02. Epistemología de los modelos urbanos: qué significa saber y computar una ciudad

Este capítulo construye el marco epistemológico sobre el que descansa el resto del argumento. Si la tesis central sostiene que disponemos de herramientas epistémicas sobredimensionadas respecto de su aplicación efectiva sobre la ciudad, entonces necesitamos primero precisar qué clase de cosa es saber una ciudad, qué hace un modelo cuando la representa y qué clase de saber promete —y cuál recorta— la computación. Sin esa distinción, la afirmación de que la IA estadística no produce un salto epistémico proporcional a su costo carece de criterio: no sabríamos respecto de qué saber se mide el salto que no ocurre. Por eso aquí no discutimos todavía resultados experimentales ni el diseño del Banco Epistémico Urbano —reservados a los capítulos 04 (Metodología experimental) y 09 (Propuesta)—, sino el aparato conceptual que vuelve esos resultados interpretables. Procedemos en cinco pasos: tipologizamos los registros del conocimiento urbano; precisamos qué es un modelo y qué condiciones de validez lo gobiernan; examinamos qué propiedades de la ciudad admiten formalización exacta y cuáles resisten; introducimos un criterio de adecuación epistémica que desacopla resolución de comprensión; y enunciamos la tesis del capítulo, que reformula la pregunta por la computabilidad de la ciudad como una pregunta por su resto y por quién decide que ese resto no cuenta.

2.1. Tres registros del conocimiento urbano

Sostenemos que el conocimiento de una ciudad no es un género único que admita más o menos precisión, sino tres registros heterogéneos que responden a preguntas distintas y se validan con criterios distintos. Confundirlos —tratar uno como versión deficiente de otro— es la fuente de buena parte de los malentendidos sobre lo que la computación puede aportar. Distinguimos, pues, un registro vivencial-fenomenológico, uno formal-cuantitativo y uno crítico-político.

El registro vivencial-fenomenológico atiende a la ciudad como espacio vivido, esto es, como horizonte de prácticas, encuentros y significaciones que solo se dan desde dentro de la experiencia urbana. Jacobs (1961) es su caso ejemplar: su descripción de la acera, de su noción de los ojos sobre la calle —«eyes on the street» en el original inglés— y del ballet cotidiano de un barrio no es una hipótesis cuantitativa sino una fenomenología de la seguridad y la vitalidad que ningún agregado estadístico capta sin residuo. Lefebvre (1974) provee la articulación teórica de este registro con su tríada del espacio percibido, concebido y vivido, y con la tesis de que el espacio es producido socialmente antes de ser medido. Interpretamos este registro como el que custodia la significatividad: lo que una calle quiere decir para quien la habita, no lo que mide. En términos que retomaremos del capítulo 07 (Crítica ontológica), aquí opera lo que Heidegger (1927) llama mundo, horizonte de significatividad irreductible a un conjunto de datos, y lo que Dreyfus (1992) defendió contra la inteligencia puramente calculadora.

El registro formal-cuantitativo trata la ciudad como sistema susceptible de idealización matemática: distribuciones, jerarquías, regularidades de escala. Christaller (1933) formaliza la jerarquía de asentamientos en su teoría de los lugares centrales; Alonso (1964) modela la renta del suelo y la localización residencial como equilibrio entre coste de transporte y coste del espacio; Batty (2013) reúne y actualiza esta tradición bajo la rúbrica de una «nueva ciencia de las ciudades» basada en redes, flujos y escalamiento. Aquí el criterio de validez es la adecuación entre modelo y regularidad observable, y la promesa es la predicción condicional. Conviene anticipar que este es el registro privilegiado por la computación, y no por azar: es el único de los tres cuyos objetos vienen ya dados en forma cuantitativa o cuantificable.

El registro crítico-político interroga las condiciones de producción del espacio urbano y la distribución del poder que lo atraviesa. Harvey (1973) lee la ciudad desde la justicia espacial y la acumulación de capital; Sassen (1991) muestra cómo la ciudad global concentra funciones de mando del capitalismo financiero y produce desigualdades nuevas. Este registro no describe regularidades neutras ni vivencias singulares, sino relaciones de dominación, y su criterio de validez es la capacidad de desvelar intereses que los otros dos registros tienden a naturalizar. Es decisivo para nuestra tesis porque traslada la pregunta de «¿qué se puede computar?» a «¿quién decide qué se computa y a costa de qué?», cuestión que desarrollamos en el capítulo 08 (Crítica político-económica).

