09. Propuesta: el Banco Epistémico Urbano como herramienta científica

Este capítulo cumple una función constructiva dentro del argumento global de la tesis: una vez establecido el diagnóstico —que disponemos de herramientas epistémicas sobredimensionadas cuya aplicación efectiva sobre la ciudad es escasa, y que la IA estadística no produce un salto epistémico proporcional a su costo material, energético y político—, corresponde mostrar que el diagnóstico no es un callejón sin salida. La crítica técnica del capítulo 06, la crítica ontológica del capítulo 07 y la crítica político-económica del capítulo 08 convergen en una misma pregunta práctica: ¿qué puede hacerse con el conocimiento urbano clásico ya existente que no requiera escalar el cómputo sino aplicarlo con rigor? La respuesta que proponemos es el Banco Epistémico Urbano: un banco de pruebas reproducible y extensible que compara modelos urbanos clásicos computables contra modelos de lenguaje, con protocolo explícito, métricas comparables y casos de uso para investigadores y docentes. Este capítulo especifica su arquitectura, su protocolo de extensión, sus casos de uso y, sobre todo, su posición epistémica: el Banco no mide quién «gana» sino dónde el cómputo deja de ser pertinente.

9.1 Motivación: del diagnóstico crítico a una herramienta positiva

Toda crítica sostenida de la tecnología corre el riesgo de detenerse en la negación. Hui advierte precisamente contra ese callejón: la apuesta por la tecnodiversidad no es un rechazo de la técnica sino una multiplicación de sus formas y de las cosmotécnicas que las sostienen (Hui, 2020). El argumento de esta tesis no es anti-tecnológico; es un argumento sobre la proporción entre herramienta y tarea. Sostenemos que el conocimiento urbano acumulado —las leyes de escala de Bettencourt, la teoría de los lugares centrales de Christaller, las funciones de densidad de Alonso, los análisis de red de Batty— constituye un corpus de teorías computables de alta densidad epistémica cuya aplicación efectiva sobre datos urbanos reales es todavía escasa, fragmentaria y escasamente verificada en condiciones controladas.

La pregunta que motiva el Banco Epistémico Urbano no es «¿puede la IA hacer lo que hace un urbanista?» sino una pregunta más precisa y verificable: «¿qué aporta la IA estadística sobre un modelo urbano clásico computable cuando ambos se aplican a la misma tarea con la misma información de entrada?». Esta pregunta es la que la literatura sobre ciudades inteligentes raramente formula con esa exactitud. Kitchin observa que la revolución de los datos urbanos ha producido una enorme capacidad de captura y procesamiento, pero que los marcos analíticos para evaluar qué significa esa capacidad siguen siendo débiles (Kitchin, 2014). Batty, por su parte, señala que la nueva ciencia de las ciudades requiere no solo datos sino teoría: sin modelos que anticipen qué debería observarse, el dato urbano es ruido (Batty, 2013).

El Banco Epistémico Urbano es, en ese sentido, una herramienta de aplicación del conocimiento existente antes de ser una herramienta de evaluación de la IA. Su contribución no es técnica en el sentido de producir un nuevo modelo; es metodológica en el sentido de volver operativo y reproducible el contraste entre dos formas de saber la ciudad: el cómputo puro, determinístico, que implementa una teoría clásica, y la IA estadística, que predice sin ejecutar el algoritmo. Este contraste, cuando se realiza de forma sistemática y con verdad de referencia verificable, produce evidencia sobre la naturaleza del salto epistémico —o de su ausencia— entre ambas formas de cómputo.

