceso público —estadísticas gubernamentales, repositorios de encuestas, textos publicados—. Pero parte de la información más valiosa existe detrás de varias barreras: datos corporativos patentados, registros gubernamentales confidenciales, bibliografía académica tras paywalls y el conocimiento tácito incorporado en notas de campo y grabaciones de entrevistas que se acumulan pero rara vez sistematizan. La percepción integral de los datos implica la construcción de lo que llamamos Fosos Cognitivos Institucionales: repositorios seguros de activos de datos de alto valor que se convierten en la base de programas de investigación sostenidos. Mediante protocolos adecuados de control de acceso, cifrado y almacenamiento local, las instituciones pueden construir bases de conocimiento acumulativas que incrementan su valor con el tiempo.

El segundo eje está relacionado con la integración de formatos. La realidad social no se presenta en hojas de cálculo perfectamente estructuradas. Se manifiesta en textos e imágenes, en grabaciones de audio y vídeo, en mapas, diagramas y notas manuscritas. Los métodos de investigación tradicionales han tenido dificultades para integrar estas diversas modalidades, obligando a quien investiga a analizar cada formato por separado y a sintetizar los resultados manualmente. Los avances en IA multimodal hacen posible ahora procesar texto, imágenes, audio y vídeo dentro de marcos analíticos unificados —extraer información de una fotografía y relacionarla con la información de un documento, o transcribir una entrevista y vincular su contenido a conjuntos de datos cuantitativos.

El tercer eje está relacionado con el idioma. La mayor parte del conocimiento humano no está en inglés; sin embargo, el inglés domina la infraestructura de la academia global. Para lxs investigadorxs del Sur Global, esto crea una disyuntiva: o restringen la investigación a fuentes en inglés y se pierden materiales locales cruciales, o invierten un enorme esfuerzo en la traducción y pierden productividad en otros frentes. Las tecnologías de alineación semántica basadas en representaciones vectoriales permiten ahora un enfoque diferente: el mapeo de textos en diferentes idiomas en un espacio semántico común donde el significado puede compararse y recuperarse independientemente del idioma original. Una persona realizando una investigación no necesita hablar portugués con fluidez para buscar en un archivo brasileño, ni árabe para analizar documentos políticos egipcios. La barrera del idioma no desaparece, pero se vuelve permeable.

La percepción integral de los datos, por tanto, no consiste únicamente en tener más datos. Se trata de establecer una nueva relación entre quien investiga y la totalidad de la información relevante —una relación en la que las limitaciones del ancho de banda cognitivo individual se superan mediante el uso de la tecnología, mientras que la granularidad y la riqueza contextual de las fuentes originales se preservan en lugar de diluirse mediante la abstracción.

2.3 Análisis multidimensional: contra el reduccionismo

El segundo pilar aborda el imperativo reduccionista que históricamente ha limitado la metodología de las ciencias sociales. El análisis multidimensional significa llevar a cabo investigaciones que sean de alcance integral sin sacrificar la profundidad del compromiso — que analiza el conjunto de datos completo en lugar de una muestra, y preserva la microtextura de la realidad social en lugar de suavizarla en categorías agregadas.

Esto no es un rechazo del muestreo o de la abstracción como tales. Hay contextos en los que el muestreo sigue siendo necesario (cuando la población es genuinamente abierta o inaccesible) y la abstracción sigue siendo valiosa (cuando la pregunta de investigación se refiere específicamente a patrones agregados). Pero estas deberían ser elecciones metodológicas, no necesidades tecnológicas. Lxs investigadorxs deberían poder elegir entre el muestreo y el análisis exhaustivo basándose en las exigencias de la investigación, no en las limitaciones de las herramientas disponibles.

El análisis multidimensional implica varias capacidades interconectadas. Cómputo exhaustivo significa procesar la totalidad de un conjunto de datos en lugar de un subconjunto, identificando patrones que el muestreo podría pasar por alto y detectando valores atípicos y casos límite que quedarían excluidos de los promedios estadísticos. El análisis holográfico significa mantener el acceso a los datos originales incluso cuando se identifican patrones de nivel superior —la capacidad de desglosar desde un hallazgo agregado hasta las instancias específicas que lo componen—, moviéndose con fluidez entre los niveles macro y micro del análisis. La retroalimentación iterativa significa establecer bucles dinámicos entre el material empírico y la construcción teórica, permitiendo que la teoría guíe la exploración de datos al tiempo que permanece abierta a revisión a la luz de lo que revelan los datos.

Quizás lo más importante es que el análisis multidimensional busca integrar lo que tradicionalmente han sido tradiciones metodológicas separadas: lo cuantitativo y lo cualitativo, lo estadístico y lo interpretativo. Esta integración no es una cuestión de simplemente combinar números y narrativas; requiere sistemas capaces de validación mutua, donde los hallazgos estadísticos puedan contrastarse con la evidencia cualitativa y las interpretaciones cualitativas puedan ponerse a prueba frente a los patrones cuantitativos. El objetivo no es disolver la distinción entre los métodos, sino permitir su interacción productiva.

2.4 Producción omnicanal: múltiples productos a partir de un conocimiento unificado

El tercer pilar se refiere a la relación entre la investigación y sus audiencias. Tradicionalmente, el resultado principal de la investigación en ciencias sociales ha sido el artículo académico o la monografía —un formato optimizado para la revisión por pares y la credibilidad disciplinaria, pero a menudo poco adecuado para llegar a audiencias más amplias o influir en las políticas. Aquellos que desean comunicarse más allá de la academia deben participar en un proceso independiente de traducción: reescribir sus hallazgos en un lenguaje accesible, reconfigurar sus argumentos para diferentes medios y adaptar sus presentaciones para distintos contextos. Este trabajo de traducción requiere mucho tiempo y a menudo está infravalorado por las instituciones académicas.