Argumentamos que los tres registros no son reducibles entre sí ni jerarquizables por precisión. El registro formal no es una versión rigurosa del vivencial, porque lo que el vivencial conoce —la significatividad— no es una variable mal medida sino algo de otra clase. El registro crítico no es un registro formal con valores añadidos, porque su objeto —la relación de poder— no es una magnitud. La consecuencia para el resto de la tesis es directa: cuando evaluemos qué aporta la IA estadística, deberemos preguntar en qué registro opera y no suponer que un avance en uno es un avance en los tres.

2.2. Qué es un modelo: idealización, condiciones de validez y los tres verbos

Un modelo urbano es una representación deliberadamente empobrecida de la ciudad: idealiza, reduce variables y fija condiciones de contorno para volver tratable lo que en su concreción es inabarcable. Sostenemos que esta pobreza no es un defecto sino la condición misma de su utilidad; un modelo que conservara todo sería la ciudad y no un modelo. Christaller (1933) supone una llanura isótropa, poder adquisitivo homogéneo y consumidores que minimizan distancia: ninguna ciudad cumple esos supuestos, y sin embargo la teoría de los lugares centrales ilumina la jerarquía de los asentamientos justamente porque los supone. Alonso (1964) supone un único centro de empleo y agentes que arbitran racionalmente entre renta y transporte. La idealización es, pues, la operación constitutiva del modelar.

De aquí se sigue que todo modelo tiene condiciones de validez explícitas o implícitas: el rango de fenómenos para los que su idealización es informativa y fuera del cual deja de serlo. Un modelo no es verdadero o falso sin más; es adecuado o inadecuado para un uso, dentro de un dominio. La pregunta epistemológica pertinente no es «¿representa el modelo la ciudad tal como es?» —ninguno lo hace— sino «¿para qué pregunta, en qué dominio y con qué tolerancia de error este modelo es suficiente?». Esta reformulación es la bisagra que conecta este capítulo con el criterio de adecuación de la sección 2.4.

Distinguimos además tres operaciones que los modelos pueden cumplir y que la discusión corriente confunde: describir, predecir y prescribir. Describir es dar cuenta de una regularidad presente o pasada —la distribución de tamaños de ciudades sigue aproximadamente una ley de potencias, según el patrón que Zipf (1949) documentó—. Predecir es inferir un estado no observado a partir del modelo y de condiciones iniciales —dónde se localizará la residencia dado un gradiente de renta—. Prescribir es derivar de un modelo una recomendación de acción sobre la ciudad —dónde emplazar un equipamiento—. Sostenemos que estas tres operaciones tienen estatutos epistémicos crecientemente exigentes y crecientemente cargados de valores. La descripción compromete supuestos sobre qué cuenta como dato; la predicción añade supuestos sobre la estabilidad del sistema; la prescripción añade, inevitablemente, un juicio sobre qué fines persigue la intervención. El error que denunciaremos en la urbanidad computada consiste, una y otra vez, en deslizar de la descripción a la prescripción como si el modelo cargara con la decisión que en rigor pertenece a la política. Kitchin (2014) ha mostrado cómo el discurso de la ciudad inteligente (smart city) presenta como descripción neutral lo que es una prescripción cargada de intereses; volvemos sobre ello en 2.5 y en el capítulo 08.

2.3. Computabilidad de la ciudad: qué se formaliza y qué resiste

Pasamos ahora de la cuestión general del modelar a la cuestión específica del computar. No todo modelo es computable, y no toda propiedad urbana admite la formalización exacta que el cómputo requiere. Conviene precisar el sentido de «computable» que usamos: una propiedad es computable cuando puede expresarse como una función bien definida de entradas discretas a salidas, de modo que exista un algoritmo —lo que llamamos cómputo puro o cómputo determinístico— que produzca la salida exacta. La multiplicación de dos enteros, el camino mínimo en un grafo ponderado o el conteo de trayectorias en una retícula cumplen esta condición: hay un procedimiento exacto, reproducible, indiferente al sentido.

