08. Crítica político-económica: sobredimensionamiento, economía de la aplicación y soberanía de cómputo

Este capítulo cierra el arco crítico de la tesis desplazando el eje de análisis desde lo técnico y lo ontológico hacia lo político y lo económico. En el capítulo 06 mostramos qué hace y qué no hace la IA estadística; en el capítulo 07 argumentamos que sus límites no son meros defectos de potencia sino rasgos de su modo de individuación técnica y de su cosmotécnica. Aquí damos el paso decisivo de la tesis central: sostenemos que, una vez establecido que el cómputo a gran escala mejora la imitación sin cruzar ningún umbral categorial, las limitaciones que de verdad importan para la urbanidad computada no son técnicas sino políticas, económicas y ontológicas. La pregunta deja de ser «¿puede la IA estadística computar la ciudad?» y pasa a ser «¿quién decide qué se computa, con qué cosmotécnica y a costa de qué soberanía?». Para responderla, examinamos cuatro nudos —el sobredimensionamiento de la herramienta, la economía de la aplicación, la soberanía de cómputo y la fijación política de la función objetivo— y los leemos con Harvey, Sassen, Kitchin, Lefebvre y Hui. La conclusión prepara el terreno para el capítulo 09, donde el Banco Epistémico Urbano se ofrece como respuesta constructiva a este diagnóstico.

1. El sobredimensionamiento como problema económico, no técnico

Llamamos herramienta epistémica sobredimensionada a un instrumento cuyo costo material, energético e infraestructural excede con mucho el rendimiento epistémico marginal que aporta a la tarea para la que se lo despliega. La tesis no es que la IA estadística sea inútil, sino que, aplicada al conocimiento de la ciudad, su costo crece de forma superlineal mientras su ganancia epistémica respecto de alternativas más baratas crece de forma marginal o nula. El sobredimensionamiento, así entendido, es ante todo un problema económico: una desproporción entre lo invertido y lo obtenido.

Conviene fijar el estatuto de cada enunciado. A nivel descriptivo, nuestro experimento muestra un patrón nítido en las tareas que admiten verdad de referencia. En T1 (multiplicación exacta de dos enteros de doce dígitos), el modelo mayor (Opus) acierta en un intento y falla en el otro, devolviendo «349634804376851666458571» frente al valor correcto «349625969488102520908371»; el modelo menor (Sonnet) acierta en ambos intentos. En T5 (suma de cuadrados exacta de treinta lecturas de sensores), Opus falla en sus dos intentos —«651397404» y «651400404» frente al valor exacto «651396404»—, mientras Sonnet acierta las dos veces. El agregado de exactitud sobre las tareas con verdad de referencia es de 90,0 % para Sonnet y 70,0 % para Opus.

A nivel interpretativo, este patrón desmiente la intuición de que más cómputo equivale a más verdad. El modelo presumiblemente más costoso no domina al más barato en las tareas aritméticas exactas; en T1 y T5 lo iguala o lo empeora. La razón, ya argumentada en los capítulos 06 y 07, es que ninguno de los dos ejecuta el algoritmo aritmético: ambos predicen tokens plausibles, y el error de Opus en T5 —desviaciones de mil y de cuatro mil unidades sobre el agregado— es exactamente el tipo de fallo que el cómputo determinístico no comete jamás. Una línea de Python que evalúa la suma de cuadrados da el resultado correcto a costo prácticamente nulo y con reproducibilidad perfecta. Frente a ese cómputo puro, escalar el modelo de lenguaje no compra exactitud: compra una imitación más fluida de la exactitud, que es otra cosa.

