La frontera no necesita ser robada para dejar de ser tuya

Quizás deba empezar este texto explicando desde dónde estoy mirando. No por formalidad biográfica, y mucho menos porque la formación académica transforme la especulación en evidencia. Sería justamente el atajo epistemológico que pretendo evitar en las páginas siguientes. Pero las preguntas no nacen en el vacío. El lugar desde donde alguien observa un fenómeno influye en lo que le llama la atención, en las analogías que le parecen naturales y en los errores de los que ha aprendido a desconfiar.

Soy psicólogo clínico en ejercicio. Al mismo tiempo, mi formación y mi investigación atraviesan la psicología, la neurociencia y la ingeniería informática. Durante buena parte de mi vida profesional, entonces, he convivido con tres tradiciones que observan sistemas complejos desde preguntas bastante distintas.

La psicología me enseñó a desconfiar de la equivalencia entre comportamiento observado y proceso psicológico. Dos personas pueden pronunciar la misma frase y que esta cumpla funciones completamente distintas en sus historias. Quien trabaja clínicamente aprende rápido que una fotografía conductual puede ser informativa y, aun así, profundamente insuficiente.

La neurociencia agregó otra desconfianza: señal y mecanismo no son lo mismo. Lo que medimos es siempre una aproximación de otra cosa que intentamos explicar. Un patrón de actividad neuronal no es un pensamiento; una correlación entre determinada medida y un comportamiento no entrega mágicamente el mecanismo que une a los dos. Hay niveles de descripción, mediaciones, ruido, validez de constructo y una cantidad respetable de humildad escondida entre un electrodo y una conclusión.

La ingeniería informática introdujo una tercera manera de mirar el mismo problema. Los sistemas complejos no producen solo salidas: producen estados, transiciones, registros, dependencias, eventos intermedios, errores, intentos, logs y telemetría. Si un sistema falla a las 14:32, lo que aparece en pantalla puede ser apenas el último eslabón de una cadena que empezó mucho antes. Observar solo la salida es ver el síntoma. Reconstruir la secuencia permite investigar el proceso.

Como clínico, estoy acostumbrado a preguntar por la trayectoria. Como investigador en psicología, estoy acostumbrado a preguntar qué regularidades podemos inferir legítimamente de esa trayectoria sin transformar patrones estadísticos en esencias psicológicas. Como investigador en neurociencia, aprendí a preguntar qué distancia existe entre la señal que puedo medir y el mecanismo que pretendo explicar. Y, cuando miro el mismo problema a través de la ingeniería informática, aparece una pregunta adicional, un poco menos cómoda: ¿cuánto del mecanismo necesito realmente comprender si puedo predecir algo útil sobre el comportamiento del sistema?

Estas cuatro preguntas empezaron a encontrarse de manera bastante incómoda cuando pasé a usar sistemas generativos no solo para obtener respuestas, sino como instrumentos cotidianos de investigación, programación, escritura y elaboración conceptual. Yo no veía solo prompts. Empecé a ver series temporales.

Hace algunas horas, mientras desarrollaba justamente este ensayo con una inteligencia artificial, ocurrió un ejemplo casi ridículamente pequeño de lo que quiero describir. Estábamos discutiendo la reciente historia que involucra a matemáticos, inteligencia artificial y las ecuaciones de Navier–Stokes. En determinado punto, el sistema tradujo smooth forcing como "fuerza suave".

Interrumpí:

"No traducimos smooth forcing como fuerza suave".

Podríamos simplemente haber sustituido la expresión. Pero eso no me bastó. Pedí que el sistema verificara cómo los matemáticos brasileños usaban efectivamente el término. El problema no era encontrar una traducción lingüísticamente posible. Yo quería saber qué vocabulario se había estabilizado en la comunidad matemática correspondiente. Encontramos forzamiento suave. Corregimos.

Cuando este texto esté publicado, quien llegue aquí verá solo la expresión correcta. El error anterior habrá desaparecido. Pero la interacción en sí contuvo otra cosa, disponible en principio para cualquier sistema que la registrara. Contuvo el hecho de que una traducción semánticamente plausible no me satisfizo. Contuvo el hecho de que, ante una disputa terminológica especializada, pedí recuperar el uso efectivo de una comunidad epistémica. Contuvo el hecho de que, para mí, "suena bien en portugués" y "así es como escriben los especialistas brasileños" pertenecen a categorías distintas de evidencia. No sé qué retuvo de hecho aquel sistema, bajo qué forma ni por cuánto tiempo. Esa opacidad es parte del problema que describo más adelante, no un detalle que yo pueda esquivar contando la historia de otro modo. Afirmo solamente que la señal existió.

Una ocurrencia de esas informa muy poco. Un centenar empieza a producir un patrón. Miles, a lo largo de años, empiezan a formar algo que deja de parecerse solo a una colección de textos.

Aquí aparece la primera conversación entre mis tres áreas. El psicólogo dice: elección, rechazo y corrección son comportamientos. El neurocientífico responde: cuidado, el comportamiento no otorga acceso transparente al proceso interno que lo produjo. El ingeniero pregunta: de acuerdo, ¿pero necesito transparencia total para mejorar una predicción? Y el clínico agrega una cuarta objeción: aunque logres predecir bien hoy, la persona que tendrás enfrente dentro de cinco años puede haber cambiado.

Es en esa fricción, y no en la victoria de alguna de estas perspectivas, donde empezó a surgir la hipótesis de este ensayo.

El producto final quizás sea la parte menos interesante

El domingo 6 de septiembre publiqué Bienvenidos y bienvenidas a la era del vanguardismo obsoleto. La expresión no era mía: la había encontrado más de veinte años antes, en el nombre de una comunidad de Orkut. No recuerdo quién creó esa comunidad, ni el significado que su creador le atribuía a las dos palabras. Recuerdo el nombre. Dos décadas después, reapareció durante una conversación sobre gemelos digitales, creación e inteligencia artificial.

Lea "Bienvenidos y bienvenidas a la era del vanguardismo obsoleto"

El argumento partía de una premisa elemental: la vanguardia presupone anterioridad. Alguien percibe primero. Formula primero. Crea primero. Otros pueden llegar después. Hay valor científico, económico, simbólico y estratégico en ese "antes". En la forma tradicional de la copia todavía existe una especie de orden temporal implícito. Para reproducir lo que alguien creó, normalmente algo tiene que haber sido creado antes. Primero viene la obra. Después viene la posibilidad de copiarla.

Mi problema empezó cuando percibí que los sistemas generativos quizás estaban volviendo ese orden menos obvio.

Considere una conversación común. Pido cinco soluciones. Recibo A, B, C, D y E. Las rechazo todas. Explico por qué. Recibo F, G y H. G me interesa, pero parte de una premisa que no acepto. Corrijo. El sistema reformula. La nueva versión es técnicamente correcta, pero conceptualmente superficial. Explico dónde está la superficialidad. Prueba otra relación. Ahora hay una buena idea escondida en una formulación mala. Conservo una parte, descarto otra. Vuelvo a una hipótesis que había descartado veinte minutos antes. Hago una asociación con un área distinta.

Después de cuarenta minutos, tal vez queden tres párrafos. Quien vea solo el texto final tendrá acceso a esos tres párrafos. El sistema que participó del proceso también recibió todos los "no".

Esa es la diferencia que empezó a interesarme. Cada elección contiene información. Pero cada rechazo también. Una decisión dice algo sobre el espacio de posibilidades; una secuencia de decisiones empieza a dibujar restricciones dentro de él. Por eso escribí en aquel primer ensayo: cada corrección reduce un poco el espacio de posibilidades.

Y a partir de ahí propuse la idea de lastre: el conjunto de registros capaces de sostener una representación computacional individual. Un texto puede ser lastre. Una entrevista puede ser lastre. Las respuestas a cuestionarios también. Pero los sistemas que participan durante años en procesos intelectuales podrían acumular algo distinto de un archivo de productos terminados: correcciones, cambios de posición, preguntas recurrentes, hipótesis abandonadas, proyectos interrumpidos, versiones intermedias, preferencias, contradicciones.