Describimos primero qué propiedades urbanas admiten esta formalización. Son, característicamente, las del registro formal-cuantitativo una vez que sus objetos han sido discretizados: una red vial representada como grafo ponderado tiene caminos mínimos exactos; una retícula de manzanas tiene un número exacto de rutas monótonas entre dos puntos; un conjunto de lecturas de sensores tiene una suma de cuadrados exacta; una regla de iteración tiene un valor exacto tras cuarenta pasos. Estas son, no por casualidad, las tareas que en nuestro experimento etiquetamos T1 a T5, y que constituyen casos donde existe una verdad de referencia aritmética contra la cual contrastar cualquier sistema. Su rasgo común es que la significatividad ya ha sido extraída del problema: lo que importa es el valor, no lo que el valor quiere decir.

Interpretamos esto del siguiente modo. La condición de computabilidad exacta no es una propiedad de la ciudad sino de su representación previa: presupone que alguien ya decidió qué es un nodo, qué es una arista, qué es una lectura y qué métrica cuenta como distancia. La formalización no descubre esa estructura en la ciudad; la impone. Por eso la pregunta interesante no es si la red vial tiene un camino mínimo —lo tiene, trivialmente, una vez formalizada—, sino qué se perdió al decidir que la calle es una arista con un peso escalar y nada más.

Esto nos lleva al caso límite, que en el experimento etiquetamos T6: el juicio de relevancia en una escena urbana ambigua. La escena se entrega en lenguaje natural —un niño que pisa la calzada, un repartidor en moto que acelera, un acompañante, un semáforo en rojo, pavimento mojado— sin estructura de datos, sin métrica de peligro y sin función objetivo. Sostenemos que esta tarea es no computable en un sentido preciso y no técnico: no hay función de entrada-salida que escribir, porque la formalización que haría falta para escribir el algoritmo —decidir qué cuenta como relevante, qué agente es el foco de la alerta, qué desenlace importa— es exactamente el juicio que se pide. El algoritmo no puede empezar porque su primer paso es lo que estaba en cuestión. Aquí reaparece la distinción kantiana que recorre toda la tesis: el cómputo puro ejecuta un juicio determinante, subsume un caso bajo una regla dada; T6 exige un juicio reflexionante, hallar la regla a partir del caso, y esa facultad no es formalizable de antemano (Kant, 1790). Es la misma frontera que Dreyfus (1992) opuso a la inteligencia artificial clásica con el problema de la relevancia, y que Hui (2020) retoma para situar el límite de la IA en el plano del juicio reflexionante y no en la potencia de cálculo (Hui, 2020); en nuestra lectura, esto equivale a decir que la máquina no se da fines.

Un matiz importante, que documentaremos con los datos en el capítulo 05 (Resultados), es que en T6 los modelos de lenguaje no fracasan del modo en que fracasan a veces en T1–T5. Producen respuestas plausibles y coherentes: uno señala al repartidor como agente activo del peligro, otro al niño como víctima directa, otro al acompañante como agente capaz de intervenir. La descripción correcta de este hecho no es que el sistema «acierte» o «yerre» —no hay verdad de referencia que lo decida, y por eso la marcamos como NO_APLICA—, sino que el sistema opera en el dominio del significado contextual donde el cómputo puro ni siquiera puede arrancar. La interpretación que de ello extraemos, y que el capítulo 06 (Crítica técnica) precisará, es doble: la IA estadística sí hace algo en el registro de la significatividad que el algoritmo exacto no hace, pero ese algo es producción de plausibilidad, no garantía de relevancia. La ausencia misma de una respuesta única no es un defecto del sistema; es la marca de que la pregunta pertenece a otro registro.

2.4. El criterio de adecuación epistémica: por qué más resolución no es más comprensión

Introducimos ahora el criterio que vertebra la tesis central: el de adecuación epistémica. Sostenemos que un modelo es epistémicamente adecuado cuando es suficiente para el uso al que se destina dentro de su dominio de validez, y que la adecuación no es función monótona de la resolución. Más datos, más variables y más finura de grano no producen, por sí solos, más comprensión; pueden, de hecho, producir menos, si desplazan la atención del registro pertinente.