A nivel argumentativo, de aquí se sigue la primera conclusión político-económica del capítulo. Si el incremento de escala —con su correlato de costo material (centros de datos, aceleradores), energético (consumo eléctrico e hídrico de entrenamiento e inferencia) e infraestructural (redes, cadenas de suministro de hardware)— no produce un salto epistémico proporcional en las tareas urbanas que admiten respuesta verificable, entonces el despliegue de IA estadística sobre esas tareas es económicamente irracional cuando existe la alternativa determinística. No estamos ante un límite técnico que más ingeniería resolvería; estamos ante una desproporción estructural entre el instrumento y el problema. El sobredimensionamiento no es un accidente que el progreso corregirá: es la forma normal en que una herramienta de propósito general, vendida como solución universal, se aplica a problemas que herramientas específicas resuelven mejor y más barato. Kitchin (2014) ha mostrado cómo el «solucionismo de datos» presenta el despliegue tecnológico como respuesta neutral a problemas que en realidad son políticos; el sobredimensionamiento es la cara económica de ese solucionismo.

2. La economía de la aplicación: el cuello de botella no es el modelo

Si el problema no es la potencia de la herramienta, ¿dónde está el verdadero cuello de botella del conocimiento urbano? Sostenemos que está en la aplicación, no en el modelo. Llamamos economía de la aplicación al conjunto de costos, decisiones y trabajos necesarios para hacer presentable, usable y aplicable un conocimiento que en gran medida ya existe. La tarea pendiente de la urbanidad computada no es producir un modelo más potente, sino convertir el acervo de teoría urbana clásica —ya formalizada y, en buena parte, computable— en instrumentos que un planificador, un funcionario o un ciudadano puedan efectivamente usar.

El catálogo de teorías urbanas computables que el capítulo 03 desarrollará da cuerpo a esta afirmación. Buena parte del conocimiento urbano que importa está disponible y es de bajo costo computacional. La ley rango-tamaño de Zipf (1949) ordena la distribución de tamaños de ciudades con una regularidad que se calcula en segundos. La teoría de los lugares centrales de Christaller (1933) formaliza la jerarquía de asentamientos. El modelo de uso del suelo de Alonso (1964) deriva gradientes de renta y densidad a partir de supuestos explícitos. Las leyes de escala urbana de Bettencourt (2013) y West (2017) describen cómo indicadores socioeconómicos varían con el tamaño poblacional, y Batty (2013) ha sistematizado la ciudad como sistema de redes y flujos computable. Ninguno de estos modelos requiere un centro de datos: requieren ser implementados, documentados, validados contra datos locales y puestos a disposición de quien decide. Esa es la economía de la aplicación, y es ahí donde el conocimiento urbano se atasca.

La interpretación que proponemos es que la retórica del «modelo más potente» desvía recursos y atención precisamente del trabajo de aplicación. Cuando la pregunta dominante es cómo escalar la IA, deja de hacerse la pregunta de cómo hacer usable lo que ya sabemos. Y, sin embargo, el cuello de botella empírico de la planificación urbana rara vez es la ausencia de un modelo suficientemente sofisticado; suele ser la fragmentación de los datos, la opacidad de los supuestos, la falta de reproducibilidad y la distancia entre el conocimiento técnico y la decisión política. La aportación marginal de un modelo de lenguaje a este problema es ambigua: puede ayudar a documentar, traducir e interfaz —usos en los que destaca, como muestra su desempeño en la tarea de relevancia contextual—, pero no sustituye el trabajo determinístico de cálculo ni decide qué teoría aplicar.

De aquí se sigue, argumentativamente, que la prioridad correcta se invierte respecto del discurso dominante. La tesis sostiene que hay que aplicar antes que escalar. La contribución que el capítulo 09 desarrollará —el Banco Epistémico Urbano— es una respuesta directa a la economía de la aplicación: un banco de pruebas reproducible que toma modelos urbanos clásicos computables, los implementa, los hace comparables contra la IA estadística y los pone en condiciones de ser usados y auditados. No añade potencia; añade aplicabilidad. Esta inversión de prioridades no es solo metodológica: es una toma de posición sobre dónde reside el valor epistémico en la urbanidad computada.