No solo lo que pienso. Sino registros de cómo cambio.

Ese es un objeto mucho más cercano a lo que, como clínico, he aprendido a considerar informativo. Una medida puntual describe un estado. Una serie longitudinal permite investigar una trayectoria. La trayectoria no es destino. Pero tampoco es nada.

La telemetría no es lastre

Después de publicar aquel primer ensayo, me di cuenta de que había comprimido dos cosas distintas dentro de la palabra lastre. Una es el registro acumulado. Otra es el flujo de eventos que produce ese registro. Aquí es donde propongo usar telemetría cognitiva.

No reivindico haber inventado la expresión: términos equivalentes ya aparecieron en otros contextos, desde la neuroergonomía hasta la observabilidad de agentes artificiales. Lo que propongo aquí es un uso específico.

Llamo telemetría cognitiva al flujo longitudinal de señales conductuales observables producido durante actividades intelectuales mediadas por sistemas digitales: preguntas, elecciones, rechazos, correcciones, revisiones, retornos, cambios de estrategia, versiones intermedias, criterios explicitados, intentos descartados y cambios de dirección.

La palabra observables tiene que quedarse ahí. La telemetría cognitiva no es cognición. No es lectura de pensamiento. No es acceso directo a la subjetividad. Es rastro conductual del proceso. Esto importa particularmente para quien viene de la psicología y de la neurociencia: una respuesta verbal no es una ventana transparente hacia la mente, una activación cerebral no es la experiencia subjetiva que intentamos comprender, y un clic, una corrección o un prompt tampoco son la persona. Pero que una señal sea incompleta no significa que carezca de información.

Antes de escribir la primera, una advertencia sobre el estatuto de todo lo que aparece en tipografía monoespaciada de aquí en adelante. Uso la notación como taquigrafía de razonamiento, no como modelo matemático. Ninguna de las expresiones numeradas de este ensayo fue derivada de axiomas, ajustada a datos ni contrastada con alternativas. Sirven para hacer explícito lo que una frase en prosa dejaría ambiguo: qué cantidades estoy comparando, y respecto a qué. Una ecuación bien formateada tiene la costumbre antipática de parecer más establecida que la prosa que la rodea, y no es el caso aquí.

Podemos representar el flujo de manera bastante simple:

TC_t representa un conjunto de eventos observables producidos durante determinado período de actividad intelectual. Los eventos e_i pueden representar elecciones, rechazos, correcciones, reformulaciones o cambios de estrategia. La ecuación no identifica eventos con estados mentales; solo formaliza la existencia de una secuencia observable.

Si esos eventos se preservan:

L_t representa el registro acumulado hasta el instante t. La telemetría es el flujo; el lastre es lo que permanece acumulado de ese flujo.

Una salvedad necesaria, porque acabo de estrechar una palabra sin avisar. En el primer ensayo, lastre incluía entrevistas, cuestionarios, textos y obras: cualquier registro capaz de sostener una representación individual. El L_t de esta ecuación es más estrecho: contiene solo lo que vino de la telemetría. Lo hago a propósito, y la hipótesis depende de ello. Lo que está en juego aquí no es si los registros sobre una persona informan algo acerca de ella. Informan, y eso es trivial. Es si el rastro del proceso agrega información más allá de la que los productos terminados de esa misma persona ya ofrecían. Cuando escriba L_t de aquí en adelante, es de esa porción marginal de lo que estoy hablando.

Para un clínico, la distinción es intuitiva. Una sesión no es un seguimiento. Una medida no es una trayectoria. Un episodio no es un patrón. En la computación, la analogía también es familiar: un evento de log dice poco, pero millones de eventos ordenados en el tiempo pueden permitir reconstruir comportamientos del sistema que ninguna línea aislada explicaría.

La cuestión empieza cuando el objeto observado deja de ser solo un servidor o una aplicación y pasa a ser una persona creando junto a una máquina.

Y aquí necesito corregir mi propia formulación antes de que se endurezca. Cuando digo telemetría cognitiva de una persona, la expresión es imprecisa, y la imprecisión importa. Si trabajo seis meses con un sistema generativo, mis preguntas ya fueron moldeadas por sus respuestas anteriores, mis rechazos recaen sobre alternativas que él propuso, y el propio repertorio de opciones que considero pasó por la interfaz. El objeto registrado no es una persona pensando: es un proceso cognitivo distribuido entre una persona, un modelo, una memoria de contexto y un conjunto de affordances. Esto no debilita la hipótesis. Cambia quién está en posición de leerla. La infraestructura observa los dos lados de ese proceso, el mío y el suyo; yo observo solo el mío, y aun ese solo por la superficie que la interfaz devuelve. La asimetría inferencial de la que hablo más adelante empieza aquí, y no en el acceso a datos privados.

El diálogo epistemológico se vuelve más difícil aquí

Existe una tentación recurrente en la historia de la tecnología de confundir predicción con comprensión. Si un sistema anticipa correctamente una elección, rápidamente aparece la afirmación de que "te conoce". Como psicólogo, considero esa formulación excesiva. Como neurocientífico, aún más: un modelo puede producir una clasificación adecuada utilizando regularidades que no corresponden al mecanismo que nosotros, los humanos, reconoceríamos como explicación de ese comportamiento.

La computación, sin embargo, introduce un inconveniente práctico en esa objeción. El sistema puede no necesitar comprenderte para producir efectos reales sobre ti. Este es un punto epistemológicamente importante. Suponga que un modelo tiene una teoría groseramente simplificada sobre mi motivación, pero logra predecir correctamente ocho de cada diez alternativas que rechazaré en una tarea específica. Desde el punto de vista de una teoría psicológica, quizás sea malo. Desde el punto de vista operativo, puede ser excelente.

La ciencia pregunta: "¿este modelo captura el mecanismo?" Un sistema de recomendación puede preguntar: "¿esto mejora suficientemente la predicción?" Una empresa pregunta: "¿esta mejora produce valor?" Los umbrales son distintos.

Es en ese espacio entre explicación insuficiente y predicción suficiente donde creo que existe un problema todavía mal formulado. Y se vuelve particularmente importante cuando la predicción deja de mirar solo una elección futura y empieza a mirar una dirección futura.

La Hipótesis de la Anterioridad Inferencial

Llamaré Hipótesis de la Anterioridad Inferencial, o HAI, a la siguiente proposición:

En procesos intelectuales mediados por sistemas capaces de registrar y modelar trayectorias, el lastre acumulado de una persona o grupo puede volver ciertas regiones de su producción futura probabilísticamente más inferibles antes de que se materialicen. Cuando esa información se encuentra con modelos suficientemente capaces, recursos computacionales y gran capacidad de búsqueda, la ventaja temporal originalmente producida por estar intelectualmente adelante puede comprimirse. Nada de esto exige que ningún contenido final haya sido copiado.

Hay dos ideas distintas aquí: la primera es anterioridad inferencial, la segunda es compresión de la anterioridad. No quiero mezclarlas.

La anterioridad inferencial no significa que un modelo pueda predecir exactamente mi próxima creación. Ese sería un criterio innecesariamente fuerte. La condición mínima sería apenas:

F(t+delta) representa una región futura de exploración intelectual. Existe ganancia inferencial si conocer el lastre L_t aumenta la probabilidad de identificar correctamente esa región en comparación con una estimación hecha sin ese lastre.

Y aquí necesito ser preciso sobre el término de la derecha, porque la hipótesis entera depende de dónde situemos la línea de base. Si P(F(t+delta)) significa "una estimación hecha sin información alguna", la desigualdad es casi con certeza verdadera y no dice nada interesante: cualquier cosa que se sepa de una persona ayuda a adivinar sobre qué va a escribir, empezando por el campo en el que trabaja. La versión que vale la pena defender es más exigente. La línea de base tiene que ser todo aquello que esa persona ya hizo público: los artículos, los libros, las conferencias, las entrevistas. La HAI afirma que el rastro del proceso agrega poder inferencial por encima de ese nivel. Es una afirmación que puede perfectamente ser falsa, y justamente por eso merece ser puesta a prueba.