La producción omnicanal invierte esta relación entre investigación y resultado. En lugar de producir un único texto canónico que luego debe traducirse a otros formatos, se trabaja con una base de conocimiento unificada a partir de la cual se pueden generar múltiples productos según sea necesario. El mismo análisis subyacente puede manifestarse como un artículo académico para una revista revisada por pares, un informe de políticas para funcionarios del gobierno, un artículo de fondo para un público general educado, una presentación para una conferencia pública o incluso una producción de audio o vídeo para una difusión más amplia. Cada producto se adapta a su público y medio previstos, pero todos se nutren del mismo fundamento empírico y mantienen la misma integridad argumental.

Esta capacidad depende de varias características técnicas. La generación de contenido adaptativo significa la capacidad de ajustar el registro, el vocabulario y la estructura retórica según el público objetivo. La emulación estilística significa la capacidad de ajustarse a convenciones específicas — el formato de una revista en particular, el estilo editorial de una publicación determinada o las normas de presentación de una disciplina concreta—. La producción multimodal significa la generación no solo de texto, sino también de visualizaciones, gráficos y potencialmente audio y vídeo. Y la procedencia rastreable significa mantener lo que llamamos el “cordón umbilical digital” que vincula cada resultado con sus fuentes demostrativas — la capacidad de verificar cualquier afirmación rastreándola hasta los datos subyacentes—.

La producción omnicanal sirve así tanto a la eficiencia como a la rendición de cuentas. Permite maximizar el impacto del trabajo al llegar a diversas audiencias a través de los canales adecuados, garantizando al mismo tiempo que esta diversificación no comprometa el rigor académico ni el fundamento empírico.

2.5 Sinergia interdisciplinaria: interoperabilidad metodológica

El cuarto pilar aborda el archipiélago metodológico mediante el establecimiento de una infraestructura para la integración interdisciplinaria. La sinergia interdisciplinaria significa no meramente fomentar la colaboración entre disciplinas, sino construir los sistemas técnicos que hagan que dicha colaboración sea prácticamente factible.

El mecanismo clave es la encapsulación de capacidades: la organización de los métodos disciplinarios como unidades modulares que pueden ser utilizadas por investigadorxs de otros campos sin necesidad de dominar los detalles técnicos subyacentes. El conjunto de herramientas de regresión de un economista, el sistema de codificación cualitativa de un sociólogo, el protocolo de búsqueda de archivos de un historiador: cada uno puede envolverse en una interfaz estandarizada que expone su funcionalidad ocultando la complejidad de su implementación. Un investigador o investigadora que necesite realizar un análisis estadístico no tiene por qué convertirse en estadístico; solo necesita saber cómo invocar la capacidad correspondiente e interpretar sus resultados.

Esta encapsulación se despliega a dos niveles. A nivel de herramienta, los protocolos estándar como el Model Context Protocol (MCP) permiten que sistemas heterogéneos intercambien datos y comandos en formatos consistentes; herramientas creadas por diferentes equipos, en distintos lenguajes de programación y para diversos fines, pueden trabajar juntas dentro de flujos de trabajo integrados. A nivel de conocimiento, el ecosistema de habilidades emergente (como la plataforma abierta de habilidades de agentes Skills.sh) permite empaquetar el conocimiento metodológico como unidades de capacidad reutilizables en múltiples plataformas e instalables con un solo clic; un flujo de trabajo analítico desarrollado para una persona puede ser invocado directamente por otra al otro lado del mundo, de forma muy parecida a la instalación de un complemento de software. Un MCP aborda cómo se conectan las herramientas; el ecosistema de habilidades aborda cómo circula el conocimiento. Juntos, permiten que un investigador o investigadora se convierta no en especialista en un único método, sino en orquestador -capaz de ensamblar flujos de trabajo multimétodo adecuados para la pregunta en cuestión.

La sinergia interdisciplinaria también implica la colaboración fractal: la capacidad de escalar la investigación cooperativa desde proyectos individuales hasta grandes programas multiinstitucionales. La misma infraestructura que permite a una sola persona invocar múltiples herramientas metodológicas permite a los equipos coordinar su trabajo, a las instituciones compartir sus capacidades y a las redes de investigadorxs de todo el Sur Global mancomunar sus recursos. La visión es una de construcción de capacidades colectiva y acumulativa, en lugar de un esfuerzo fragmentado y duplicado.

2.6 El núcleo: humano en el bucle — potenciar, no reemplazar

Como núcleo de todo el marco, el concepto de Humano en el Bucle es en cierto modo la idea más fundamental, ya que se refiere a la relación entre lxs investigadorxs humanos y la propia inteligencia artificial. El Humano en el Bucle es tanto una arquitectura técnica como un compromiso filosófico: el principio de que los sistemas de IA deben potenciar la inteligencia humana en lugar de sustituirla, y servir a los propósitos humanos en lugar de imponer los suyos propios.