El experimento propio documentado en experimento/resultados.json es la versión mínima viable del Banco: seis tareas (T1–T6), dos intentos por sujeto, sin herramientas externas, con verdad de referencia explícita para las cinco tareas computables y etiqueta NO_COMPUTABLE para T6. Los sujetos son seis modelos de lenguaje: dos de API (Claude Sonnet y Claude Opus) y cuatro locales ejecutados bajo Ollama en infraestructura propia (qwen2.5:3b, qwen3:14b, gpt-oss:20b y qwen3:32b). Los resultados —que analizamos en detalle en el capítulo 05 (diferido)— muestran, en síntesis, que sobre las tareas computables Sonnet alcanza el 90 % de aciertos y Opus el 70 %, mientras los modelos locales quedan muy por debajo y sin orden monótono respecto del tamaño (gpt-oss:20b 40 %; qwen2.5:3b, qwen3:14b y qwen3:32b, 20 % cada uno); que los aciertos no son estables entre intentos (Opus falla el segundo intento de T1 y Sonnet el segundo de T2); que la confianza declarada por los modelos de API no predice la corrección de forma sistemática (el patrón es tarea-dependiente: en T2 y T5 hay discordancia clara; en T1 la confianza baja convive tanto con aciertos como con un fallo; en T3 y T4 la confianza alta o media acompaña el acierto consistente); y que T6 no admite verdad de referencia aritmética porque el juicio de relevancia es estructuralmente no computable. Esta versión mínima basta para mostrar que el patrón es real y que el instrumento funciona; la contribución de este capítulo es especificar cómo hacerlo crecer de forma reproducible.

9.2 Arquitectura del Banco Epistémico Urbano

El Banco Epistémico Urbano se compone de cinco elementos articulados: (1) un catálogo de teorías urbanas computables, (2) un conjunto de tareas derivadas de esas teorías, (3) una verdad de referencia calculada por cómputo puro para cada tarea computable, (4) un conjunto de sujetos —modelos de lenguaje de API y modelos locales— sometidos a las tareas bajo condiciones controladas, y (5) un conjunto de métricas comparables que permiten contrastar el rendimiento de los sujetos con la verdad de referencia y entre sí.

9.2.1 Catálogo de teorías computables

El catálogo es el corazón epistemológico del Banco. Una teoría urbana es computable en el sentido del Banco si satisface tres condiciones: (a) puede expresarse como un algoritmo de entrada-salida con parámetros fijos; (b) produce una respuesta unívoca o un conjunto finito de respuestas admisibles para una instancia dada; (c) la respuesta es verificable independientemente del agente que la calcule. Este criterio excluye deliberadamente las teorías interpretativas y normativas —Lefebvre sobre la producción del espacio, Harvey sobre la justicia social, Jacobs sobre la vitalidad urbana— no porque sean menos importantes, sino porque no admiten verdad de referencia aritmética. El catálogo trabaja con el subconjunto formalizable del conocimiento urbano, reconociendo que ese subconjunto no agota ni la ciudad ni la teoría urbana.

Las teorías candidatas iniciales del catálogo incluyen, entre otras: la ley de Zipf sobre distribución de tamaños de ciudades (Zipf, 1949), los lugares centrales de Christaller (Christaller, 1933), el modelo de uso del suelo de Alonso (Alonso, 1964), las leyes de escala urbana de Bettencourt y West —relaciones potenciales entre población y variables socioeconómicas e infraestructurales— (Bettencourt, 2013; West, 2017), los modelos de red de Batty (Batty, 2013), y los algoritmos clásicos de grafos aplicados a redes de transporte urbano (camino mínimo, centralidad, componentes conexas). Cada entrada del catálogo debe incluir: referencia bibliográfica, formulación matemática canónica, dominio de aplicación, tipo de entrada requerida y tipo de salida producida.

9.2.2 Tareas

Una tarea es una instancia concreta de una teoría del catálogo: fija los valores de entrada, define la pregunta y especifica el formato de respuesta esperado. Las tareas del experimento propio ilustran este principio: T1 (multiplicación exacta de dos enteros de doce dígitos) prueba la aritmética exacta que subyace a cualquier cómputo cuantitativo; T2 (camino más corto en un grafo de 25 barrios) implementa Dijkstra sobre una red de transporte urbano; T3 (conteo combinatorio de rutas en una retícula 12×12) prueba el coeficiente binomial que aparece en modelos de accesibilidad; T4 (iteración recursiva de una función afín modular en 40 pasos) prueba la fidelidad de la retroalimentación en el sentido de Wiener (1950); T5 (suma de cuadrados de 30 lecturas de sensores urbanos) prueba la agregación exacta sobre datos de campo; T6 (juicio de relevancia en una escena urbana ambigua) es una tarea inversa que no admite verdad de referencia computable y funciona como control epistemológico.

