01. Introducción: la herramienta sobredimensionada y la aplicación faltante

Este capítulo cumple una función inaugural dentro del argumento global: enuncia la tesis central, fija el marco filosófico desde el que la sostenemos —una filosofía de la ciudad atenta a la vez a la ontología, al poder y a la política—, sitúa el texto ancla de Yuk Hui y anuncia tanto el recorrido de los capítulos siguientes como la contribución que la tesis ofrece, el Banco Epistémico Urbano. No pretendemos aquí demostrar nada en detalle; pretendemos plantear con precisión qué afirmamos, contra qué afirmamos y con qué medios nos proponemos mostrarlo. Cada una de las secciones que siguen avanza esa formulación y la deja lista para el desarrollo posterior. Cerramos el capítulo con un puente al capítulo 02, donde se examina qué significa, propiamente, saber y computar una ciudad.

1.1. Formulación de la tesis: herramientas epistémicas sobredimensionadas

Sostenemos una tesis que puede enunciarse en una sola frase y que el resto del trabajo se ocupará de calificar: disponemos de herramientas epistémicas sobredimensionadas respecto de su aplicación efectiva sobre la ciudad. Con «herramienta epistémica sobredimensionada» nombramos un instrumento de conocimiento cuyo costo material, energético y político crece muy por encima del incremento de saber que produce sobre su objeto. La inteligencia artificial estadística —y dentro de ella, de manera señalada, los modelos de lenguaje— es hoy el caso paradigmático de esa desproporción cuando se la dirige sobre el fenómeno urbano. No negamos que esos modelos hagan cosas notables; negamos que el salto de capacidad de imitación que exhiben constituya un salto epistémico proporcional a lo que cuesta producirlo y desplegarlo.

Conviene distinguir desde ya tres niveles de enunciado que mantendremos separados a lo largo de la tesis. En el nivel descriptivo registramos qué hacen efectivamente estos sistemas sobre tareas urbanas bien definidas. En el nivel interpretativo preguntamos qué significa ese comportamiento, esto es, qué tipo de operación cognitiva realiza o deja de realizar la máquina. En el nivel argumentativo extraemos qué se sigue de ello para la pregunta por el conocimiento de la ciudad. La tesis central se enuncia en el tercer nivel, pero se apoya en los dos primeros y solo es legítima si esos dos primeros la sostienen.

El término clave es «salto epistémico». Entendemos por tal el cruce de un umbral categorial: el paso de un régimen de conocimiento a otro cualitativamente distinto, no la mera mejora cuantitativa dentro del mismo régimen. Nuestra afirmación es que la IA estadística, por más que escale en parámetros, datos y cómputo, mejora la imitación sin cruzar ningún umbral de esa clase. Mejorar la imitación significa producir salidas cada vez más indistinguibles de las que produciría un agente competente; cruzar un umbral categorial significaría, en cambio, hacer algo que antes era imposible en principio y no solo improbable en la práctica. La distinción no es retórica. De ella depende que la inversión colosal que hoy se canaliza hacia estos sistemas se justifique como conquista cognitiva o se reconozca como sofisticación de la apariencia.

1.2. Del límite técnico al límite político, económico y ontológico

La pregunta por el límite de la inteligencia artificial ha sido planteada con rigor por Yuk Hui en su ensayo sobre los límites de la inteligencia artificial, recogido en Fragmentar el futuro. Ensayos sobre tecnodiversidad (Hui, 2020). Su gesto decisivo, que hacemos nuestro y que organiza buena parte de esta tesis, consiste en desplazar la pregunta. La cuestión no es ya, al modo de la primera crítica de la inteligencia artificial, qué no puede hacer la máquina, como si bastara con señalar una frontera técnica fija que el progreso eventualmente correría. La cuestión es cómo pensar el límite de una técnica que parece expandirse, mutar y absorber funciones humanas cuantificables sin encontrar barrera externa. Para Hui, el límite no es una frontera técnica sino una cuestión, a la vez, política y cosmológica: la pregunta verdadera es qué tipo de mundo produce la IA cuando convierte la ciudad en datos computables (Hui, 2020).