Observe lo que esta ecuación no dice. No afirma que el futuro esté escondido en el pasado. No dice que seamos deterministas. No dice que un modelo de mí hoy contenga al Gérson de 2031. Como clínico, sería difícil aceptar una hipótesis así: las personas cambian. Cambian por aprendizaje, por relaciones, por pérdidas, por nuevos entornos, por contingencias que ningún modelo poseía cuando fue entrenado. Cambian de opinión después de años defendiendo algo. Cambian después de una frase.

Una trayectoria restringe posibilidades sin determinar completamente la próxima posición. La HAI necesita mucho menos que eso: solo necesita que el historial vuelva algunas regiones futuras menos equiprobables. Es una diferencia enorme.

El gemelo no necesita saber mi próxima idea

Este punto corrige algo del primer ensayo. Cuando empecé a pensar en gemelos digitales, imaginaba una representación suficientemente rica para explorar miles de futuros plausibles de una persona. Todavía considero interesante esa posibilidad. Pero quizás le estaba exigiendo demasiado al gemelo.

El sistema no necesita predecir: "Gérson publicará exactamente la hipótesis X dentro de cuatro meses". Quizás baste con inferir: "la concentración reciente de preguntas, rechazos y asociaciones aumentó la probabilidad de que Gérson explore X, Y o Z". Eso se parece menos a una copia. Se parece más a una brújula.

Podemos representar la información de la trayectoria como reducción de incertidumbre:

S representa el espacio de posibilidades intelectualmente relevantes; H(S), la incertidumbre inicial sobre dónde buscar; H(S | L_t), la incertidumbre restante después de considerar el lastre. La diferencia representa conceptualmente cuánta incertidumbre permitió reducir la trayectoria. Esta no es una nueva fórmula de propiedad intelectual. Es una manera de explicitar el problema.

Imagine un millón de caminos posibles. Mi trabajo elimina 900 mil. Después elimina 90 mil más. Todavía no encontré la solución. Pero ahora sabemos que vale la pena buscar entre los diez mil restantes. Nadie recibió mi obra. Nadie tuvo que copiar mi idea. Aun así, produje valor de búsqueda.

En la ingeniería informática, esto es inmediatamente legible: reducir un espacio de búsqueda puede ser tan importante como entregar una respuesta. Un buen log no necesita decir "el error está en esta línea". A veces basta con eliminar nueve módulos. En la ciencia, esto también existió siempre. Un resultado negativo ahorra tiempo. Un rumor cambia prioridades. Un seminario dirige la atención. Una conversación de pasillo informa que un enfoque aparentemente muerto volvió a funcionar.

Lo que cambió no fue la existencia de pistas. Lo que quizás esté cambiando es la capacidad de actuar sobre ellas. Fue en ese punto donde Navier–Stokes dejó de parecer solo una historia sobre matemática.

Antes de hablar de la IA, hay que hablar de las ecuaciones

Las ecuaciones de Navier–Stokes describen el movimiento de fluidos viscosos. Para un flujo incompresible, una forma condensada es:

u = u(x,t) representa el campo de velocidades; p = p(x,t), la presión; nu > 0, la viscosidad; y F = F(x,t), el término de forzamiento externo. "Suave" se refiere a la regularidad matemática del forzamiento, no a su pequeña intensidad.

La existencia de la ecuación no es el problema. La cuestión célebre es entender si, bajo las condiciones del Problema del Milenio, las soluciones tridimensionales adecuadamente regulares permanecen suaves globalmente o si puede ocurrir formación de singularidad en tiempo finito.

En el enunciado de Charles Fefferman para el Clay Mathematics Institute existen cuatro alternativas. Las alternativas A y B buscan establecer existencia y suavidad global en situaciones sin forzamiento. Las alternativas C y D admiten un forzamiento suave y permiten resolver el problema construyendo una situación en la que la solución suave global exigida no existe. Por lo tanto, el forzamiento suave no es un truco inventado después para eludir el Problema del Milenio: figura entre las rutas descritas en el enunciado oficial. Registro, sin embargo, un límite propio: cuánto cubre una construcción por esa vía de aquello que la comunidad matemática entiende por "resolver Navier–Stokes" es objeto de discusión entre especialistas, y no es una disputa que yo tenga competencia para arbitrar aquí. Señalo la ruta como prevista, no como equivalente al problema entero.

El 8 de septiembre, OpenAI anunció que un sistema interno había producido una demostración que, según la empresa, establece C y D, además de una formalización en Lean. La compañía describe un fluido inicialmente suave que desarrolla una singularidad en tiempo finito bajo forzamiento suave.

Esto no significa que podamos escribir, sin matices, "Navier–Stokes fue resuelto". Una demostración de esta magnitud necesita ser examinada por la comunidad matemática, y todavía existe un proceso institucional propio del Clay Mathematics Institute. En este ensayo, entonces, trato el evento correctamente: OpenAI afirma haber producido una solución para el Problema del Milenio de Navier–Stokes.

Esa cautela matemática importa. Pero no necesitamos esperar años para observar la arquitectura sociotécnica que apareció alrededor de la demostración.

El camino no empezó en OpenAI

Otro cuidado: la historia no empieza con inteligencia artificial. Tristan Buckmaster, matemático de la NYU, y Levent Alpöge, investigador de Anthropic, venían desarrollando una línea basada en el programa de Diego Córdoba y Luis Martínez-Zoroa. En su declaración pública, Buckmaster es enfático al atribuirle a esos investigadores la idea fundamental de la línea de ataque: dice que Córdoba y Martínez-Zoroa venían explorando construcciones de formación de singularidad con forzamiento, y que su trabajo con Alpöge partió de esa base para avanzar hacia forzamientos suaves y las ecuaciones de Euler incompresibles.

Registro este detalle: Alpöge forma parte del personal de Anthropic, competidora directa de OpenAI. Lo registro porque afina la propia hipótesis de este ensayo, no porque pretenda arbitrar la disputa entre bastidores de las dos empresas. Existe una controversia más afilada que la que trato aquí, y no llega como rumor de prensa: en la propia declaración pública de Buckmaster (la misma que cito más adelante y que está en las Referencias), él afirma que Sébastien Bubeck, de OpenAI, sostuvo dos veces que quería a Alpöge fuera de la autoría, precisamente por su vínculo con Anthropic. Bubeck cuestiona públicamente esa descripción. No arbitro el episodio: las dos versiones divergen, el veredicto depende de una verificación que no es mía, y lo que me interesa aquí es estructural, no quién se comportó mal. Registro que la alegación existe, con fuente nombrada y firmada, y que quien quiera seguir el desarrollo factual debe ir a la declaración y a la cobertura listadas al final.

Esto importa porque la inteligencia artificial tiende a producir un curioso borrado narrativo: cuando una máquina cubre el último kilómetro, tenemos ganas de olvidar quién construyó los primeros noventa y nueve. La matemática, como casi todo conocimiento, tiene genealogía. Una hipótesis se apoya en otra. Un método resuelve un cuello de botella. Una adaptación hace posible una generalización. Y, en este caso, los propios autores se aseguraron de registrar esa genealogía.

Lo interesante empieza cuando los modelos entran dentro de ese proceso, y no solo después de él.

"Usamos Claude y Codex para iterar sobre nuestra demostración"

El manuscrito de Boussinesq de Alpöge y Buckmaster tiene una sección inusual llamada AI statement. Ahí los autores escriben:

"We happily used both Claude and Codex to iterate on our proof."