3. La asimetría de costos medida: lo despreciable frente a lo estructural

Hasta aquí el sobredimensionamiento se ha argumentado conceptualmente; conviene ahora darle un anclaje cuantitativo, con el cuidado de que los números ilustren la tesis sin sobreafirmarla. Para ello medimos, sobre el mismo banco que el capítulo 04 documenta y cuyos aciertos el capítulo 05 reporta, el costo de dos regímenes de cómputo: ejecutar el corpus de modelos urbanos clásicos en una línea determinística de Python y consultar modelos de IA sobre las mismas preguntas. El registro completo, con su método por dato, está en experimento/costos.json. Anticipamos el estatuto de cada cifra para no confundir lo medido con lo estimado: la energía de la GPU se midió por muestreo de potencia, la energía de la API es inaccesible y no se mide, el costo de la API se estima por banda de tokens con precios oficiales, y el costo eléctrico del portátil se estima porque RAPL no era legible sin privilegios en el sistema empleado. Ningún número de esta sección pretende ser una medición de laboratorio; todos pretenden fijar un orden de magnitud.

El primer dato es la baratura del corpus clásico ya computable. Las trece simulaciones que dan cuerpo a las teorías de Zipf, Christaller, Alonso, Bettencourt, West y Batty —las mismas que la sección 2 invocó como núcleo de la economía de la aplicación— se ejecutaron por completo en 70,8 segundos de tiempo medido, de los cuales el modelo fractal DLA de Batty y Longley consume por sí solo unos 57. Su costo eléctrico total, estimado a partir de una potencia de portátil de 25 W y una tarifa residencial colombiana de aproximadamente 0,20 USD/kWh, es del orden de diez milésimas de centavo de dólar (9,83 × 10⁻⁵ USD): no diez centavos, sino diez milésimas de un centavo. Como las trece simulaciones son deterministas por construcción y aciertan las trece, el costo por respuesta correcta cae a unos siete coma seis millonésimos de dólar. El enunciado prudente es este: una vez que un modelo urbano clásico está formalizado y escrito como código, su costo marginal de ejecución es, a efectos prácticos, despreciable. El cuello de botella, como sostuvo la sección 2, no es ejecutar; es formalizar, documentar y poner a disposición —y ese trabajo ya está, en buena parte, hecho para el corpus clásico.

El segundo dato es la estructura del costo de la IA, y aquí la asimetría se vuelve cualitativa antes que meramente cuantitativa. Para los modelos locales sí pudimos medir la energía: la GPU RTX 5070 Ti de la plataforma «kratos» se muestreó con nvidia-smi, dando 281,5 W bajo carga de inferencia frente a 63 W en reposo. Recorrer el mismo banco con qwen3:32b consumió del orden de 1,04 × 10⁶ julios —unas 586 veces la energía estimada del corpus clásico completo—, y aun gpt-oss:20b, el más eficiente de los locales en aciertos por costo, gastó cerca de 177 veces esa energía. Para los modelos de API —Claude Sonnet y Claude Opus— la energía es sencillamente inaccesible desde fuera de la infraestructura de Anthropic, de modo que el registro la marca como no medida y se limita a estimar el costo monetario por banda de tokens, suponiendo entre 500 y 3000 tokens de salida por respuesta (banda declarada, no medida) y aplicando los precios oficiales de junio de 2026. Bajo esos supuestos, recorrer el banco con Opus cuesta entre 0,54 y 3,02 USD, y su costo por respuesta correcta —pese a su exactitud alta, que el capítulo 05 reconoce— se sitúa entre 0,013 y 0,070 USD: un rango que, en su extremo superior, supera en cuatro órdenes de magnitud el costo por acierto del cómputo clásico. Las dos comparaciones tienen pesos distintos y conviene no mezclarlas: la energética está medida y vale como hecho físico; la monetaria está estimada y vale solo como ilustración del orden de magnitud.