La distinción entre tareas directas y tareas inversas es estructural en el Banco. Las tareas directas tienen verdad de referencia aritmética calculada por cómputo puro y permiten medir exactitud. Las tareas inversas —como T6— no tienen verdad de referencia aritmética porque el objeto que se pide (decidir qué es relevante en una escena) requiere precisamente el juicio que Dreyfus y Heidegger identifican como irreductible al cálculo: la fijación de un horizonte de significatividad que no puede ser a su vez calculado (Dreyfus, 1992). Las tareas inversas no se evalúan con métricas de acierto sino con análisis cualitativo de las respuestas producidas, que el Banco documenta sistemáticamente.

9.2.3 Verdad de referencia

La verdad de referencia es el valor calculado por cómputo determinístico —un script Python ejecutado sobre los mismos datos de entrada que recibe el sujeto— y registrado en el archivo de resultados antes de administrar la tarea a ningún modelo. Este principio de anterioridad de la verdad de referencia es metodológicamente crítico: impide que la evaluación se contamine por los resultados de los modelos. Para T1, la verdad de referencia es 349.625.969.488.102.520.908.371; para T2, la secuencia exacta de diez barrios; para T3, el valor 2.704.156; para T4, el valor 23.842; para T5, el valor 651.396.404. Para T6, la etiqueta es NO_COMPUTABLE, lo que es en sí mismo un resultado epistemológico: hay preguntas urbanas para las cuales no existe verdad de referencia aritmética, y eso no es un defecto del Banco sino una parte constitutiva de su argumento.

9.2.4 Sujetos

Los sujetos son los agentes evaluados. El experimento propio sometió a las seis tareas, sin herramientas externas, a dos modelos de lenguaje de API (Claude Sonnet y Claude Opus) y a cuatro modelos locales ejecutados bajo Ollama en infraestructura propia (qwen2.5:3b, qwen3:14b, gpt-oss:20b y qwen3:32b), con el objetivo de aislar el razonamiento interno del modelo de cualquier acceso a calculadoras, intérpretes o buscadores. Esta condición —sin herramientas— es la condición de prueba del límite: muestra qué puede hacer la IA estadística por sí misma, sin externalizaciones. La inclusión de los modelos locales no es solo un gesto de soberanía de cómputo (capítulo 08): aporta la única variación de escala genuinamente medible del experimento, y sobre ella la exactitud no creció de forma monótona con el número de parámetros. El Banco puede extenderse además a otras familias locales (por ejemplo Llama, Mistral o Phi) y a modelos con herramientas habilitadas, con la condición de que las condiciones de cada evaluación sean documentadas explícitamente y no se mezclen en las comparaciones. La comparación entre condiciones (con y sin herramientas) es en sí misma informativa: si un modelo sin herramientas falla en aritmética exacta pero acierta con una calculadora Python, eso confirma que el fallo es de cómputo puro, no de comprensión de la tarea —lo cual es precisamente lo que la tesis argumenta.