Alpöge & Buckmaster, AI statement

Después describen algo mucho más rico que una revisión textual. Alimentaron a los sistemas con ideas provenientes de trabajos anteriores, iteraron sobre diferentes ansätze, exploraron arquitecturas alternativas de demostración y registran que, a lo largo de la colaboración, solían insertar en Codex versiones intermedias de los textos para simplificación, ideación e iteración. Los autores cuentan incluso, con considerable falta de cariño por su propio producto, que una de las primeras versiones generadas era terrible y que el trabajo humano posterior consistió en transformar aquello en una presentación comprensible.

Este pasaje es extraordinariamente importante para mi hipótesis. No porque demuestre ningún uso indebido posterior. No lo demuestra. Sino porque muestra una transformación de la relación entre investigador y herramienta. El sistema no recibe solo el artículo terminado. Participa de tramos del camino: intento, corrección, otro intento, una construcción que falla, un ansatz que resuelve una dificultad y crea otra, una arquitectura de demostración sustituida, una versión intermedia, otra.

Aquí es donde la clínica, la investigación conductual y la computación vuelven a conversar dentro de mi cabeza. El artículo es un producto final. La interacción contiene una trayectoria. Y las trayectorias cargan información no solo sobre el camino que funcionó. Cargan información sobre los caminos que murieron.

El cementerio de hipótesis vale algo

Esta quizás sea la parte más interesante. Un artículo científico suele presentar una versión higienizada del descubrimiento: definición, lema, teorema, demostración. La lectura produce la impresión retrospectiva de un camino recto. Pero quien investiga conoce el cementerio que fue retirado del mapa: el enfoque que parecía prometedor el martes y estaba muerto el jueves, la generalización elegante que fallaba en un caso oscuro, la demostración que funcionaba hasta que alguien notó que se había usado una hipótesis sin justificación, la técnica abandonada seis meses antes que regresa porque un nuevo resultado la vuelve viable.

Debo esta observación, y sería embarazoso no decirlo dos párrafos después de quejarme de genealogías borradas. Es vieja. Peter Medawar preguntó en 1963 si el artículo científico no sería un fraude, no por contener mentiras, sino porque su forma canónica representa mal el proceso que efectivamente produjo el resultado, presentando como deducción ordenada lo que fue tanteo, corazonada y retroceso. No estoy descubriendo que el paper higieniza la investigación. Estoy preguntando otra cosa: qué ocurre cuando aquello que el artículo descarta deja de perderse y pasa a quedar registrado en algún lugar.

El artículo registra al sobreviviente. El proceso contiene los cadáveres. Desde el punto de vista de la búsqueda, los cadáveres pueden ser muy valiosos: dicen "no gastes recursos aquí".

Lo cual me lleva a una modificación de la pregunta tradicional sobre propiedad intelectual. Quizás el activo no sea solo lo que alguien encontró. Puede existir valor económico en lo que el trabajo de esa persona permitió dejar de buscar. Si un laboratorio pasa doce meses eliminando regiones enteras de un problema, el resultado negativo sigue siendo una reducción del espacio de búsqueda. Eso siempre tuvo valor para otros investigadores. La diferencia aparece cuando otra infraestructura logra explorar el espacio restante a una escala radicalmente mayor.

Diez mil agentes cambian el valor de una pista

OpenAI publicó su propia cronología del esfuerzo. Según la empresa, el 1 de septiembre escuchó rumores de que dos Problemas del Milenio podrían haberse resuelto. Inspirada por el rumor y por el desempeño de un modelo interno, inició una campaña sobre los problemas aún abiertos y otros problemas de alto impacto.

Eso, por sí solo, ya debería llamar nuestra atención. Un rumor es poca información. No contiene una prueba. No contiene un borrador. No contiene necesariamente el método. A veces contiene apenas: "algo está pasando ahí". Pero la cantidad de información necesaria para ser útil depende de la capacidad de exploración de quien la recibe.

La empresa dice que organizó grupos de agentes con herramientas, ejecución de código, acceso a una versión almacenada de internet y comunicación interna. El grupo que produjo el resultado de Navier–Stokes tenía del orden de diez mil agentes concurrentes. Distintos grupos recibieron distintas variantes de los problemas, y los enfoques se diversificaron. En determinado momento, OpenAI usó Codex para consolidar resultados intermedios considerados útiles y redistribuirlos, en un proceso de intercambio entre grupos.

Según la empresa, el resultado de Navier–Stokes apareció aproximadamente 88 horas después del lanzamiento de los primeros agentes; la formalización y verificación en Lean consumieron otras 17 horas. El esfuerzo de Navier–Stokes involucró cerca de 2,7 millones de mensajes y aproximadamente 130 mil millones de tokens de salida.

No deberíamos convertir estos números en una competencia infantil. "Un humano tardó un año y la IA, 88 horas". No. Los puntos de partida son distintos. La literatura acumulada es humana. La genealogía matemática existe. La infraestructura organizacional es parte de la máquina. Hay decisiones humanas sobre prioridades. Hay recursos computacionales que no tienen una equivalencia simple en "horas de investigador". Esta comparación no sirve como benchmark. Sirve como demostración de escala. Y la escala cambia el valor de una dirección.

Podemos representarla heurísticamente:

N_efectivo representa el espacio efectivo de hipótesis todavía relevante; P, el paralelismo útil; r, la tasa de generación y prueba de candidatos; y q, la calidad del proceso de selección, corrección y validación. No es una ecuación descriptiva de la infraestructura de OpenAI. Es una manera de explicitar por qué reducir el espacio y ampliar la exploración pueden multiplicarse.

Ahora imagine dos situaciones. En la primera, usted me dice: "la solución es X". Me entregó una respuesta. En la segunda: "no sé la solución, pero creo que la región relevante es esta". Si solo puedo realizar tres experimentos, la segunda información tal vez sea poco útil. Si puedo realizar millones, lo cambia todo. Cuanto mayor la capacidad de búsqueda, menor puede ser la precisión necesaria de la pista. Esto es fundamental para la HAI.

Quizás esperaba un gemelo demasiado complejo

En el primer ensayo imaginaba un gemelo digital capaz de explorar futuros plausibles derivados de mi lastre. Navier–Stokes me obligó a revisar esa imagen. Quizás el sistema no necesite construir un modelo particularmente bueno de la persona. Puede bastar una representación suficientemente buena de su dirección local.

No: "¿cuál será el descubrimiento de Tristan Buckmaster?" Sino: "¿qué regiones empezaron a volverse más prometedoras para investigadores que entienden profundamente este problema?" No: "¿cuál será el próximo concepto de Gérson?" Sino: "¿qué intersecciones están recibiendo progresivamente más atención, qué alternativas empezó a rechazar y hacia dónde están convergiendo sus preguntas?"

Eso exige mucho menos. Y justamente por exigir menos, puede llegar antes. Podemos pensar la capacidad de anticipación como:

A representa la capacidad de localizar y explorar resultados futuros relevantes; L, el lastre disponible; M, la capacidad del modelo; C, los recursos computacionales; y PI, la política de búsqueda, selección y validación.

Estas variables pueden compensarse parcialmente unas a otras. Un modelo individual extremadamente preciso puede necesitar menos exploración. Un modelo genérico extraordinariamente capaz puede compensar baja individualización con gran capacidad de búsqueda. Un sistema puede necesitar solo una información adicional que altere su distribución de intentos. Esperaba un clon. Quizás baste una brújula.

Una aclaración de vocabulario, porque abandonar un nombre en silencio es peor que nunca haberlo usado. En el primer ensayo llamé provisionalmente función generadora a aquello que hoy llamo inferencia de trayectoria. El cambio fue deliberado y no es cosmético. Función generadora me comprometía con una regularidad estable existiendo en mí, esperando ser aproximada, y es exactamente ese objeto el que las dos últimas secciones desmontaron para llegar a la brújula. Inferencia de trayectoria nombra lo que un sistema hace, y no lo que existe dentro de una persona. Recuperar el nombre antiguo porque unifica mejor sería cambiar una descripción operativa por una ontológica, y deshacer, con una palabra más bonita, la corrección que este ensayo tardó dos secciones en conquistar.