La interpretación que esta asimetría autoriza, y solo ella, es la siguiente. El costo del conocimiento urbano clásico ya computable es marginal: ejecutar no cuesta casi nada porque la inversión costosa —la teorización— se hizo hace décadas y es reutilizable indefinidamente sin renta. El costo de la IA, en cambio, no es marginal sino estructural: aun cuando una consulta individual parezca barata, descansa sobre un capital fijo enorme (centros de datos, aceleradores), un consumo energético recurrente que aquí medimos en la GPU y que en la API ni siquiera podemos auditar, y —en el caso del API— una dependencia de proveedor que fija precios, versiones y disponibilidad. Esto refuerza el diagnóstico del sobredimensionamiento de la sección 1 sin necesidad de sobreafirmarlo: no decimos que la IA no aporte nada, ni que estos números prueben una proporción universal; decimos que, en el corpus urbano que admite verdad de referencia, pagar un costo estructural por un rendimiento que el cómputo determinístico ya garantiza a costo despreciable es la definición operativa de una herramienta sobredimensionada. La cifra no cierra el argumento conceptual de los capítulos 04 y 05 —lo ilustra—; y su honestidad reside, precisamente, en declarar dónde mide y dónde solo estima.

4. Soberanía de cómputo: dependencia infraestructural y autonomía técnica

El tercer nudo es la soberanía de cómputo: la capacidad de un colectivo —una ciudad, una región, una comunidad— de decidir y sostener por sí mismo los medios técnicos con los que computa su propio mundo urbano. Sostenemos que la IA estadística a gran escala, tal como se distribuye hoy, erosiona esa soberanía, porque hace depender el conocimiento de la ciudad de infraestructuras, modelos y cadenas de suministro ajenos y concentrados.

La descripción de la situación es conocida y la documenta la geografía crítica. Sassen (1991) mostró que la economía global se organiza en torno a un puñado de ciudades globales donde se concentran las funciones de mando y los servicios avanzados; la infraestructura del cómputo a gran escala reproduce y profundiza esa geografía de concentración. Los centros de datos, los aceleradores especializados y los modelos de frontera se producen y controlan en muy pocos nodos. Una ciudad que delega el cómputo de su propio diagnóstico urbano a un modelo alojado en una infraestructura extranjera no solo paga una renta: cede la capacidad de auditar, modificar y sostener el instrumento con el que se conoce a sí misma. Harvey (1973), en su análisis de la justicia espacial, ya advertía que el control sobre los medios de producción del espacio urbano es inseparable de la distribución del poder; el cómputo es hoy uno de esos medios.

La interpretación cosmotécnica de Hui (2020) ilumina lo que está en juego. La monocultura tecnológica que Hui denuncia —la pretensión de que existe un único camino técnico, universal y sin alternativa— se materializa de forma muy concreta en la dependencia de un modelo único, propietario y remoto para computar realidades urbanas heterogéneas. Frente a ello, la tecnodiversidad no es un eslogan: tiene una traducción técnica precisa en la posibilidad de mantener una pluralidad de instrumentos de cómputo, locales, auditables y adaptados a la cosmotécnica de cada lugar.

Hui da a esta pluralidad un fundamento que conviene explicitar, porque es el que vuelve política —y no meramente técnica— la defensa de la tecnodiversidad. Para Hui, desarrollar una tecnodiversidad es una «política de descolonización»: una tarea de reconstrucción de las cosmotécnicas que la búsqueda de una historia universal de la tecnología había oscurecido (Hui, 2020). Y su finalidad última no es la variedad de máquinas por sí misma, sino lo que Hui llama noodiversidad, la diversidad de inteligencias o modos de conocer; de ahí su tesis de que el desafío de la IA «no es construir una superinteligencia, sino hacer posible una noodiversidad» (Hui, 2020). La soberanía de cómputo recibe entonces su sentido más fuerte: defender medios propios de cómputo no es proteger un activo económico, sino preservar la posibilidad de que sobrevivan modos de conocer la ciudad distintos del que inscribe el modelo único, propietario y remoto. Sin soberanía de cómputo no hay tecnodiversidad; y sin tecnodiversidad, sostiene Hui, no hay noodiversidad posible —solo variantes locales de una misma monocultura de la inteligencia.