Este principio tiene varias dimensiones. El anclaje de valor significa que el ser humano conserva la autoridad sobre los marcos éticos, los estándares estéticos y las preocupaciones sociales que guían la investigación. El sistema de IA no determina qué preguntas vale la pena hacer o qué respuestas son deseables; opera dentro de los parámetros establecidos por los humanos de acuerdo con los valores humanos. La soberanía cognitiva significa que los humanos conservan el poder de veto final sobre los resultados de los sistemas de IA, particularmente en campos que requieren la construcción teórica, la interpretación del significado y el juicio normativo. Cada resultado generado por la IA es una propuesta sujeta a la revisión humana, no un producto final; el sistema debe hacer visibles sus procesos de razonamiento y accesibles sus cadenas de evidencia, permitiendo a quien investiga verificar y, cuando sea necesario, revocar las conclusiones algorítmicas. La máquina puede proponer; el humano dispone.

Al mismo tiempo, el Humano en el Bucle exige la automatización del trabajo mecánico: la delegación en las máquinas de aquellas tareas que estas pueden realizar de manera confiable y que consumen el tiempo humano sin comprometer capacidades distintivamente humanas. La búsqueda de bibliografía, el formato de citas, la limpieza de datos y la conversión de archivos son actividades que los sistemas de IA pueden manejar de manera más eficiente que los humanos y cuya automatización libera a lxs investigadorxs para concentrarse en el trabajo que realmente requiere inteligencia humana. Pero aquí debe establecerse una distinción crítica: el objetivo de la automatización no es un canal automatizado de extremo a extremo sin intervención humana, sino un ciclo iterativo de colaboración humano-máquina. AI4SS favorece un proceso iterativo de Planificar-Hacer-Verificar-Ajustar en el que los humanos mantienen la capacidad de intervenir en cada etapa para reevaluar la dirección, modificar los parámetros y perseguir pistas inesperadas que el sistema por sí solo no habría identificado.

El objetivo final es lo que llamamos reincorporar la experiencia: liberar el ancho de banda cognitivo de lxs investigadorxs para que puedan regresar al trabajo de campo, al archivo, al compromiso directo con las realidades sociales que estudian. La ironía de la situación actual es que quienes investigan experimentan cada vez más a sus sujetos solo a través de la mediación de conjuntos de datos y documentos, mientras pasan su tiempo en tareas administrativas y técnicas que podrían automatizarse. El Humano en el Bucle invierte este patrón: las máquinas se encargan del trabajo mediado y repetitivo, mientras que los humanos reclaman la capacidad del encuentro directo — para escuchar a las “voces silenciosas” que ningún conjunto de datos puede captar por completo. El tiempo y la energía ahorrados gracias a la automatización deben reinvertirse en actividades que requieran la presencia y percepción humanas: el trabajo de campo, las entrevistas, la inmersión en archivos y la reflexión teórica.

3. La arquitectura técnica: un núcleo, tres repositorios, cuatro campos

Los conceptos ontológicos descritos anteriormente deben materializarse en sistemas técnicos concretos. La clave de la implementación es la modularidad: las diferentes capacidades se realizan como componentes independientes conectados a través de interfaces estandarizadas, en lugar de agruparse en un único sistema monolítico. Esto permite flexibilidad (los componentes pueden actualizarse, sustituirse o ampliarse sin afectar al conjunto), resiliencia (el fallo de un componente no colapsa el sistema) y desarrollo colaborativo (las instituciones pueden aportar componentes especializados y compartirlos con la comunidad en general). Esta sección presenta la capa metodológica de AI4SS: la arquitectura que traduce el marco conceptual en una infraestructura operativa. Describimos esta arquitectura mediante la fórmula esquemática de “un núcleo, tres repositorios, cuatro campos”.

La arquitectura técnica de AI4SS: Un Núcleo, Tres Repositorios, Cuatro Campos

3.1 El entorno de ejecución inteligente (“Un núcleo”)

En el corazón de AI4SS se encuentra lo que llamamos el entorno de ejecución inteligente: el motor computacional que impulsa todas las operaciones del sistema. Este entorno de ejecución consta de dos componentes principales:

El primero es un motor de inferencia de modelos grandes que proporciona capacidades para la comprensión del lenguaje natural, el análisis semántico y la generación de contenidos. Este componente aprovecha los notables avances en el modelado del lenguaje de los últimos años, permitiendo a los sistemas procesar texto no estructurado a gran escala, comprender el significado de los documentos en lugar de limitarse a buscar palabras clave, y generar una prosa coherente que exprese los hallazgos analíticos.

El segundo componente es la arquitectura de sistema multiagente declarativa, el cual hemos formalizado bajo el nombre de POMASA (Arquitectura de Sistema Multiagente Orientada a Patrones en español). En lugar de escribir código procedimental que especifique exactamente cómo deben realizarse las tareas, POMASA permite definir planos de agentes —especificaciones declarativas de lo que los agentes deben lograr—, a qué recursos pueden acceder y cómo deben interactuar. Estos planos son interpretados por el entorno de ejecución, que instancia y orquesta los agentes especificados para llevar a cabo tareas de investigación complejas.

La combinación de las capacidades del modelo de lenguaje con la orquestación multiagente permite un salto cualitativo en lo que los sistemas de IA pueden lograr. Los modelos de lenguaje individuales, a pesar de toda su potencia, funcionan de forma aislada: procesan datos entradas y generan resultados, pero no pueden coordinarse con otros sistemas, no pueden mantener el estado a través de las interacciones ni pueden implementar flujos de trabajo complejos que impliquen múltiples pasos y múltiples funciones especializadas. La arquitectura multiagente supera estas limitaciones descomponiendo las tareas complejas en subtareas gestionadas por agentes especializados, coordinando el flujo de información entre agentes y gestionando el proceso global desde el inicio hasta su finalización.