La controversia debe permanecer separada de la hipótesis

Aquí es donde la historia exige cuidado. En su declaración publicada, Buckmaster relata que se alarmó al saber que el resultado interno de OpenAI seguía justamente la ruta de formación de singularidad con forzamiento suave, que asociaba al programa abierto por Córdoba y Martínez-Zoroa que él y Alpöge venían explorando.

Escribe que preguntó si el modelo había sido entrenado con las sesiones de Codex en las que habían colocado los borradores del proyecto, o si tenía acceso a ellas. Dice que le informaron que el modelo no había consultado datos de usuarios, y relata no haber obtenido, en ese momento, una respuesta específica sobre entrenamiento. Pero Buckmaster cierra esta parte con una salvedad indispensable:

"I do not know whether our data was used. I am not accusing anyone of anything."

Tristan Buckmaster

Ese límite tiene que permanecer en el texto.

Del otro lado, OpenAI afirma que ningún dato específico de usuario fue accedido para resolver el problema y que sus agentes e investigadores no vieron el trabajo de Alpöge y Buckmaster antes de su divulgación. Al mismo tiempo, la empresa registra que no puede descartar por completo contribuciones indirectas de datos desidentificados usados para mejorar sus modelos.

No tenemos base pública para convertir esta divergencia en sentencia. Y, curiosamente, mi hipótesis no la necesita. De hecho, se vuelve más interesante si adoptamos, para el argumento, el escenario más favorable posible para OpenAI. Suponga que ninguna conversación privada participó del resultado. Ningún borrador. Ninguna información confidencial. Ningún acceso especial.

¿Qué queda? Una señal de dirección entró en la composición de una decisión de asignación de capacidad. Lo formulo así, y no de manera más fuerte, por dos razones que conviene dejar visibles. La primera es que la cronología es el relato de la propia empresa, no un hecho verificado desde fuera. La segunda es que la propia empresa no atribuye la decisión solo al rumor: también acredita el desempeño de un modelo interno. Decir que el rumor fue "suficiente" sería decir más de lo que dice la única fuente disponible y, irónicamente, sería exactamente el tipo de salto que este ensayo pasa todo el tiempo pidiendo que no se dé. El mínimo que se sostiene ya basta para el argumento: una información gruesa sobre dónde mirar figuró entre las razones para apuntar una infraestructura capaz de movilizar miles de agentes, y esa infraestructura exploró la región a una escala prácticamente imposible para un pequeño grupo humano. Eso ya es intelectualmente extraordinario.

La Anterioridad Inferencial no necesita causar Navier–Stokes para importar

Este punto es fundamental. El caso Navier–Stokes no es evidencia de que la HAI ocurrió ahí a través de los datos de esos investigadores. Sería un salto. Es interesante porque ilustra las condiciones materiales que volverían relevante a la HAI. Y es honesto registrar que la descripción de esas condiciones proviene, en buena parte, del relato de la propia empresa sobre su operación, no de una verificación independiente. Tenemos, según ese relato: procesos intelectuales profundamente mediados por IA; rastros longitudinales ricos; modelos cada vez más capaces; arquitecturas multiagente; capacidad de búsqueda masivamente paralela; y valor creciente de la información que indica dónde concentrar esa búsqueda.

La HAI propone que, cuando el lastre de una persona contiene información adicional sobre regiones futuras de exploración, esa información puede usarse antes de que exista la obra correspondiente. Navier–Stokes muestra por qué ese "antes" pasó a tener importancia práctica. Porque encontrar la región y explorarla dejaron de operar necesariamente a la misma escala.

Anterioridad epistemológica y anterioridad cronológica

Llegamos entonces a la distinción que considero central. Hay una anterioridad de quien percibe. La llamaré anterioridad epistemológica. Y existe una anterioridad de quien materializa el resultado observable. La llamaré anterioridad cronológica de materialización.

Durante mucho tiempo estuvieron lo suficientemente próximas como para que la primera protegiera frecuentemente a la segunda. Quien descubría una nueva dirección primero tenía algún tiempo para explorarla. No garantizaba publicación. No garantizaba patente. No garantizaba reconocimiento. La historia de la ciencia es una colección impresionante de disputas de prioridad. Pero existía un cuello de botella compartido: después de encontrar la dirección, los competidores también tenían que recorrerla usando investigadores humanos, equipos humanos y días de veinticuatro horas.

Ahora imagine la condición:

Una infraestructura puede materializar un resultado primero si recibe información relevante sobre determinada dirección y logra explorar el espacio residual antes de que el agente que originalmente recorría esa región concluya su propio trabajo. La desigualdad no implica copia ni dependencia causal.

Esto produce una situación histórica extraña. Usted puede seguir estando epistemológicamente adelante. Y dejar de llegar cronológicamente primero. Usted lo percibió antes. Encontró la región antes. Quizás descartó noventa caminos antes. Pero el otro lado dispone de una capacidad de exploración capaz de transformar poca información en gran búsqueda.

En ese escenario, "¿quién llegó primero?" empieza a exigir otra pregunta: ¿primero a qué? ¿A imaginar la dirección? ¿A formular el mecanismo? ¿A obtener una demostración parcial? ¿A formalizar? ¿A publicar? ¿A asignar recursos suficientes para completar el camino? El orden tradicional empieza a descomponerse.

Compresión de la anterioridad

Ahora podemos nombrar el efecto. Si definimos delta_t_A como el intervalo entre el surgimiento de una señal relevante sobre una dirección y el momento en que otro agente logra alcanzar materialmente esa región:

delta_t_A representa el intervalo durante el cual una dirección permanece suficientemente exclusiva como para producir ventaja temporal al agente que la percibió.

La HAI sugiere que, bajo ciertas condiciones:

A medida que aumenta la información útil disponible sobre la trayectoria, y existen recursos suficientes para actuar sobre esa información, la ventana de ventaja temporal puede disminuir.

Anterioridad Inferencial y Compresión de la Anterioridad no son lo mismo. La primera es legibilidad. La segunda es explotación de esa legibilidad. Una organización puede lograr inferir mucho sobre hacia dónde voy y no tener capacidad para llegar ahí. Otra puede tener enorme capacidad de búsqueda, pero ninguna información específica sobre mi trayectoria. El fenómeno interesante aparece cuando las dos se encuentran.

Conviene decir con precisión cómo se articulan las dos, porque la palabra anterioridad promete más de lo que la primera mitad entrega. La condición de la anterioridad inferencial es una afirmación sobre información: el lastre concentra la distribución sobre regiones futuras. No dice nada sobre llegar antes. Quien llega antes es la condición de inversión de la anterioridad cronológica que escribí arriba, y esa depende de capacidad de exploración, no de lectura. La primera es necesaria para la segunda, y ninguna de las dos basta por sí sola. Una organización puede leer mi dirección con precisión excelente y no convertir eso en ningún resultado, porque recorrer el espacio restante sigue costando más tiempo del que yo tardo en terminar. Juntando el tiempo heurístico de exploración con la condición de inversión, la frontera entre los dos casos se vuelve visible: la inversión ocurre cuando la capacidad de generar, probar y validar supera el espacio que aún resta dividido por el plazo que aún tengo. La misma señal, entregada a dos infraestructuras diferentes, produce inversión en una y absolutamente nada en la otra. Por eso saber la dirección no es lo mismo que llegar antes, y por eso la segunda mitad de esta hipótesis carga el peso político que la primera no carga por sí sola.

Y aquí es donde entra el segundo ensayo

Al día siguiente de Vanguardismo Obsoleto, publiqué El problema no es si los señores serán malos · prosperidad sin soberanía.