Esto da contenido argumentativo al gesto, aparentemente menor, de ejecutar modelos de lenguaje de manera local. El experimento propio enfrentó dos regímenes de despliegue sobre las mismas tareas: modelos de API remota (Claude Sonnet y Claude Opus de Anthropic) y modelos locales ejecutados en infraestructura propia bajo Ollama (la familia Qwen —qwen2.5:3b, qwen3:14b, qwen3:32b— y gpt-oss:20b). Los datos locales no son anecdóticos para la tesis político-económica: muestran que la fiabilidad aritmética no es función monótona de la escala paramétrica. El modelo local mayor (qwen3:32b) y el menor (qwen2.5:3b) obtuvieron idéntica exactitud (20 %), mientras que el intermedio (gpt-oss:20b) alcanzó la mejor de los locales (40 %) y acertó exacto el agregado de T5 (651396404) justamente donde Opus, el modelo de API de mayor escala nominal, falló sus dos intentos. Nada en este patrón sostiene que un modelo más grande compre verdad: lo sostiene, en cambio, que escalar no encamina por sí solo hacia la ejecución correcta del algoritmo. En el diseño del Banco, la opción por modelos que pueden correr en infraestructura propia y bajo control directo no es una preferencia técnica neutral: es un gesto de autonomía técnica. Un modelo local, aun siendo más modesto, devuelve a quien lo opera el control sobre los pesos, los datos y las condiciones de inferencia; permite auditar, reproducir y modificar. El contraste relevante no es entre un modelo «mejor» y otro «peor» en abstracto, sino entre un instrumento que se posee y otro del que se depende. La soberanía de cómputo es, en este sentido, la condición material de la tecnodiversidad: sin medios propios de cómputo no hay pluralidad cosmotécnica posible, solo variantes locales de una misma dependencia. Una réplica exploratoria posterior agudiza este punto: incluso un modelo de unos 80 000 millones de parámetros, especializado en código y ejecutado en la estación propia (experimento/exploratorio/resultados_exploratorio.json), obtuvo la misma exactitud del 20 % que los modelos locales pequeños y solo acertó el conteo memorizable. Que semejante modelo quepa y corra bajo control directo en un escritorio es, en sí, un ejercicio de soberanía de cómputo; que ni con esa escala ni con esa especialización cruce el límite aritmético confirma que lo que falta no es potencia poseída, sino que el problema decisivo —gobernar qué se computa de la ciudad— no es de cómputo.

5. Quién decide qué se computa: la función objetivo como acto político

El nudo más profundo de la crítica político-económica es la fijación de la función objetivo. Sostenemos que decidir qué se computa de una ciudad —qué variables cuentan, qué se optimiza, qué se ignora— es un acto político previo a todo cómputo, y que ningún sistema técnico, por potente que sea, puede tomar esa decisión por sí mismo sin que un humano la haya fijado antes.

El experimento ofrece la evidencia más limpia de este punto en la tarea T6 (juicio de relevancia en una escena urbana ambigua). A diferencia de T1–T5, T6 es una tarea inversa: la escena se entrega en lenguaje natural, sin estructura de datos, sin métrica de peligro y sin función objetivo. Su valor de referencia es, literalmente, «NO_COMPUTABLE». Descriptivamente, los modelos produjeron respuestas plausibles y coherentes, pero divergentes en su foco: uno dirigió la alerta al repartidor en moto como agente activo del peligro, otro al niño que entra a la calzada como víctima potencial, otro al acompañante como agente que puede intervenir. Ninguna respuesta es «incorrecta» en el sentido aritmético, y por eso la columna de corrección registra «NO_APLICA».