3.2 El lago de datos RAG multimodal (“Tres repositorios”)

El segundo elemento arquitectónico se refiere al almacenamiento y la recuperación de datos. AI4SS opera sobre un lago de datos de Generación Aumentada por Recuperación (RAG) multimodal: una infraestructura de datos integral que almacena los materiales de investigación en formatos optimizados para el procesamiento y la recuperación por parte de la IA.

Esta infraestructura comprende tres repositorios distintos. El repositorio de datos estructurados contiene conjuntos de datos cuantitativos limpios y validados: tablas estadísticas, resultados de encuestas, indicadores económicos y otra información numérica organizada en formatos adecuados para el análisis computacional. El repositorio de materiales no estructurados almacena textos originales, imágenes, grabaciones de audio, secuencias de vídeo y otros materiales primarios en sus formatos nativos, indexados para su recuperación semántica pero preservando la plena fidelidad a los originales. El repositorio de activos de procesos acumula los productos intermedios de la investigación —notas de trabajo, análisis preliminares, plantillas metodológicas, mejores prácticas—, lo que permite el aprendizaje institucional— y la transferencia de conocimientos.

La arquitectura RAG garantiza que los resultados generados por la IA permanezcan fundamentados en evidencias reales. Cuando el sistema formula una respuesta, no se apoya únicamente en los patrones aprendidos durante el entrenamiento (que es la fuente de las alucinaciones en los modelos de lenguaje estándar); recupera los materiales relevantes de los repositorios y fundamenta su generación en este contexto recuperado. El resultado son productos que no solo son fluidos sino también afirmaciones verificables que pueden rastrearse hasta fuentes específicas en la base de conocimientos subyacente.

3.3 El ecosistema de capacidades técnicas (“cuatro campos”)

El tercer elemento arquitectónico organiza las diversas capacidades técnicas requeridas para la investigación asistida por IA en cuatro campos funcionales, cada uno de los cuales corresponde a una fase distinta del proceso de investigación:

3.3.1 Campo de la Percepción de la Información

El Campo de la Percepción de la Información se encarga de la captación y el procesamiento preliminar de los datos. Entre sus capacidades se incluyen: extracción de datos web y acceso mediante API a fuentes abiertas; integración de bases de datos comerciales y materiales de pago; análisis de documentos en múltiples formatos (PDF, Word, Excel, PowerPoint); comprensión de imágenes mediante modelos multimodales; transcripción de audio y vídeo; construcción de grafos de conocimiento a partir de texto no estructurado; y archivo de datos con clasificación y control de acceso. Este campo corresponde a la función de “detección” del sistema de investigación, su interfaz con el mundo externo de la información.

3.3.2 Campo del Razonamiento Cognitivo

El Campo del Razonamiento Cognitivo realiza un procesamiento analítico profundo. Sus capacidades incluyen: indexación de texto completo a múltiples granularidades (frase, párrafo, documento, cuerpo); comprensión profunda de documentos que capta el significado y la estructura del argumento; planificación de la investigación y determinación de rutas; exploración de datos multidimensionales a través de diferentes niveles de abstracción; generación dinámica de agentes especializados para tareas concretas; análisis estadístico y prueba de hipótesis; métodos econométricos avanzados, como análisis de datos de panel, variables instrumentales y diferencias en diferencias; y razonamiento probabilístico para el reconocimiento de patrones, inducción semántica e inferencia causal. Este campo corresponde a la función de “pensamiento” —el núcleo analítico del sistema—.

3.3.3 Campo de Expresión y Renderizado

El Campo de Expresión y Renderizado se encarga de la generación y presentación de los resultados. Sus capacidades incluyen: generación de informes con estructuración lógica; visualización de datos mediante gráficos, tableros de control (dashboards) e infografías; generación de visualizaciones guiadas por lenguaje natural (quien investiga describe lo que necesita en una sola frase y recibe un gráfico terminado); gestión de contenidos con control de versiones; tipografía multiformato para artículos académicos, informes de políticas, presentaciones, artículos y videos; adaptación de la distribución multicanal; seguimiento del linaje de datos y gestión de citas; registro de auditoría para el cumplimiento y la integridad académica. Este campo corresponde a la función de “habla”: la interfaz con las audiencias humanas.

3.3.4 Campo de la Gobernanza Colaborativa

El Campo de la Gobernanza Colaborativa gestiona la coordinación y el control de calidad. Sus capacidades incluyen: colaboración en equipo y sincronización en tiempo real; control de versiones al estilo Git para datos y documentos; encapsulación del conocimiento del campo con exposición de API; adaptación de protocolos cruzados entre sistemas; gestión de formatos de cita (Chicago, APA y otras normas); verificación automatizada de hechos; detección y señalización de sesgos; motores de flujo de trabajo para los procesos de revisión y publicación. Este campo corresponde a la función de “reguladora”, encargada de asegurar la calidad, consistencia y rendición de cuentas.

Juntos, estos cuatro campos proporcionan una arquitectura de capacidades integral que respalda todo el ciclo de vida de la investigación, desde la adquisición de datos hasta el análisis, pasando por la publicación y la divulgación.

4. De la teoría a la praxis: aplicaciones de AI4SS

Un marco de referencia es tan bueno como sus aplicaciones. Los conceptos y arquitecturas descritos anteriormente seguirían siendo meramente teóricos si no se encarnaran en sistemas funcionales que produzcan resultados de investigación reales. Global South Insights ha desarrollado más de 40 aplicaciones dentro del marco AI4SS, abarcando campos que van desde la economía política hasta la investigación agrícola, pasando por estudios regionales y nacionales y el análisis de crisis. Estas aplicaciones se ejecutan en la Plataforma Unificada de Datos de GSI —según la documentación interna de GSI, una infraestructura de datos integral que integra 96 conjuntos de datos de instituciones como las Naciones Unidas, el Banco Mundial y el Fondo Monetario Internacional, y que abarca 41.100 indicadores y 3.450 millones de filas de datos. Esta sección presenta cuatro ejemplos representativos que demuestran la viabilidad y utilidad del marco.