9.2.5 Métricas

Las métricas del Banco operan en dos niveles. Para las tareas directas, la métrica primaria es la exactitud binaria (correcto/incorrecto), registrada por intento y por modelo. Las métricas secundarias incluyen: tasa de acierto por modelo (aciertos/total de intentos), variabilidad entre intentos del mismo modelo sobre la misma tarea (que mide estabilidad, no solo exactitud media), y correlación entre confianza declarada por el modelo y exactitud efectiva. Esta última métrica tiene relevancia filosófica, y lo que los datos de los modelos de API muestran es una mala calibración bidireccional: la confianza declarada no predice la exactitud en ninguna de las dos direcciones. Por un lado, la confianza alta no garantiza el acierto: en T2 (camino más corto) Sonnet declara confianza alta también en su segundo intento, que es incorrecto. Por otro lado, la confianza baja tampoco anticipa el fallo: en T1, ambos modelos declaran confianza baja en todos sus intentos y, sin embargo, aciertan tres de cuatro veces. En T5 los dos intentos fallidos de Opus llevan confianza media —ni alta ni baja—, de modo que tampoco ahí la señal discrimina. En T3 y T4 todos los intentos son correctos con confianza alta o media. El patrón, en suma, es que ni la confianza alta acompaña sistemáticamente al acierto ni la confianza baja al error: la señal de confianza autodeclarada no funciona como predictor fiable en ninguna dirección. Lo que los datos permiten afirmar, con la cautela que impone una muestra de pocos intentos, es que los mecanismos de autorregulación del modelo no producen, bajo este protocolo, señales de confianza calibradas respecto de la exactitud en tareas aritméticas exactas; establecer el alcance de ese hallazgo requeriría una muestra mayor.

Para las tareas inversas, las métricas son cualitativas: se registra el foco de la respuesta (¿a qué agente o elemento de la escena dirige la atención el modelo?), la coherencia interna del razonamiento, y la plausibilidad situacional. Las cuatro respuestas de los modelos de API a T6 —sobre la escena urbana ambigua de un niño que pisa la calzada con semáforo en rojo, pavimento mojado y una moto acelerando— produjeron tres focos distintos: el repartidor en moto (Sonnet, intento 1), el niño (Sonnet, intento 2), y el acompañante del niño (Opus, intento 1), con el segundo intento de Opus identificando al niño y secundariamente al acompañante. Ninguna de estas respuestas es incorrecta en sentido aritmético; todas son plausibles en sentido situacional; y precisamente por eso ilustran que el juicio de relevancia no tiene función de corrección única. Los modelos locales refuerzan el punto por contraste: uno de ellos (qwen3:14b) dirigió la alerta a «una mujer mayor» que no figura en la escena —una alucinación de entidad—, lo que muestra que producir un foco plausible y producir un foco fiel a la situación son cosas distintas, y que la fluidez en este registro no garantiza el anclaje en lo dado. Esta variabilidad no es un defecto del modelo: es la evidencia de que estamos ante un tipo de pregunta estructuralmente diferente.

9.3 Protocolo de extensión: cómo añadir una teoría o un modelo

El Banco Epistémico Urbano está diseñado para ser extensible. Su valor como herramienta científica depende de que investigadores y docentes puedan añadir teorías, tareas y sujetos sin romper la comparabilidad con las entradas existentes. El protocolo de extensión opera en tres planos: añadir una teoría al catálogo, añadir una tarea a una teoría existente, y añadir un sujeto (modelo) a la batería de evaluación.

9.3.1 Añadir una teoría al catálogo

Para incorporar una nueva teoría al catálogo, el contribuyente debe proveer: (a) la referencia bibliográfica primaria de la teoría, con año de publicación original; (b) la formulación matemática en notación estándar; (c) un script Python reproducible que calcule la verdad de referencia para al menos una instancia canónica; (d) una descripción del dominio de aplicación urbana; y (e) una clasificación según si la teoría produce tareas directas (con verdad de referencia aritmética), tareas inversas (sin verdad de referencia computable) o tareas mixtas. Esta última categoría es importante: algunas teorías urbanas tienen una parte computable —un índice de centralidad, un gradiente de densidad— y una parte interpretativa —qué significa ese índice para la política urbana— que no admite formalización sin un horizonte normativo previo.

El catálogo se versiona en el repositorio junto con los scripts de cómputo puro. La reproducibilidad exige que cualquier investigador que clone el repositorio pueda recalcular las verdades de referencia ejecutando los scripts sin modificación. Los números que aparecen en experimento/resultados.json —349.625.969.488.102.520.908.371 para T1, 2.704.156 para T3, 651.396.404 para T5— deben ser reproducibles a partir de los scripts y los datos de entrada almacenados en el repositorio.