Asumimos ese desplazamiento y lo precisamos en tres registros que recorrerán la tesis. El límite es político porque alguien decide qué se computa, con qué fines y sobre quiénes; la elección de la métrica no es neutral y nunca está dada de antemano. El límite es económico porque la herramienta tiene un costo —material, energético, de infraestructura— que se distribuye de manera desigual y que compromete recursos sustraídos a otros usos. Y el límite es ontológico porque la operación de hacer computable una ciudad presupone una decisión previa sobre qué cuenta como real, relevante y mensurable en ella, decisión que la propia máquina no toma ni puede tomar. Lo que sostenemos, en consecuencia, es que las limitaciones decisivas de la urbanidad computada no son técnicas sino políticas, económicas y ontológicas. La pregunta operativa que de aquí se sigue, y que el capítulo 08 desarrolla, puede condensarse así: quién decide qué se computa, con qué cosmotécnica y a costa de qué soberanía.

Empleamos «cosmotécnica» en el sentido analítico que Hui le da: la unificación del orden cósmico y el orden moral a través de la actividad técnica, de modo que no existe una técnica universal y neutra sino técnicas situadas en cosmovisiones (Hui, 2016). El concepto correlativo, de estatuto normativo, es el de «tecnodiversidad»: la pluralidad de tradiciones técnicas frente a la monocultura digital global (Hui, 2020). Mantendremos esta distinción —cosmotécnica como herramienta de análisis, tecnodiversidad como propuesta— de forma estable, sin tratarlas como sinónimos. El capítulo 07 las desarrolla junto con la individuación técnica y la concretización de Simondon; aquí basta con fijar que la crítica del límite, en el sentido de Hui, no es antitecnológica sino cosmotécnica: no pide menos técnica sino otra manera de plantear qué cosmos produce la técnica urbana.

1.3. El diagnóstico de la aplicación faltante

De la tesis del sobredimensionamiento se sigue un diagnóstico que orienta toda la propuesta: la tarea pendiente no es construir un modelo más potente sino resolver un problema de aplicación. Llamamos «economía de la aplicación» al criterio que mide el valor de una herramienta epistémica no por su potencia bruta sino por la distancia que media entre lo que la herramienta podría saber y lo que efectivamente se usa para decidir sobre la ciudad. Bajo ese criterio, el cuello de botella del conocimiento urbano no está en la frontera de lo computable, sino mucho antes: en que el conocimiento urbano clásico ya disponible permanece, en gran medida, inaplicado.

La descripción del estado de cosas es la siguiente. Existe un cuerpo robusto de teoría urbana —desde los modelos de localización y jerarquía hasta las leyes de escala, pasando por la crítica del espacio vivido— que en muchos casos es explícitamente computable o se deja formalizar sin pérdida sustantiva. La ley de Zipf sobre el rango y el tamaño de las ciudades (Zipf, 1949), la teoría de los lugares centrales (Christaller, 1933), el modelo de uso del suelo y renta de localización (Alonso, 1964), la nueva ciencia de las ciudades (Batty, 2013) y las regularidades de escala urbana (Bettencourt et al., 2007; Bettencourt, 2013; West, 2017) constituyen modelos con poder predictivo verificable. Frente a ellos, buena parte del entusiasmo contemporáneo invierte el orden de prioridades: persigue la revolución de los datos (Kitchin, 2014) y promete la ciudad en tiempo real antes de haber hecho presentable, usable y aplicable lo que ya se sabe. Nuestra interpretación de ese desajuste es que confunde novedad de instrumento con avance de conocimiento.

La argumentación que extraemos es deliberadamente modesta en su forma y exigente en su consecuencia. Sostenemos que el progreso urbano más accesible no consiste en escalar el cómputo, sino en cerrar la brecha de aplicación: tomar modelos clásicos cuyo valor está acreditado, volverlos reproducibles, comparables y operables, y ponerlos a disposición de quien decide. Esta es la inversión de prioridades que la tesis defiende y que su artefacto final encarna. Mumford ya advertía, al historiar la ciudad, que la acumulación técnica no garantiza por sí sola mejora de la vida urbana y que el problema decisivo es para qué fines se organiza la ciudad (Mumford, 1961); recogemos esa advertencia trasladándola al plano epistémico: acumular capacidad de cómputo no garantiza mejor conocimiento de la ciudad si la aplicación del saber existente sigue faltando.

1.4. El aparato propio: experimento y corpus en curso

La tesis no se limita a argumentar; pone a prueba su afirmación central con un aparato propio. El núcleo es un experimento que enfrenta dos regímenes de procesamiento sobre tareas urbanas bien delimitadas: por un lado, modelos de lenguaje operando solo con su razonamiento interno; por otro, el cómputo puro o determinístico, es decir, el algoritmo exacto ejecutado sobre los mismos datos. El diseño completo —protocolo, sujetos y construcción de la verdad de referencia— se expone en el capítulo 04, y los resultados se analizan en detalle en el capítulo 05; los datos brutos están disponibles en los archivos experimento/resultados.json y experimento/resultados_teorias.json. Aquí anticipamos solo lo necesario para que la tesis se entienda como una afirmación contrastable y no como una declaración de principios.