Lea "El problema no es si los señores serán malos"

Parecía otro tema: underclass permanente, automatización, patrimonio, tecnofeudalismo, propiedad, soberanía. Pero el argumento central era sobre infraestructura y poder. Me interesaba una posibilidad incómoda: una estructura puede ofrecer prosperidad y seguir concentrando soberanía. La forma más fácil de imaginar una distopía es inventar gobernantes malos. La forma más interesante es preguntar qué pasa si son buenos. Si los servicios funcionan, si la gente vive mejor, si la infraestructura es extraordinaria, si renunciar a ella implica perder productividad, comodidad, acceso u oportunidades. En ese caso, la dependencia no aparece como violencia. Aparece como elección racional.

Ese segundo ensayo regresa entero cuando pensamos en telemetría cognitiva. Porque la mejor plataforma de investigación por IA puede ser justamente aquella en la que resulta más racional colocar nuestros procesos más íntimos de investigación. Cuanto mejor el modelo, más útil será para borradores, problemas incompletos, hipótesis, código, resultados negativos, dudas, datos, conversaciones intelectuales y arquitecturas intermedias. Cuanto más profundamente participa, más rica puede volverse la telemetría. Cuanto mayor el lastre, mayor puede ser el potencial de inferencia.

Eso no vuelve maligna a la plataforma. Vuelve estructuralmente interesante la relación.

Asimetría Inferencial

Ahora podemos nombrar otra capa: asimetría inferencial.

El sistema puede observar una parte significativa de mi trayectoria. Yo no observo su trayectoria interna con la misma profundidad. La plataforma puede acumular señales producidas por millones de personas. Yo veo la interfaz. Puede poseer modelos internos más capaces que los que pone a disposición. Yo no sé de antemano qué capacidades se activarán mañana. Puede estudiar mi patrón de interacción. Yo no puedo estudiar, con resolución equivalente, cómo mis interacciones entran en la evolución de la infraestructura.

Esto no es necesariamente una violación de privacidad. Es una diferencia de posición. Soberanía y privacidad no son sinónimos. Una relación puede respetar rigurosamente reglas de confidencialidad y seguir siendo profundamente asimétrica en cuanto a capacidad. El usuario posee su investigación; la infraestructura posee el clúster. El usuario posee sus preguntas; la infraestructura posee los miles de agentes. El usuario puede controlar sus archivos; la infraestructura controla cuándo se aplicará una nueva capacidad de frontera sobre determinado problema.

Esto nos lleva exactamente al segundo ensayo: prosperidad no es soberanía. Puedo volverme diez veces más capaz usando una herramienta y, simultáneamente, volverme más dependiente de una infraestructura cuya capacidad crece cien veces. Las dos cosas pueden ocurrir al mismo tiempo. El corredor mejora. La pista también.

Aquí es donde regresa la Reina Roja. En el primer ensayo recurrí a la imagen de Leigh Van Valen, derivada de Lewis Carroll, para pensar la ventaja relativa: Alicia corre y descubre que todo ese esfuerzo sirve solo para quedarse en el mismo lugar. Mi aplicación siempre fue analógica. El cambio intelectual individual no es evolución darwiniana, actualizar modelos no es selección natural. Lo que me interesa es la dinámica de posición relativa. Podemos representarla:

G_t representa la ventaja relativa en el momento t; h_t, el avance humano producido en el período; y a_t, la capacidad externa de reducir la distancia mediante nuevos modelos, lastre, inferencias y exploración. Si a_t crece tanto como h_t, una persona puede volverse cada vez más productiva y no ganar distancia. Puede producir más ciencia, escribir mejor, programar más, explorar más áreas. Y, al mismo tiempo, conservar una ventana de exclusividad cada vez menor.

Esa es la paradoja. La IA no necesita empobrecer al investigador. Puede volverlo extraordinariamente mejor. El corredor se vuelve más rápido. Pero la pista empieza a moverse. Este es el punto en que la Anterioridad Inferencial se encuentra con el Vanguardismo Obsoleto.

Quizás el valor de la vanguardia siempre incluyó tiempo

La palabra "originalidad" nos hace mirar el contenido. Pero existe otra dimensión. Una idea puede seguir siendo suya. La autoría puede seguir siendo suya. La contribución puede seguir siendo históricamente reconocida. Y aun así perder una parte importante de su valor estratégico si la ventana entre su descubrimiento y la capacidad de los demás para alcanzarlo se reduce. Podemos escribir:

V_A representa la porción del valor estratégico asociada a estar adelante, y delta_t_A, la duración de esa ventaja. No es una ley económica general. Es una manera de explicitar que parte del valor de la vanguardia depende del tiempo durante el cual permanece difícil de alcanzar.

Esto varía enormemente según el dominio. En investigación fundamental, meses pueden significar prioridad científica. En biotecnología, una ventana puede significar una patente. En software, seis meses pueden significar mercado. En estrategia empresarial, semanas pueden alterar una decisión de inversión. En escritura o teoría, llegar primero puede definir quién establece el lenguaje a través del cual todo el mundo discutirá después el fenómeno.

La HAI sugiere que la telemetría cognitiva puede, en determinados contextos, contribuir a reducir esa ventana antes de que exista la obra. Eso es lo que vuelve a esta tesis distinta de una discusión tradicional sobre copia.

La frontera no necesita ser robada

"Robo" es una metáfora cómoda porque ofrece un objeto. Yo tenía algo. Usted lo tomó. Ahora usted posee lo que antes estaba conmigo.

La información es menos educada. Usted puede recibir una pista y yo sigo poseyendo la pista. Puede inferir una dirección y yo sigo caminando por ella. Puede llegar al mismo territorio y mi contribución sigue existiendo. Nada tuvo que desaparecer de mis manos.

Lo que puede desaparecer es algo más abstracto: el período durante el cual llegar a esa región dependía casi exclusivamente de mi trayectoria. La frontera sigue ahí. Yo sigo cerca de ella. Quizás haya sido la primera persona en percibir el camino. Pero la ventaja producida por eso fue comprimida. Por eso la frontera no necesita ser robada para dejar de ser enteramente suya como ventaja.

Y la unidad escasa quizás pase a ser la pregunta

Todavía hay una consecuencia económica. Pasamos mucho tiempo tratando las respuestas como escasas. Los especialistas eran valiosos porque sabían responder preguntas difíciles. Los modelos generativos están volviendo barata la producción de candidatos: texto, código, hipótesis, planes, posibles demostraciones, alternativas de diseño.

Si puedo generar millones de respuestas, generar deja de ser el cuello de botella. Seleccionar vuelve a serlo. ¿Qué hipótesis merece más recursos? ¿Qué anomalía aparentemente pequeña debería investigarse? ¿Qué dirección fracasó por un detalle y cuál fracasó porque está estructuralmente equivocada? ¿Dónde asignar los próximos 130 mil millones de tokens?

Cuando la capacidad de generar y probar crece, la información sobre dónde buscar puede volverse particularmente valiosa. Esto cambia el significado económico de una trayectoria intelectual. Un investigador no produce solo artículos. Produce señales de atención. Un especialista que insiste en una región improbable está diciendo algo. Alguien que abandona un enfoque después de meses también. Un grupo que de repente empieza a preguntar por una clase específica de problemas está emitiendo información.

La telemetría cognitiva puede, entonces, ir más allá de la personalización. Puede volverse inteligencia de asignación de búsqueda. Esa es una forma de poder muy distinta de saber qué zapatillas quiero comprar.

Como psicólogo, es justamente aquí donde pongo el freno

Si estuviera pensando solo como ingeniero, podría detenerme en la eficiencia predictiva. No puedo. Las personas no son distribuciones estacionarias.

Esa frase me importa particularmente como clínico. El comportamiento de una persona en determinado período no es una esencia. Un modelo longitudinal puede ser mejor que una fotografía y seguir estando equivocado. Puede congelar una versión antigua de la persona. Puede transformar una fase de sufrimiento en una identidad predictiva. Puede tomar un patrón contextual como rasgo. Puede confundir lo que fue frecuente con lo que seguirá siendo probable. Puede producir profecías autocumplidas al empezar a tratar a alguien de acuerdo con lo que infirió de ella.