La interpretación es decisiva para la tesis. Lo que T6 muestra no es una debilidad de los modelos, sino la estructura del problema: la formalización necesaria para escribir un algoritmo —fijar quién es el destinatario relevante de la alerta, qué cuenta como peligro, qué se prioriza— es ella misma el juicio que se pide. No hay función de entrada-salida hasta que alguien ha decidido qué es relevante; y esa decisión, en términos kantianos vía Hui, pertenece al juicio reflexionante, no al determinante. El cómputo puro no puede siquiera arrancar sobre T6 porque carece del dato fundamental, que no es un dato sino una decisión. La divergencia de los tres focos en las respuestas de los modelos no es ruido: es la huella de que el problema admite varias funciones objetivo legítimas, y que elegir una es tomar partido.

De aquí extraemos la tesis política central del capítulo. Toda ciudad inteligente que se presenta como un problema de optimización ya ha resuelto, fuera del cómputo y casi siempre sin deliberación pública, la pregunta por la función objetivo. La ciudad inteligente administra como si fuera una tarea determinística —del tipo T1, con respuesta única y verificable— lo que en realidad es una escena del tipo T6, irreductiblemente ambigua y políticamente cargada. Cuando un panel de control optimiza «el flujo de tráfico», alguien decidió que el flujo importa más que, por ejemplo, la habitabilidad de la calle o la seguridad del peatón; cuando «predice» dónde concentrar la vigilancia, alguien fijó qué cuenta como riesgo y sobre quién. Lefebvre (1974) lo formuló como la diferencia entre el espacio concebido por la planificación abstracta y el espacio vivido de la práctica social: la función objetivo de la ciudad inteligente codifica el primero y borra el segundo. Kitchin (2014), en su análisis de la ciudad de datos en tiempo real, mostró que la promesa de gobierno objetivo y neutral oculta precisamente las decisiones políticas inscritas en la elección de qué se mide y qué se silencia.

El argumento, entonces, es que el sobredimensionamiento técnico funciona como un velo: cuanto más impresionante es la herramienta, más fácil resulta presentar como técnica una decisión que es política. La potencia del modelo no responde la pregunta por la función objetivo; la disimula. Y esto enlaza con la economía de la aplicación de la sección 2: hacer aplicable el conocimiento urbano clásico exige, antes que potencia, explicitar los supuestos —algo que los modelos de Zipf, Christaller o Alonso hacen por construcción, porque su función objetivo está escrita y es auditable, mientras que la de un sistema estadístico opaco queda enterrada en pesos inescrutables.

6. Gobierno algorítmico, justicia espacial y ciudad de datos: una lectura integrada

Reunimos ahora las tres lecturas para mostrar que convergen en un mismo diagnóstico. Harvey, Sassen y Kitchin describen, desde ángulos distintos, cómo la producción del espacio urbano está atravesada por relaciones de poder que la tecnología no neutraliza sino que media y, a menudo, intensifica.

Desde Harvey (1973), la cuestión central es la justicia espacial: la distribución del espacio y de sus beneficios es una cuestión de justicia, y los instrumentos que diagnostican y planifican la ciudad no son neutrales respecto de esa distribución. Un cómputo que optimiza una función objetivo no declarada reparte costos y beneficios de un modo que la apariencia técnica oculta. Harvey (1989) añadió, en su análisis de la condición posmoderna, que la compresión espacio-temporal del capitalismo tardío acelera y abstrae las decisiones urbanas; la ciudad en tiempo real es la radicalización de esa compresión, donde el ritmo del dato desplaza el tiempo de la deliberación.

Desde Sassen (1991), la geografía de la concentración explica por qué la soberanía de cómputo es un problema real y no una preocupación abstracta. Las funciones de cómputo avanzado se concentran allí donde ya se concentra el poder económico, de modo que la dependencia infraestructural reproduce la jerarquía de las ciudades globales. La autonomía técnica local es, en este marco, una de las pocas vías para que las ciudades no centrales conserven capacidad de decisión sobre su propio conocimiento.