El argumento descansa en distinguir resolución de comprensión. La resolución es la finura con que un modelo discrimina estados del sistema; la comprensión es la captación de por qué el sistema se comporta como lo hace, esto es, de la estructura que un modelo de baja resolución puede exhibir con más claridad que uno de alta. Las regularidades de escalamiento urbano son el ejemplo canónico: una ley aproximada que vincula tamaño de la ciudad con magnitudes socioeconómicas dice algo sobre la ciudad como sistema precisamente porque abstrae el detalle, y aumentar la resolución hasta el censo individual no la mejora, la disuelve (Bettencourt et al., 2007; Bettencourt, 2013; West, 2017). Comprender por qué las ciudades escalan no es lo mismo que registrar cada transacción que ocurre en ellas. La comprensión vive en el modelo de baja resolución; el registro exhaustivo, en el de alta. Son bienes distintos.

De aquí extraemos la consecuencia que el resto de la tesis explota. Si la adecuación epistémica se mide por suficiencia para un uso y no por resolución, entonces el argumento de que un sistema más potente —más parámetros, más cómputo, más datos— es por ello epistémicamente superior comete una falacia: confunde la métrica de la resolución con la métrica de la comprensión. Un modelo clásico computable, como el de los lugares centrales o el de la renta del suelo, puede ser epistémicamente adecuado para una pregunta urbana concreta, y un sistema de IA estadística masivamente más caro puede no añadir nada en el registro donde esa pregunta vive, o añadir resolución donde lo que faltaba era comprensión. Esta es la forma precisa de la noción de herramienta epistémica sobredimensionada: una herramienta cuya potencia excede en órdenes de magnitud la resolución que el problema requiere, sin tocar la comprensión que el problema demanda. El sobredimensionamiento no es solo material y energético —eso lo trata el capítulo 08—; es, antes, epistémico, y consiste en pagar resolución creyendo comprar comprensión.

Conviene marcar el estatuto de este enunciado: es argumentación, no descripción. No afirmamos que ningún sistema de IA estadística mejore comprensión alguna; afirmamos que la mejora de comprensión no se sigue de la mejora de resolución, de modo que cada caso debe demostrarse y no presuponerse. El Banco Epistémico Urbano que proponemos en el capítulo 09 es, precisamente, el dispositivo para forzar esa demostración caso por caso, comparando modelos urbanos clásicos computables contra IA estadística en tareas con verdad de referencia.

2.5. Tesis del capítulo: el resto del cómputo y quién decide que no cuenta

La cuestión filosóficamente decisiva no es si podemos computar la ciudad sino qué queda fuera de todo cómputo y quién decide que ese resto no cuenta. La computabilidad exacta presupone una formalización que extrae la significatividad y la sustituye por estructura discreta; lo extraído —el mundo en sentido heideggeriano, la relación de poder, la vivencia— es el resto del cómputo, irreductible a un error de medición. T6 muestra ese límite en acto. La pregunta operativa es, entonces, quién traza la frontera entre lo que se formaliza y el resto, y con qué autoridad declara que ese resto es desdeñable. Kitchin (2014) documenta cómo la ciudad inteligente realiza ese trazado presentándolo como dato neutral; Hui (2020) lo sitúa como límite político y cosmológico antes que técnico. Las limitaciones decisivas de la urbanidad computada no residen en que falte cómputo, sino en quién decide qué se computa, con qué cosmotécnica y a costa de qué soberanía. Con los tres registros, la noción de adecuación epistémica y la frontera de lo formalizable establecidos, este capítulo deja preparado el terreno para el capítulo 03, que inventaría qué modelos urbanos clásicos admiten formalización exacta y pueden entrar como contendientes en el banco de pruebas.

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.
Dreyfus, H. L. (1992). What Computers Still Can't Do: A Critique of Artificial Reason. Cambridge, MA: MIT Press.
Harvey, D. (1973). Social Justice and the City. London: Edward Arnold.
Heidegger, M. (1927). Sein und Zeit. Halle: Max Niemeyer.
Hui, Y. (2020). Fragmentar el futuro. Ensayos sobre tecnodiversidad. Buenos Aires: Caja Negra.
Jacobs, J. (1961). The Death and Life of Great American Cities. New York: Random House.
Kant, I. (1790). Kritik der Urteilskraft. Berlin und Libau: Lagarde und Friederich.
Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. London: SAGE.
Lefebvre, H. (1974). La production de l'espace. Paris: Anthropos.
Sassen, S. (1991). The Global City: New York, London, Tokyo. Princeton, NJ: Princeton University Press.
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.