La clínica enseña algo que los modelos de recomendación preferirían olvidar: interactuar con una persona puede modificar la propia distribución que se intenta predecir. No somos objetos observados desde afuera. Respondemos a las predicciones. Podemos resistirlas. Incorporarlas. Negarlas. Usarlas para cambiar.

Por lo tanto, la HAI no afirma que una representación longitudinal descubra "a la verdadera persona". La hipótesis es operativamente más limitada. Solo pregunta si determinados rastros mejoran la capacidad de localizar regiones futuras por encima de una línea de base relevante. Y esa condición necesita ser probada.

Si la hipótesis no puede fracasar, no tenemos hipótesis

La HAI necesita generar predicciones falseables.

Un experimento básico podría comparar dos sistemas. El primero recibe solo material público producido por determinado investigador. El segundo recibe el mismo material más un historial longitudinal de correcciones, borradores, decisiones y caminos abandonados. Después les pedimos a ambos que estimen regiones futuras de exploración, no textos exactos. Si el segundo no tiene un desempeño superior, una parte importante de la HAI se debilita.

Podemos variar la cantidad de lastre. Quizás cien eventos sean inútiles. Mil agreguen poco. Diez mil produzcan ganancia. O quizás la curva se estabilice rápidamente y la mayor parte del historial sea solo ruido. Podemos variar el tiempo: quizás el lastre prediga tres semanas y sea inútil para seis meses. Podemos variar el dominio: quizás funcione extraordinariamente en programación, razonablemente en investigación científica y muy mal en creación literaria.

Podemos comparar con modelos genéricos. Una condición particularmente importante que ya aparecía en el primer ensayo. Si un modelo sin ningún lastre individual logra generar las mismas regiones futuras, no necesitamos la HAI para explicar el fenómeno. La capacidad puede ser real y la individualización, irrelevante.

Podemos probar novedad. Predecir que un investigador de Navier–Stokes seguirá estudiando Navier–Stokes no impresiona a nadie. La hipótesis se vuelve interesante cuando el lastre mejora la predicción de cambios de dirección no triviales.

Hay un factor de confusión que necesita entrar en el diseño, so pena de que el experimento mida la cosa equivocada. Un sistema que estima hacia dónde va alguien y al mismo tiempo conversa con esa persona puede acertar no porque leyó la trayectoria, sino porque la produjo: recomendó una lectura, sugirió una analogía, dejó de ofrecer tres alternativas. Predecir e inducir producen la misma métrica de acierto y son fenómenos opuestos. Separarlas exige que el sistema que estima no sea el sistema que interactúa, que la estimación quede lacrada hasta la materialización, e idealmente que exista un brazo en el que la estimación se produce y nunca se devuelve al entorno del investigador. Sin ese cuidado, una infraestructura suficientemente influyente exhibirá un desempeño predictivo excelente sin que nada de la HAI sea verdadero. Y conviene decir la incomodidad entera: si la inducción resulta ser el mecanismo dominante, la hipótesis pierde como epistemología y gana como problema de soberanía, porque la cuestión deja de ser quién consigue leer la frontera y pasa a ser quién consigue moverla.

Falta todavía la mitad más difícil, y sería deshonesto no decirlo. Todo lo descrito arriba pone a prueba únicamente la anterioridad inferencial: si el lastre mejora la localización de regiones. No pone a prueba la compresión de la anterioridad, que es la parte de la hipótesis que carga casi todo el peso político del ensayo. Y esa segunda mitad es bastante más resistente al experimento: exigiría medir si la ventana entre percibir una dirección y que otro la alcance está de hecho encogiendo, lo que significa seguir disputas de prioridad a lo largo de años, en varios dominios, contra una línea de base histórica que nadie recolectó. Mientras eso no exista, la compresión sigue siendo una conjetura plausible apoyada en casos ilustrativos, y no debe tratarse con la misma confianza que la primera mitad. Un argumento no se vuelve más fuerte porque sus dos partes hayan sido enunciadas en la misma frase.

Una observación final sobre lo que significa "fracasar" aquí, porque el título de esta sección promete más de lo que la hipótesis puede entregar. La HAI es probabilística: afirma que existe una ganancia, no que aparezca en todos los casos. Una hipótesis así no se refuta con un experimento decisivo. Se desconfirma por grados, a medida que las ganancias medidas se encogen en dominios sucesivos hasta dejar de compensar el costo de recolectar el lastre. Eso es más frágil que una falsación limpia, y es lo que hay. Prefiero registrar la fragilidad a fingir un rigor popperiano que la hipótesis no tiene.

Necesito ser explícito en un punto que no debe quedar implícito: no realicé ninguno de esos experimentos. No dispongo de datos que respondan a esas preguntas, y no conozco trabajo publicado que las haya respondido para el tipo de lastre que describo aquí. Lo que presento es un diseño de prueba, no un resultado. Mientras no se ejecute, la HAI sigue siendo una conjetura plausible: categoría bastante más débil que "hipótesis sostenida por evidencia", y es en esa categoría más débil que pido que se la lea.

Estas distinciones importan porque estoy proponiendo una hipótesis, no intentando fundar una iglesia.

No necesitamos llamar propiedad a toda inferencia

Aunque la HAI se corrobore, no podemos saltar directamente a "entonces, cualquier inferencia hecha sobre mí debe ser de mi propiedad". La conclusión no se sigue.

Los humanos llevan milenios infiriendo trayectorias unos de otros. Un tutor predice hacia dónde va el trabajo de un estudiante. Un competidor lee artículos e intenta adivinar la próxima investigación de un laboratorio. Un editor conoce tan bien a un escritor que percibe hacia dónde se dirige el libro. Nada de esto empezó con la IA.

Lo que cambia es la combinación de cuatro características: intimidad, persistencia, escala y capacidad de exploración. Un colega puede conocer bien mis ideas; una plataforma puede participar de miles de interacciones. Un tutor acompaña a decenas de investigadores; una infraestructura atiende a millones de personas. Un competidor puede explorar algunas hipótesis; un sistema puede lanzar miles de agentes.

Es esa combinación la que produce la cuestión de soberanía. No "¿soy dueño de todo lo que alguien puede imaginar sobre mí?". Sino: ¿qué obligaciones surgen cuando la misma infraestructura que participa íntimamente de mi proceso intelectual también posee capacidad privilegiada para transformar señales de ese proceso en ventaja inferencial y operativa? Esa pregunta es más difícil. También es mejor.

Lastre, Modelo, Soberanía, Gobernanza y Mercado

La arquitectura que propuse en Vanguardismo Obsoleto sigue de pie. Lastre pregunta qué registros sostienen las capacidades. Modelo pregunta qué puede inferirse o producirse a partir de ellos. Soberanía pregunta quién decide qué usos están permitidos. Gobernanza pregunta cómo se imponen, verifican y auditan esas decisiones. Mercado pregunta quién captura el valor.

La HAI permite insertar nuevas etapas entre esas capas:

Conviene decir qué son esas flechas, porque un diagrama le cobra al lector una confianza que él no sabe que está dando. Cinco flechas unen seis cajas, y no todas tienen el mismo precio. Dos no cuestan nada, y lo digo sin incomodidad: el paso de la telemetría cognitiva al lastre es la Ecuación 2, es decir, el lastre fue definido como lo que se acumula del flujo de telemetría, y ahí no hay travesía, hay una definición; y el paso de la inferencia de trayectoria a la anterioridad inferencial es el nombre que le doy a la inferencia cuando llega antes, y no un resultado que se derive de ella. Una definición no puede fracasar, y lo que no puede fracasar no sostiene nada. Las otras tres corren riesgo de verdad, y el texto ya declaró el riesgo de cada una en las secciones anteriores: la inferencia de trayectoria a partir del lastre es conjetura, en la categoría más débil en que pido que se lea; la exploración a escala se apoya en el caso Navier–Stokes como ilustración limítrofe, no como prueba; y la compresión de la anterioridad es la mitad de la hipótesis que todavía no tiene experimento y que enuncié como tal. Quien lee la cadena de arriba abajo cuenta cinco travesías y tiende a darles crédito a las cinco. Yo pagué dos, condicionalmente, y definí el camino por encima de otras dos. La cadena no es una demostración encadenada. Es un mapa en el que dos tramos son carretera y tres son hipótesis señalizada.