4.1 Meta-RAG: la infraestructura del conocimiento

Meta-RAG es la implementación insignia del concepto de lago de datos RAG multimodal de AI4SS. No es simplemente una herramienta, sino una infraestructura: un sistema integral para transformar metodologías de investigación implícitas en flujos de trabajo de software configurables. Describimos este enfoque como “metodología de investigación como configuración”: la idea de que los procedimientos seguidos en la investigación puedan especificarse explícitamente, implementarse sistemáticamente y repetirse de manera confiable.

El sistema comprende más de 30 agentes atómicos, incluidos Evaluadores, Orquestadores y Validadores, que pueden combinarse en flujos de trabajo personalizados. Los usuarios pueden diseñar procesos de investigación que incorporen bucles de planificación, ejecución y evaluación con supervisión humana en puntos de control específicos. La arquitectura de datos subyacente utiliza bases de datos vectoriales PostgreSQL para almacenar bases de conocimiento multimodales, cada una de las cuales contiene decenas de miles de incrustaciones de vectores que permiten la recuperación semántica de textos, imágenes y otros materiales. Para cualquier tema de investigación, se puede construir una base de conocimientos especializada que contenga miles de documentos de alta calidad en aproximadamente una semana a un costo de unos US$200, un trabajo que tradicionalmente requeriría meses de acumulación de literatura.

Meta-RAG se ha desplegado para apoyar la investigación en economía política, tecnología agrícola y estudios marxistas, entre otros campos. Un caso representativo demuestra sus capacidades: un proyecto de estrategia de desarrollo nacional africano utilizó el flujo de trabajo de la “Lente de la Nueva Economía Estructural” de Meta-RAG para producir recomendaciones de políticas estructuradas. El sistema integró de forma autónoma marcos macroeconómicos con políticas industriales específicas de cada sector, generando un informe exhaustivo de varios capítulos con una estructura estandarizada. El tiempo total de procesamiento fue de 27 minutos; el costo total en recursos computacionales fue de US$2,91.

Estas ganancias en eficiencia son significativas, pero no son el punto principal. Lo que importa es que el proceso de investigación siga siendo transparente, verificable y reproducible. Cada resultado puede rastrearse hasta sus fuentes; cada paso analítico puede ser examinado y, si es necesario, refutado. La rapidez y la economía de la investigación asistida por IA no se logran a expensas del rigor académico.

4.2 El Índice de Soberanía Digital: evaluando la autonomía del Sur Global

El proyecto del Índice de Soberanía Digital (DSI) aplica AI4SS a una pregunta de investigación sustantiva de relevancia directa para el Sur Global: el grado en que las naciones controlan sus propios destinos digitales. A partir de un marco teórico desarrollado por nuestro equipo, el DSI evalúa a los países a través de cuatro dimensiones: propiedad de datos, infraestructura digital, gobernanza del ciberespacio y capacidad digital, para producir evaluaciones integrales de la soberanía digital.

La implementación técnica utiliza la arquitectura POMASA con seis agentes especializados coordinados por un orquestador. Los planos de los agentes suman aproximadamente 21.000 palabras; los materiales de referencia (incluidas las rúbricas de puntuación, las matrices de decisión y la documentación de respaldo) suman aproximadamente 188.000 palabras. La metodología de evaluación especifica más de 5.400 criterios de evaluación individuales organizados en 16 indicadores, cada uno de ellos acompañado de normas de puntuación multinivel.

Hasta la fecha, el sistema ha completado las evaluaciones de las 11 naciones BRICS. Para cada país, el proceso de investigación recopila más de 700 evidencias primarias, que luego se deduplican y se someten a un control de calidad para obtener entre 400 y 500 elementos de evidencia de alta calidad (una tasa de deduplicación del 35-42%). El resultado final para cada país es un informe de evaluación estructurado de entre 11.000 y 13.000 palabras. El tiempo total de procesamiento por país es de aproximadamente seis horas.

La validación externa ha sido alentadora. Pablo Martínez, de la Universidad Nacional de General Sarmiento (UNGS) en Argentina, respondiendo a la evaluación del DSI sobre Argentina en 2024, observó: “Un trabajo realmente perspicaz. La paradoja de las capacidades y la puntuación de 2,0/5,0 son hallazgos críticos para nosotros”. Tales comentarios sugieren que la investigación asistida por IA puede producir resultados que los especialistas consideran genuinamente útiles; es decir, no solo plausibles sino sustantivamente valiosos.

4.3 El Sistema de Estudios Regionales y por Países

El Sistema de Estudios Regionales y por Países representa la implementación más ambiciosa de AI4SS hasta la fecha: una infraestructura de datos integral para la producción de investigación académica de extremo a extremo. No es un asistente que ayuda a redactar; es un sistema de producción que puede generar de forma autónoma resultados de investigación listos para su publicación a partir de datos y parámetros especificados.