El experimento se organiza en seis tareas, que etiquetamos T1 a T6 y que mantendremos con esas etiquetas en todo el trabajo. T1 pide la multiplicación exacta de dos enteros de doce dígitos; T2, el camino más corto exacto en un grafo de veinticinco barrios; T3, el conteo combinatorio de rutas monótonas en una retícula urbana; T4, la iteración recursiva profunda de una función afín modular durante cuarenta pasos; T5, la suma exacta de cuadrados de treinta lecturas de sensores; y T6, un juicio de relevancia sobre una escena urbana ambigua. Las cinco primeras admiten una respuesta exacta verificable por cómputo puro y sirven para medir si el modelo de lenguaje alcanza la verdad aritmética sin ejecutar el algoritmo. T6 es de naturaleza distinta y la designamos tarea inversa: no admite verdad de referencia computable porque la escena se entrega en lenguaje natural, sin estructura de datos, sin métrica de peligro ni función objetivo. La formalización que un algoritmo necesitaría para arrancar es justamente el juicio que se pide; por eso su valor de referencia es, en sentido estricto, no computable.

Sin adelantar el análisis del capítulo 05, registramos en el plano descriptivo lo que los datos muestran. Sobre las cinco tareas con verdad de referencia, los dos modelos de API evaluados (Sonnet y Opus) aciertan la mayoría de las veces pero no de manera infalible ni estable: solo T3 y T4 fueron acertadas por ambos en todos los intentos, mientras que T1, T2 y T5 registraron al menos un fallo. Opus erró el segundo intento de T1; Sonnet devolvió una ruta no mínima en el segundo intento de T2; y Opus falló los dos intentos de T5, donde el agregado aritmético se desvió del valor exacto en órdenes pequeños pero inequívocos. La exactitud global de Sonnet (90 %) superó a la de Opus (70 %), lo que ya basta para una primera interpretación: el modelo de mayor escala nominal no garantizó mayor precisión aritmética. En T6, los modelos produjeron respuestas plausibles y coherentes —dirigiendo la alerta ya al niño, ya al repartidor en moto, ya al acompañante— que ilustran su competencia en el dominio del significado contextual, precisamente allí donde el cómputo puro no puede ni siquiera comenzar.

La interpretación que estos resultados habilitan, y que los capítulos 05 y 06 elaboran, es doble y simétrica. Por un lado, en las tareas exactas el modelo de lenguaje imita el resultado del cálculo sin ejecutar el cálculo, de modo que su acierto es estadístico y no garantizado: no cruza el umbral que separa la estimación plausible de la verdad aritmética. Por otro lado, en la tarea de relevancia el cómputo puro no puede arrancar porque carece de la formalización previa, mientras que el modelo de lenguaje sí opera en el terreno del significado. La conclusión que de ambos extremos se sigue es la que anuncia la tesis: ni el cómputo a gran escala garantiza la verdad aritmética, ni decide por sí solo la relevancia. El umbral categorial no se cruza por escalamiento.

A este núcleo experimental se suma una batería complementaria que el experimento ya ejecutó y documentó en experimento/resultados.json: las seis tareas administradas también a cuatro modelos de lenguaje locales, ejecutados en infraestructura propia bajo Ollama (la familia Qwen —qwen2.5:3b, qwen3:14b, qwen3:32b— y gpt-oss:20b), con el fin de calibrar hasta qué punto el tamaño del modelo y el régimen de despliegue modifican, o no, el comportamiento observado. Anticipamos solo el rasgo que importa a la tesis: la exactitud de los modelos locales no creció con el número de parámetros —el mayor (qwen3:32b) y el menor (qwen2.5:3b) igualaron resultado—, lo que refuerza que la fiabilidad aritmética no es función monótona de la escala. Queda diferido al capítulo 04 el andamiaje metodológico completo —incluido el corpus de simulaciones de las teorías urbanas clásicas catalogadas en el capítulo 03—, cuyo desarrollo extenso se reserva sin que ello afecte a la línea argumental.