9.3.2 Añadir una tarea

Una tarea nueva sobre una teoría existente debe especificar: los valores de entrada exactos (no rangos ni parámetros vagos), la pregunta formulada en el formato que se administrará al modelo, la verdad de referencia calculada por cómputo puro antes de cualquier evaluación, y la justificación de por qué esa tarea es relevante para la teoría urbana que instancia. Las tareas deben diseñarse de modo que sean administrables a un modelo de lenguaje como prompt de texto plano, sin información visual ni datos en formatos binarios. Esta restricción no es una limitación técnica del Banco: es una decisión metodológica que iguala las condiciones entre modelos y mantiene la comparabilidad.

9.3.3 Añadir un sujeto

Añadir un nuevo modelo requiere: identificar el modelo por nombre y versión exactos (o por hash de pesos si es local), documentar las condiciones de evaluación (temperatura, herramientas habilitadas o deshabilitadas, formato del prompt, número de intentos), y ejecutar la batería completa de tareas existentes bajo esas condiciones. Los resultados deben registrarse en el formato JSON del repositorio, con un campo modelo que identifique el sujeto de forma no ambigua. La comparabilidad entre modelos sólo es válida si las condiciones de evaluación son idénticas; cualquier diferencia de condiciones debe documentarse explícitamente y tenerse en cuenta en el análisis.

9.3.4 Criterios de reproducibilidad y versionado

El repositorio sigue el principio de que toda afirmación empírica del Banco debe ser reproducible por un tercero con acceso a los mismos datos y scripts. Esto implica: control de versiones explícito de los scripts de cómputo puro; registro de las versiones exactas de los modelos evaluados; almacenamiento de los prompts completos administrados a cada modelo; y separación estricta entre los archivos de verdad de referencia (calculados antes de la evaluación) y los archivos de respuestas (registrados durante la evaluación). Cualquier modificación posterior de una verdad de referencia invalida las comparaciones previas y exige una nueva ronda de evaluación; este principio de invariancia de la verdad de referencia es la condición de integridad científica del Banco.

9.4 Casos de uso: investigación y docencia

El Banco Epistémico Urbano tiene dos casos de uso primarios que no son independientes entre sí: la investigación —medir qué aporta realmente la IA estadística sobre un baseline clásico— y la docencia —mostrar el límite en condiciones controladas y reproducibles, en vivo si es posible.

9.4.1 Investigación: medir el salto epistémico real

En el uso investigativo, el Banco funciona como un benchmark de evaluación comparativa. La pregunta que permite responder es: dado un conjunto de tareas derivadas de teorías urbanas clásicas, ¿cuánto de lo que produce la IA estadística es explicado por el cómputo puro y cuánto constituye un añadido irreductible a ese cómputo? Esta pregunta es más precisa que la pregunta habitual —«¿es la IA mejor que el método tradicional?»— porque no supone que «mejor» tenga un único significado, y porque distingue entre lo que el cómputo puro puede hacer (exactitud aritmética determinística) y lo que la IA estadística puede hacer además de eso (plausibilidad contextual, generalización, formulación en lenguaje natural).

Los resultados del experimento propio permiten formular una respuesta provisional: en las tareas computables (T1–T5), la IA estadística alcanza tasas de acierto altas (Sonnet 90%, Opus 70% sobre intentos totales computables) pero con variabilidad entre intentos que el cómputo puro no tiene —el algoritmo determinístico siempre produce el mismo resultado sobre la misma entrada. En T1, Opus falla en el segundo intento produciendo 349.634.804.376.851.666.458.571 en lugar de 349.625.969.488.102.520.908.371; en T5, Opus falla en ambos intentos produciendo 651.397.404 y 651.400.404 en lugar de 651.396.404. Estos fallos no son marginales: en un sistema de gestión urbana real, un error de este tipo en una suma de sensores o en una ruta de tráfico óptima tiene consecuencias operativas directas. La conclusión investigativa no es que la IA es inútil para estas tareas; es que la IA estadística no es un sustituto del cómputo puro cuando se requiere exactitud garantizada, y que la distinción entre imitación plausible y cómputo exacto tiene consecuencias prácticas que la retórica de la ciudad inteligente frecuentemente borra.