La escala del sistema refleja su ambición. Incorpora 317 agentes declarativos organizados en 64 orquestaciones de canales (pipeline orchestrations). Se conecta a 6 servidores MCP (que proporcionan un total de 123 herramientas) con acceso a publicaciones pagas, reconocimiento óptico de caracteres (OCR) para documentos escaneados y diversos servicios analíticos. La arquitectura de control de calidad incluye 294 puertas de calidad —puntos de control automatizados distribuidos a través de las capas del flujo de trabajo, que incluyen la ampliación bibliográfica, la observación de la investigación y el análisis profundo— que verifican los resultados frente a los estándares especificados y señalan posibles alucinaciones.

Las ganancias de eficiencia son drásticas. Los proyectos de investigación que tradicionalmente requerirían de 6 a 12 meses de trabajo a tiempo completo pueden completarse en 40-60 horas de tiempo de ejecución del sistema, lo que supone una mejora de la eficiencia de entre 100 y 200 veces. Los resultados finales son sustanciales: informes de 40 a 80 páginas (entre 60.000 y 100.000 caracteres chinos o su equivalente), que incorporan más de 3.000 citas precisamente formateadas en estilo Chicago o APA.

El sistema se ha utilizado para elaborar estudios de países que cubren temas como la gobernanza social, la acumulación de capital y las relaciones de dependencia internacional. No se trata de visiones generales superficiales, sino de profundos tratamientos analíticos que se comprometen seriamente con las fuentes primarias y la bibliografía secundaria, que construyen argumentos y evalúan pruebas, cumpliendo con los estándares que se esperan de las instituciones de investigación profesional.

4.4 Exploración rápida: de la pregunta al conocimiento sin intermediarios

El último ejemplo no es un gran programa de investigación, sino una exploración improvisada que ilustra una dimensión diferente del potencial de AI4SS: la capacidad de realizar indagaciones rápidas y autodirigidas.

Un experto de la industria india se nos acercó con una pregunta: ¿cuáles son las contradicciones estratégicas en los controles de exportación de semiconductores de EE. UU. y qué oportunidades podrían crear para el Sur Global? En la economía del conocimiento tradicional, una pregunta de este tipo iniciaría un patrón familiar de dependencia: el experto tendría que encontrar a alguien con la experiencia pertinente, solicitar acceso a los materiales, esperar a que se recopilara una revisión bibliográfica y, en última instancia, depender de otros para obtener el análisis. El conocimiento fluye a través de intermediarios; quienes no tienen acceso a las redes adecuadas quedan excluidos.

En su lugar, simplemente introdujimos su pregunta directamente en la herramienta generadora de POMASA. No se proporcionó ninguna información adicional más allá del planteamiento original de su problema. En 30 minutos, el sistema había creado un aparato de investigación multiagente completo —7 agentes especializados que implementaban 14 patrones arquitectónicos— configurados para explorar con precisión la pregunta que él había planteado. A continuación, el sistema funcionó de forma autónoma durante unas dos horas, recopilando 106.000 palabras de material de origen, verificando las pruebas, realizando el análisis y produciendo un informe de 12 capítulos de 7.600 palabras con 122 referencias.

La constatación fundamental es la siguiente: él mismo podría haberlo hecho. Todo el proceso no requirió ningún acceso privilegiado, ninguna experiencia especial ni el permiso de ningún intermediario. POMASA es un marco de código abierto; los entornos de ejecución inteligentes que lo ejecutan están disponibles comercialmente; los patrones metodológicos están documentados y son fáciles de aprender. Una persona investigando en cualquier parte del mundo, con una sola pregunta y una familiaridad básica con las herramientas, puede llevar a cabo el mismo tipo de exploración rápida.

Esto representa una profunda democratización de la investigación exploratoria. Tradicionalmente, la capacidad de examinar rápidamente un campo, identificar los debates clave y generar conclusiones preliminares se ha concentrado en instituciones con abundantes recursos, amplias bibliotecas, asistentes de investigación y redes establecidas. Lxs investigadorxs de la periferia han tenido que esperar por el acceso, por las traducciones, por la síntesis de otra persona. AI4SS rompe esta dependencia. El costo de la experimentación intelectual cae a casi cero. Una hipótesis puede ser probada en horas en lugar de meses. Una pregunta puede ser explorada antes de comprometerse con un programa de investigación completo.

Esta agilidad no sustituye a la investigación rigurosa y sostenida; la hace posible al permitir a una investigadora o investigador identificar qué preguntas merecen una atención más profunda. Y lo que es crucial, desplaza el lugar de control: la persona con la pregunta se convierte quien tiene la respuesta, o al menos con una primera aproximación sustantiva que ha producido personalmente.

5. Implicaciones para el Sur Global

Las aplicaciones descritas anteriormente demuestran que AI4SS es técnicamente viable y prácticamente productivo. Pero ¿qué significa esto para el proyecto más amplio de producción de conocimiento en y para el Sur Global? Esta sección examina las implicaciones de la investigación en ciencias sociales asistida por IA para la comunidad académica, las instituciones y los movimientos en la periferia y semiperiferia del sistema mundial.

5.1 Soberanía epistémica

La implicación más fundamental se refiere a lo que hemos llamado soberanía epistémica: la capacidad de lxs investigadorxs del Sur Global para determinar sus propias agendas de investigación, desarrollar sus propios marcos analíticos y controlar las infraestructuras a través de las cuales se produce y difunde el conocimiento.

La economía global del conocimiento actual se caracteriza por profundas asimetrías. Las principales editoriales académicas tienen su sede en el Norte; los índices de citas dominantes privilegian a las revistas del Norte; los sistemas de IA más potentes son desarrollados por corporaciones del Norte y entrenados con datos predominantemente del Norte. Lxs investigadorxs del Sur Global operan dentro de este sistema, pero tienen una influencia limitada sobre él. Su trabajo es evaluado según los estándares del Norte, publicado en espacios del Norte y, a menudo, enmarcado en función de las preocupaciones teóricas del Norte.