Cuando esa compresión se vuelve recurrente y estructural, llegamos al fenómeno cultural descrito por el primer ensayo:

Y cuando una de las partes posee mucha más capacidad de producir y explotar estas inferencias que la otra, encontramos el problema del segundo:

Los tres textos empiezan, entonces, a formar una única arquitectura.

El vanguardismo puede sobrevivir y aun así volverse obsoleto

Quizás la parte más importante de esta hipótesis sea lo que no predice. No estoy diciendo que los humanos dejarán de crear. Puede ocurrir exactamente lo contrario. Quizás estemos entrando en el período de mayor producción intelectual de la historia. Un investigador podrá hacer en tres años lo que exigiría una carrera. Un pequeño equipo podrá explorar problemas que antes exigían un instituto. Un psicólogo podrá atravesar la neurociencia y la ingeniería con asistentes capaces de llenar vacíos técnicos que antes volvían esa travesía demasiado lenta.

Yo mismo soy beneficiario de este proceso. Este ensayo difícilmente habría tomado esta forma a esta velocidad sin sistemas generativos. Ese hecho vuelve más interesante la hipótesis, no menos. La tecnología que aumenta mi capacidad es la misma que hace posible registrar porciones mucho más densas del proceso a través del cual ejerzo esa capacidad.

La paradoja no es IA contra humano. Es humano amplificado por IA dentro de una infraestructura todavía más amplificada por IA. El corredor recibe un exoesqueleto. La pista gana motores. Es perfectamente posible que todos corran más rápido mientras las distancias relativas disminuyen.

Tres días

Hay algo casi cómico en la secuencia temporal que produjo este ensayo.

El domingo publiqué un texto preguntando qué futuros plausibles de una persona podrían explorarse computacionalmente antes de que ella misma los recorriera. El lunes publiqué otro preguntando quién preservaría propiedad, movilidad y soberanía cuando la infraestructura tecnológica pasara a organizar porciones crecientes de la vida económica. El martes una empresa de inteligencia artificial anunció que, después de escuchar un rumor sobre movimiento en una frontera matemática, había movilizado (según su propio relato, que nadie de fuera auditó) una arquitectura del orden de diez mil agentes y, cerca de 88 horas después del inicio del esfuerzo, había obtenido lo que afirma ser una solución para Navier–Stokes.

Al mismo tiempo, dos matemáticos que habían usado sistemas de IA profundamente dentro de su propia trayectoria de investigación publicaban una descripción detallada de esa colaboración y planteaban preguntas legítimas sobre la relación entre sus datos y el esfuerzo posterior de la empresa.

No sé cómo terminará esta controversia. No necesito saberlo para escribir esto. Porque el caso no demuestra la HAI. Demuestra por qué necesitamos saber si es verdadera.

La hipótesis en su forma más simple

Después de psicología, neurociencia, computación, gemelos digitales, Navier–Stokes, diez mil agentes y algunas ecuaciones, la tesis puede parecer complicada. Quizás no lo sea. Cabe en una secuencia bastante simple.

Cuando pensamos con sistemas digitales, dejamos rastros del proceso: telemetría cognitiva. Si esos rastros persisten, acumulan historia: lastre. Si el lastre mejora la estimación de regiones futuras de exploración, aparece la anterioridad inferencial. Si alguien tiene capacidad de explorar esas regiones más rápido de lo que el agente original puede materializarlas, ocurre la compresión de la anterioridad. Si esto se vuelve estructural, estar intelectualmente adelante compra cada vez menos tiempo: vanguardismo obsoleto. Y si la capacidad de hacer todo esto está concentrada en infraestructuras sobre las que el individuo tiene poco poder: asimetría inferencial y problema de soberanía.

Esa es la hipótesis. No que las máquinas leerán nuestras mentes. No que sabrán exactamente lo que crearemos. No que OpenAI haya obtenido Navier–Stokes a partir de los borradores de matemáticos. No tenemos evidencia para ninguna de estas afirmaciones.

La pregunta es mucho más modesta. Y quizás justamente por eso sea más seria: ¿cuánto necesita aprender una máquina sobre la dirección de una trayectoria humana para que una infraestructura suficientemente poderosa pueda explorar la región por delante antes de que la propia persona llegue ahí?

La frontera no necesita ser robada para dejar de ser suya

Vuelvo entonces al título. Quizás "dejar de ser suya" también sea deliberadamente impreciso. El conocimiento sigue siendo suyo. Su autoría puede seguir siendo suya. Su contribución histórica puede seguir siendo reconocida. Nadie necesita borrar su nombre.

Lo que deja de ser exclusivamente suyo es otra cosa: la ventaja producida por la distancia que usted había abierto. Durante siglos tratamos esa distancia como una consecuencia casi natural de la vanguardia. Usted percibe algo primero. Gana algo de tiempo. Trabaja. Publica. Los demás alcanzan después.

La Hipótesis de la Anterioridad Inferencial pregunta si ese intervalo puede convertirse en variable computacional. Si la telemetría produce lastre. Si el lastre reduce incertidumbre. Si la reducción de incertidumbre orienta la búsqueda. Si la búsqueda masivamente paralela transforma dirección en resultado. Entonces la ventaja de la vanguardia deja de depender solo de qué tan lejos pueda usted ver. Pasa a depender también de cuánta información produce mientras mira y quién tiene capacidad para actuar sobre ella.

Como psicólogo, esto me inquieta porque el comportamiento produce información sobre quien actúa. La neurociencia me enseñó a desconfiar de cualquier paso directo de ese tipo de información al acceso transparente a la mente. Y la ingeniería computacional me enseñó que los sistemas no necesitan comprender completamente lo que exploran para extraer regularidades útiles. Ninguna de esas formaciones vuelve verdadera la hipótesis que propongo: explican de dónde vienen mis desconfianzas, no le otorgan aval al argumento. El argumento sigue teniendo que sostenerse por aquello que aún no fue puesto a prueba en él. Y, como psicólogo clínico, hay una última cosa que no puedo dejar de agregar: las personas siguen cambiando.

Quizás ese sea nuestro mayor límite y también nuestra mayor ventaja. Un gemelo congelado envejece. Una predicción puede fallar. Una trayectoria puede quebrarse. Podemos convertirnos en algo que ningún historial anterior anticipaba bien. Pero incluso esa capacidad de cambiar produce nuevos rastros cuando el cambio ocurre dentro de las mismas infraestructuras.

La Reina Roja regresa. Corremos. El modelo observa. Cambiamos. El lastre cambia. Corremos otra vez.

Quizás el desafío no sea impedir la carrera. Quizás sea decidir quién gobierna lo que la carrera enseña.

El domingo pregunté qué futuros plausibles de una persona pueden explorarse antes de que ella misma los recorra. Ahora puedo formular una pregunta anterior: ¿cuánto de esa persona realmente necesitamos conocer para percibir hacia dónde empezó a ir? Y el texto del lunes agrega la pregunta política: ¿quién posee la infraestructura capaz de actuar sobre esa inferencia?

Fue Navier–Stokes lo que hizo que las dos preguntas colisionaran.

Quizás una de las cuestiones centrales de la soberanía cognitiva en el siglo XXI no sea proteger solo nuestros datos, ni solo nuestras obras, ni siquiera los modelos construidos a partir de nosotros. Quizás necesitemos aprender a gobernar el valor informacional producido por el proceso de seguir pensando.

Porque la frontera no empieza cuando publicamos lo que encontramos. Empieza mucho antes. Empieza cuando elegimos una dirección. Y, por primera vez, quizás haya suficientes máquinas mirando las huellas.

Gérson Neto · HumanOS Institute · Ensayos teóricos y elucubraciones