En T6, el Banco ofrece un tipo de resultado cualitativamente diferente: las cuatro respuestas de los modelos de API exhiben focos distintos (el repartidor, el niño, el acompañante, el niño y el acompañante) sobre la misma escena ambigua. Esto no mide un fallo sino una capacidad: la IA estadística puede operar sobre escenas no formalizadas y producir juicios situacionales coherentes que el cómputo puro no puede ni siquiera iniciar. Sin embargo, la pluralidad de focos en T6 es también evidencia de la tesis de Dreyfus: no hay función de relevancia que el algoritmo pueda ejecutar porque la relevancia no es un predicado del mundo sino una relación entre el mundo y un agente con historia, cuerpo y horizonte de fines (Dreyfus, 1992). La IA estadística imita esa relación con fluidez notable; no la instancia.

Investigaciones futuras pueden usar el Banco para preguntas más específicas: ¿varía el rendimiento con el tamaño de la instancia (grafos de 10, 25, 100 barrios)? ¿Mejora la exactitud aritmética cuando se habilitan herramientas de cómputo externas? ¿Qué tipo de formulación del prompt maximiza la exactitud en tareas de cómputo puro? ¿Hay diferencias sistemáticas entre modelos de distinto tamaño paramétrico en tareas de recursividad profunda? Estas preguntas son respondibles con el Banco sin requerir infraestructura computacional extraordinaria: el experimento propio se realizó con dos modelos de API, sin GPU local, con scripts Python de pocas líneas.

9.4.2 Docencia: mostrar el límite en vivo

En el uso docente, el Banco funciona como un dispositivo pedagógico de demostración. La experiencia de ver a un modelo de lenguaje fallar en una multiplicación de doce dígitos —o producir un resultado diferente en el segundo intento sobre la misma tarea— es cualitativamente distinta de leer una afirmación sobre las limitaciones de la IA estadística. El Banco permite construir ese momento de demostración de forma reproducible y extensible.

La secuencia pedagógica estándar que proponemos tiene cuatro pasos. Primero, presentar la teoría urbana clásica y su formalización computable: por ejemplo, el algoritmo de Dijkstra sobre una red de transporte y su complejidad temporal. Segundo, calcular la verdad de referencia con el script Python frente al grupo, para que la exactitud del cómputo puro sea visible y verificable. Tercero, administrar la misma tarea al modelo de lenguaje en vivo, mostrando el prompt, la respuesta y la comparación con la verdad de referencia. Cuarto, discutir qué tipo de operación realizó el modelo: ¿ejecutó el algoritmo, o produjo una respuesta plausible por asociación estadística? Esta discusión conecta directamente con los conceptos de juicio determinante y juicio reflexionante en el sentido de Hui siguiendo a Kant: el algoritmo aplica una regla dada a un caso dado; la IA estadística hace algo que se parece a eso pero no lo es (Hui, 2020).

T6 tiene un papel pedagógico especial: muestra que hay preguntas urbanas que la IA responde con fluidez y que el algoritmo no puede ni formular. La escena del niño, la moto y el pavimento mojado produce respuestas plausibles y hasta emotivamente coherentes en los modelos evaluados; el cómputo puro no puede decir nada porque no hay función de entrada que le indique qué contar como relevante. Este contraste —la IA fluye donde el algoritmo se detiene; el algoritmo es exacto donde la IA titubea— es la lección central que el Banco materializa en términos demostrables.

El Banco permite también incorporar teorías no computables como ejercicio de clasificación: ¿es la teoría del derecho a la ciudad de Lefebvre computable? ¿Bajo qué condiciones podría serlo parcialmente? ¿Qué se pierde al formalizar una categoría normativa como «espacio vivido»? Estas preguntas no tienen respuesta en el Banco —porque el Banco trabaja con teorías computables— pero el Banco crea el contraste conceptual que las hace urgentes.