AI4SS ofrece un camino, no hacia la autarquía, la cual no sería posible ni deseable, sino hacia una mayor autonomía dentro de la interdependencia. Al construir bases de conocimiento institucionales a partir de materiales locales, las investigaciones crean fosos cognitivos que no pueden ser simplemente apropiados o anulados. Al desarrollar marcos analíticos adaptados a las preocupaciones del Sur, la arquitectura agnóstica desde el punto de vista teórico de AI4SS permite que el mismo sistema funcione libremente a través de marcos marxistas, liberales, realistas y otros, de modo que quienes investigan no se vean rehenes de los supuestos ideológicos integrados en sus herramientas, aseguran que los sistemas de IA sirvan a las agendas del Sur en lugar de imponer las categorías del Norte. Al mantener el control humano sobre la dirección y la interpretación de la investigación, preservan el espacio para tradiciones intelectuales que difieren de la corriente principal globalizada.

No se trata de rechazar el conocimiento o la tecnología del Norte. Gran parte de lo que el Norte ha producido es genuinamente valioso y debe abordarse con seriedad. Pero el compromiso debe ser crítico y selectivo, no pasivo y masivo. La soberanía epistémica significa la capacidad de aprender de los demás sin estar subordinados a ellos.

5.2 Multiplicación de capacidades

La segunda implicación se refiere a la capacidad de investigación. Los institutos del Sur Global suelen operar con menos recursos que sus homólogas del Norte: presupuestos más reducidos, cargas docentes más pesadas, menor apoyo administrativo e infraestructuras más débiles. Estas limitaciones restringen lo que pueden lograr, independientemente de sus capacidades intelectuales.

AI4SS ofrece una forma de multiplicación de capacidades que compensa parcialmente las disparidades de recursos. El trabajo mecánico que consume tanto tiempo —la revisión bibliográfica, el procesamiento de datos, el formateo, el control de calidad— puede automatizarse en gran medida, liberando a quienes investigan para concentrarse en actividades que requieren inteligencia humana y no pueden delegarse en máquinas. Los equipos pequeños pueden generar resultados que antes habrían requerido grandes instituciones ; quien investiga de forma individual puede abordar preguntas que antes habrían exigido programas de colaboración.

Esta multiplicación no es ilimitada. Los sistemas de IA requieren infraestructura (recursos informáticos, electricidad estable, internet confiable), experiencia (para diseñarlos, desplegarlos y mantenerlos) y juicio (para evaluar y verificar sus resultados). Estos propios requisitos imponen restricciones, especialmente para las instituciones con menos recursos. Pero dentro de esos límites, es posible lograr avances significativos. Los casos presentados anteriormente ya demuestran que esta promesa no es vacía: US$200 y una semana para construir una base de conocimientos especializada, seis horas para completar una evaluación integral de un país, y proyectos de investigación que tradicionalmente toman de 6 a 12 meses completados en tan solo 40-60 horas.

5.3 Colaboración transfronteriza

La tercera implicación se refiere a la colaboración en todo el Sur Global. Lxs investigadorxs del Sur reconocen desde hace tiempo el valor de la cooperación Sur-Sur: el intercambio de experiencias, el uso compartido de recursos y el desarrollo colectivo de perspectivas que difieren de los marcos hegemónicos del Norte. Sin embargo, esa cooperación se ha visto a menudo obstaculizada por dificultades prácticas: la distancia, las barreras lingüísticas, los sistemas incompatibles y la financiación limitada para viajes e intercambios.

AI4SS proporciona una infraestructura que puede facilitar la colaboración Sur-Sur a gran escala. Los protocolos estandarizados permiten utilizar diferentes herramientas y hablan distintos idiomas trabajar juntos en flujos de trabajo integrados. Los repositorios de conocimiento compartidos permiten a las instituciones mancomunar sus recursos, evitando la duplicación de esfuerzos y construyendo bases de conocimiento acumulativas. La Plataforma Unificada de Datos de GSI ya ofrece un ejemplo: según la documentación interna de GSI, los 96 conjuntos de datos de la plataforma incluyen 274 categorías de agregación universal —naciones de los BRICS, la Unión Africana, agrupaciones por nivel de ingresos, entre otras, lo que permite colaborar sobre una base de datos común desde diferentes países.

Las arquitecturas modulares significan que las capacidades desarrolladas en un contexto pueden adaptarse fácilmente para su uso en otros. La visión es la de una construcción de capacidades cooperativa y distribuida en todo el Sur Global. En lugar de que cada institución desarrolle sus propias herramientas de forma aislada, pueden contribuir a una infraestructura común y nutrirse de ella. En lugar de competir por recursos escasos, pueden colaborar en el desarrollo mutuo. El resultado sería mayor que la suma de sus partes: una red de capacidad de investigación del Sur que, colectivamente, iguale o supere lo que cualquier institución del Norte pueda lograr por sí sola.

5.4 Escrutinio crítico

La implicación final se refiere tanto a los peligros como a las oportunidades de la investigación asistida por IA. La inteligencia artificial no es una tecnología neutral; incorpora los supuestos, sesgos y prioridades de quienes la desarrollan y despliegan. Los modelos de lenguaje entrenados predominantemente en materiales en inglés procedentes de fuentes del Norte pueden reproducir las perspectivas del Norte incluso cuando se aplican a cuestiones del Sur. Los sistemas algorítmicos optimizados para la eficiencia pueden sacrificar los matices y el contexto. El propio poder de las herramientas de IA crea riesgos de dependencia excesiva, de sustituir el juicio humano por los resultados de las máquinas, de confundir la fluidez con la precisión.