Desde Kitchin (2014), la ciudad de datos en tiempo real es el escenario donde se juega todo lo anterior. El gobierno algorítmico promete eficiencia y objetividad, pero descansa en una elección de qué datos se recogen, qué se mide y qué función se optimiza —elección que, una vez automatizada, se vuelve invisible y difícil de contestar. La crítica de Kitchin al solucionismo de datos completa el cuadro: el sobredimensionamiento de la herramienta es atractivo precisamente porque promete saltarse la deliberación política sobre los fines.

La interpretación integrada es que los tres autores describen el mismo mecanismo desde tres planos —distributivo (Harvey), geográfico-económico (Sassen) e instrumental-epistémico (Kitchin)—, y que ese mecanismo es el que nuestra tesis nombra con tres conceptos articulados: sobredimensionamiento, economía de la aplicación y soberanía de cómputo. El hilo que los une es la función objetivo no declarada. El sobredimensionamiento la disimula tras la potencia; la economía de la aplicación la deja sin explicitar al privilegiar el modelo sobre el supuesto; la dependencia infraestructural la sustrae al control de quien habita la ciudad.

Argumentativamente, esto cierra la línea de la tesis. Las limitaciones decisivas de la urbanidad computada no son técnicas porque ninguna mejora de potencia toca el lugar donde se deciden los fines; son políticas, económicas y ontológicas porque conciernen a quién decide qué se computa, con qué recursos y a costa de qué autonomía. El experimento ilustra el patrón general en sus dos extremos sobre proxies aritméticos: en T1 y T5, donde hay verdad aritmética, el cómputo puro la garantiza y escalar el modelo no la mejora; en T6, donde hay que decidir relevancia, ningún cómputo arranca sin que un humano fije primero la función objetivo. La extensión de ese patrón a los modelos urbanos sustantivos —Christaller, Alonso, Bettencourt— queda diferida a los capítulos 03 y 05; aquí el experimento ejemplifica la lógica, y es el argumento conceptual, no la batería aritmética, el que sostiene la conclusión sobre lo urbano. Entre ambos extremos no hay un umbral que más cómputo permita cruzar: hay una distribución de tareas en la que la herramienta sobredimensionada es, según el caso, innecesaria o incapaz de sustituir la decisión.

7. Cierre y puente al capítulo 09

Hemos sostenido que el diagnóstico de la urbanidad computada debe formularse en términos político-económicos. El sobredimensionamiento es una desproporción económica entre el costo de la herramienta y su rendimiento epistémico marginal; la economía de la aplicación localiza el verdadero cuello de botella en hacer usable el conocimiento urbano ya existente; la soberanía de cómputo nombra la condición material de la tecnodiversidad frente a la dependencia infraestructural; y la fijación de la función objetivo revela que decidir qué se computa de la ciudad es un acto político que ninguna potencia técnica puede tomar en lugar de un colectivo humano. Leídos juntos, Harvey, Sassen, Kitchin, Lefebvre y Hui muestran que estos cuatro nudos son aspectos de un mismo problema: el de un instrumento que promete resolver técnicamente lo que solo puede decidirse políticamente.

Este diagnóstico exige una respuesta constructiva, y no una mera denuncia. Si la prioridad es aplicar antes que escalar y conservar soberanía sobre los medios de cómputo, entonces hace falta un artefacto concreto que haga esa prioridad operativa, reproducible y auditable. El capítulo 09 presenta esa respuesta: el Banco Epistémico Urbano, un banco de pruebas reproducible que compara modelos urbanos clásicos computables contra la IA estadística, hace explícitas las funciones objetivo y se construye sobre infraestructura controlable. Allí mostraremos cómo el diagnóstico de este capítulo se convierte en una herramienta científica que devuelve la decisión sobre qué se computa a quien habita y gobierna la ciudad.

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.
Harvey, D. (1973). Social Justice and the City. London: Edward Arnold.
Harvey, D. (1989). The Condition of Postmodernity: An Enquiry into the Origins of Cultural Change. Oxford: Blackwell.
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.
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.