1.5. Mapa del argumento y estatuto reflexivo del trabajo

Anticipamos ahora el recorrido completo para que cada capítulo se lea como un paso del mismo argumento. El capítulo 02 establece la epistemología de los modelos urbanos: qué significa saber una ciudad y qué significa computarla, y por qué ambas cosas no coinciden. El capítulo 03, diferido, ofrecerá un catálogo razonado de teorías urbanas computables. El capítulo 04, también diferido, fijará la metodología experimental: protocolo, sujetos y verdad de referencia. El capítulo 05, diferido, presentará los resultados del enfrentamiento entre cómputo puro e IA estadística. El capítulo 06 desarrolla la crítica técnica de qué hace y qué no hace la IA estadística. El capítulo 07 lleva la crítica al plano ontológico, con Hui y Simondon, en torno a la cosmotécnica y la individuación. El capítulo 08 expone la crítica político-económica: sobredimensionamiento, economía de la aplicación y soberanía de cómputo. El capítulo 09 presenta la propuesta, el Banco Epistémico Urbano, como herramienta científica. El capítulo 10 es la nota reflexiva sobre una tesis construida orquestando IA bajo supervisión humana. El capítulo 11 concluye con la consigna que sintetiza el conjunto: aplicar antes que escalar, fragmentar antes que optimizar.

La contribución central, anunciada ya, es el Banco Epistémico Urbano. Lo definimos como un banco de pruebas reproducible que pone a competir modelos urbanos clásicos computables contra IA estadística sobre tareas comunes, con verdad de referencia explícita allí donde la hay y con la marca expresa de su ausencia allí donde no la hay. Su propósito no es coronar un ganador, sino volver presentable, comparable y aplicable el conocimiento urbano existente, y exhibir con transparencia dónde el cómputo puro basta, dónde el modelo estadístico aporta y dónde ninguno de los dos puede decidir sin un humano que fije la pregunta. El capítulo 09 lo especifica como artefacto; aquí lo declaramos como la forma material de la economía de la aplicación que la tesis defiende.

Resta declarar el estatuto reflexivo del trabajo, que el capítulo 10 examina con detalle y que conviene enunciar desde el comienzo con franqueza. Esta tesis se ha construido, en buena parte, orquestando sistemas de inteligencia artificial bajo supervisión humana. La decisión es deliberada y la asumo en primera persona en este punto: usé modelos de lenguaje como instrumentos subordinados, fijando yo las preguntas, las fuentes admisibles y los criterios de verdad, y reservando el juicio de relevancia para la supervisión humana. Esa elección convierte al trabajo en evidencia performativa de su propio argumento. Si la tesis sostiene que la IA estadística es una herramienta sobredimensionada cuyo valor depende de la aplicación y del juicio que la dirige, entonces el modo mismo de producción de la tesis —una herramienta potente puesta a trabajar bajo decisión humana sobre un saber que ya existía— muestra, en acto, la diferencia entre escalar el cómputo y aplicar el conocimiento. La ironía es buscada y forma parte de la prueba.

Con la tesis enunciada, el desplazamiento del límite asumido, el diagnóstico de la aplicación faltante planteado, el aparato propio anunciado y el estatuto reflexivo declarado, queda abierto el problema que el siguiente capítulo debe resolver antes que ningún otro: qué significa, exactamente, saber una ciudad y qué significa computarla, y por qué la distancia entre ambas operaciones es el lugar donde se juega todo lo demás. A ello se dedica el capítulo 02.

Referencias

Alonso, W. (1964). Location and Land Use: Toward a General Theory of Land Rent. Cambridge, MA: Harvard University Press.
Batty, M. (2013). The New Science of Cities. Cambridge, MA: MIT Press.
Bettencourt, L. M. A., Lobo, J., Helbing, D., Kühnert, C. y West, G. B. (2007). Growth, innovation, scaling, and the pace of life in cities. Proceedings of the National Academy of Sciences, 104(17), 7301-7306.
Bettencourt, L. M. A. (2013). The Origins of Scaling in Cities. Science, 340(6139), 1438-1441.
Christaller, W. (1933). Die zentralen Orte in Süddeutschland. Jena: Gustav Fischer.
Hui, Y. (2016). The Question Concerning Technology in China: An Essay in Cosmotechnics. Falmouth: Urbanomic.
Hui, Y. (2020). Fragmentar el futuro. Ensayos sobre tecnodiversidad. Buenos Aires: Caja Negra.
Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. London: SAGE.
Mumford, L. (1961). The City in History: Its Origins, Its Transformations, and Its Prospects. New York: Harcourt, Brace & World.
West, G. (2017). Scale: The Universal Laws of Growth, Innovation, Sustainability, and the Pace of Life in Organisms, Cities, Economies, and Companies. New York: Penguin Press.
Zipf, G. K. (1949). Human Behavior and the Principle of Least Effort. Cambridge, MA: Addison-Wesley.