AI4SS responde a estos peligros a través del principio del Humano en el Bucle y los mecanismos de salvaguarda que ya se han implementado en la práctica — las 294 puertas de calidad; la separación arquitectónica de la producción de contenidos de la verificación de la calidad; la trazabilidad de la evidencia de extremo a extremo. Estas no son meramente declaraciones de principios, sino la realidad operativa real del sistema. Sin embargo, los mecanismos solo son eficaces cuando quienes los manejan ejercen un escrutinio crítico activo. Los sistemas de IA deben ser tratados como herramientas, no como oráculos —instrumentos útiles que deben ser supervisados, verificados y, cuando sea necesario, anulados—. El juicio humano debe seguir siendo primordial, especialmente en asuntos que implican interpretación, valoración y evaluación normativa.

El escrutinio crítico también significa prestar atención a la economía política de la propia IA. ¿Quién se beneficia del desarrollo y despliegue de los sistemas de IA? ¿A qué intereses sirven? ¿Cómo redistribuyen el poder y los recursos? Estas preguntas deberían fundamentar no solo cómo usamos la IA, sino cómo participamos en su desarrollo y gobernanza. El Sur Global no debería ser un mero consumidor de tecnologías desarrolladas en otros lugares, sino un participante activo en la configuración del futuro tecnológico.

6. Conclusión: hacia un paradigma de investigación descolonizado

Este estudio ha presentado AI4SS como un marco integral para la inteligencia artificial en la investigación en ciencias sociales, desarrollado por y para investigadorxs del Sur Global. Hemos argumentado que las ciencias sociales contemporáneas se enfrentan a contradicciones estructurales —la paradoja del ancho de banda, la brecha del rigor, el archipiélago disciplinario, la inversión del trabajo— que limitan lo que lxs investigadorxs pueden lograr y perjudican a quienes trabajan en instituciones con recursos insuficientes. Hemos propuesto una reconceptualización ontológica a través de la estructura de “Una Base, Cuatro Pilares, Un Núcleo” —la Infraestructura Confiable como fundamento; la Percepción Integral de los Datos, el Análisis Multidimensional, la Producción Omnicanal y la Sinergia Interdisciplinaria como los cuatro pilares; y el Humano en el Bucle como el núcleo— que en conjunto definen un nuevo paradigma para la investigación asistida por IA. Hemos descrito una arquitectura técnica que materializa estos conceptos en la práctica y hemos demostrado su viabilidad a través de aplicaciones concretas.

El camino a seguir requiere un desarrollo simultáneo en las tres capas del marco: a nivel ontológico: debemos seguir perfeccionando nuestra comprensión de lo que la IA hace posible y de lo que amenaza, cómo puede potenciar la inteligencia humana y dónde debe permanecer subordinada al juicio humano. A nivel metodológico: debemos construir y mejorar los sistemas técnicos que traducen los conceptos en capacidades, garantizando que estos sistemas encarnen nuestros principios y sirvan a nuestros propósitos. A nivel práctico: debemos aplicar estos sistemas a preguntas de investigación que importen, produciendo un conocimiento que avance los intereses de los pueblos del Sur Global.

Este no es un trabajo que un solo equipo pueda lograr por sí solo. AI4SS se ofrece no como un producto terminado, sino como una contribución a un esfuerzo colectivo. Invitamos a lxs investigadorxs de todo el Sur Global a comprometerse con este marco —a usarlo, criticarlo, adaptarlo y ampliarlo—. Las herramientas que hemos desarrollado están disponibles; las arquitecturas que hemos diseñado pueden implementarse en otros lugares; los principios que hemos articulado pueden guiar el trabajo en contextos muy diferentes al nuestro. Lo que nosotros hemos comenzado, otros pueden continuarlo y mejorarlo.

Las apuestas más amplias son significativas. La era de la inteligencia artificial está sobre nosotros y sus contornos aún se están configurando. El Sur Global no tiene por qué ser un receptor pasivo de tecnologías diseñadas por y para el Norte; puede ser un participante activo a la hora de determinar cómo se desarrolla la IA y a qué propósitos sirve. Un paradigma de investigación descolonizado —uno que aproveche el poder tecnológico al tiempo que preserve la agencia humana, que aprenda del conocimiento global al tiempo que sirva a las necesidades locales, que construya la capacidad del Sur al tiempo que fomente la solidaridad global— está a nuestro alcance. La tarea consiste en alcanzarlo.

Concluimos con una invitación y un desafío: A lxs investigadorxs del Sur Global: relaciónense con la IA no como una amenaza a la que hay que temer o una moda a la que hay que seguir, sino como una capacidad que hay que dominar y dirigir. a las instituciones: inviertan en la infraestructura y la experiencia que requiere la investigación asistida por IA, y construyan las redes colaborativas que multipliquen su impacto. a los movimientos: insistan en que la tecnología sirva al pueblo, que los beneficios de la IA se compartan ampliamente y que la era de la inteligencia artificial se convierta en una era de auténtico florecimiento humano.

El futuro no está determinado. Se construye mediante decisiones, luchas y acciones colectivas. AI4SS es una contribución para construir un futuro en el que los pueblos del Sur Global no sean objetos de investigación sino sus sujetos, no consumidores de conocimiento sino sus productores, no seguidores en el cambio tecnológico sino sus pioneros. Ese futuro no llegará por sí solo. Debe ser construido. La construcción comienza ahora.