9.5 Posición epistémica del Banco: no mide quién gana sino dónde el cómputo deja de ser pertinente

La posición epistémica del Banco Epistémico Urbano no es la de un ranking de rendimiento. No se trata de declarar un modelo ganador ni de establecer una jerarquía entre cómputo clásico e IA estadística. Se trata de trazar una topografía de pertinencia: qué tipo de preguntas urbanas admiten verdad de referencia aritmética, qué tipo de preguntas no la admiten, y en qué regiones el salto de uno a otro tipo es filosóficamente significativo.

Esta posición epistémica conecta directamente con la tesis central. Si sostenemos que disponemos de herramientas epistémicas sobredimensionadas respecto de su aplicación efectiva, el Banco es la contraprueba constructiva: muestra que hay conocimiento urbano clásico —teorías de escala, modelos de red, funciones de densidad— que puede aplicarse sobre datos reales con rigor y reproducibilidad sin requerir infraestructura de cómputo masiva. La comparación con la IA no es la conclusión del Banco sino su método: sirve para calibrar qué se gana y qué se pierde cuando se sustituye el cómputo puro por la predicción estadística, o cuando se añade la predicción estadística donde el cómputo puro no puede arrancar.

Bettencourt (2013) muestra que las leyes de escala urbana no son simplemente patrones estadísticos sino expresión de procesos de interacción social cuya estructura subyacente, aunque modelada matemáticamente, no queda completamente formalizada. Ese margen entre el modelo y el mecanismo es exactamente el espacio en el que el Banco trabaja: no para cerrar la oscuridad con más datos, sino para mapearla con precisión. Saber dónde el cómputo es exacto, dónde es plausible pero inestable, y dónde no puede empezar porque la pregunta no tiene estructura aritmética, es una forma de conocimiento urbano que el Banco produce de forma sistemática.

Hay un sentido adicional en el que el Banco materializa la tesis: su construcción misma es un ejercicio de aplicación del conocimiento existente. Las teorías del catálogo no son nuevas; los algoritmos de cómputo puro están documentados en la literatura desde hace décadas; los modelos de lenguaje son accesibles por API. Lo que el Banco añade no es más potencia computacional sino una arquitectura de comparación que hace presentable, usable y aplicable lo que ya existe. En términos de Hui, el Banco es un ejercicio de tecnodiversidad aplicada: no postula una única forma correcta de conocer la ciudad, sino que mantiene abiertas dos formas —el cómputo determinístico y la predicción estadística— y traza con precisión sus fronteras de pertinencia (Hui, 2020).

Por último, conviene señalar la paradoja performativa que el Banco comparte con la tesis en su conjunto: el Banco Epistémico Urbano fue parcialmente construido orquestando sistemas de IA bajo supervisión humana. Los scripts de cómputo puro, los prompts de las tareas, el formato JSON de los resultados, el análisis de los datos: ninguno de estos componentes requería IA estadística para ser producido, pero en la práctica la IA fue utilizada como herramienta de elaboración bajo supervisión del investigador. Esto no invalida el argumento; es consistente con él. La IA es una herramienta útil cuando opera bajo supervisión humana con tareas bien definidas y verificación independiente de resultados. La tesis que el Banco defiende no es que la IA sea inútil: es que el salto epistémico que la IA produce no es proporcional a su costo material, energético y político cuando ese costo se compara con la economía de la aplicación del conocimiento ya existente. El Banco ilustra esa proporción en sentido performativo —ilustrativo, no probatorio, como la nota reflexiva del capítulo 10 (10.4) precisa al distinguir lo que el caso muestra de lo que no demuestra.

El capítulo siguiente —la Nota reflexiva (capítulo 10)— desarrolla en primera persona del singular las implicaciones de haber construido esta tesis orquestando sistemas de IA bajo supervisión humana, y examina qué significa que la herramienta criticada sea también la herramienta utilizada.

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.
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.
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.
Wiener, N. (1950). The Human Use of Human Beings: Cybernetics and Society. Boston: Houghton Mifflin.
Zipf, G. K. (1949). Human Behavior and the Principle of Least Effort. Cambridge, MA: Addison-Wesley.