11. Conclusiones: aplicar antes que escalar, fragmentar antes que optimizar

Este capítulo cierra el argumento de la tesis. Su función no es introducir evidencia nueva sino recapitular la que ya ha sido presentada y leerla a la luz de la triple crítica desarrollada en los capítulos 06, 07 y 08, para fijar después las dos contribuciones del trabajo y abrir sus consecuencias. Sostenemos que el conjunto de la tesis converge en una proposición simple y, por ello mismo, exigente: el límite decisivo de la urbanidad computada no se desplaza añadiendo escala, porque no es un límite técnico sino político, económico y ontológico. De esa proposición se sigue una reorientación de la tarea —de la persecución de un modelo mayor hacia la economía de la aplicación— y una pregunta normativa que dejamos deliberadamente abierta: qué cosmotécnica conviene a la ciudad latinoamericana. El capítulo recorre, en este orden, la recapitulación del límite, la doble contribución, el giro hacia la aplicación, la cuestión de la tecnodiversidad urbana y, por último, las limitaciones del trabajo y la agenda futura.

11.1 El límite no se mueve con escala

Conviene recordar el punto de partida. La tesis se abre (capítulo 01) constatando una desproporción: disponemos de herramientas epistémicas sobredimensionadas respecto de su aplicación efectiva sobre la ciudad. La IA estadística —los modelos de lenguaje— se presenta como el instrumento que por fin permitiría saber y gobernar lo urbano, pero el salto epistémico que promete no es proporcional a su costo material, energético y político. El resto de la tesis ha consistido en someter esa promesa a prueba y a crítica.

Descriptivamente, lo que el experimento propio muestra es inequívoco. En las seis tareas T1–T6, ejecutadas sin herramientas externas y solo con el razonamiento interno de seis modelos de lenguaje —dos de API (Sonnet y Opus) y cuatro locales ejecutados bajo Ollama en infraestructura propia (qwen2.5:3b, qwen3:14b, gpt-oss:20b y qwen3:32b)—, el cómputo a gran escala mejora la imitación sin cruzar ningún umbral categorial. Los modelos de API resolvieron correctamente las tareas estructuralmente memorizables o de baja profundidad —el conteo combinatorio de rutas monótonas (T3, valor exacto 2.704.156) fue acertado en los cuatro intentos, y la iteración recursiva de cuarenta pasos (T4, valor 23.842) también—, pero fallaron precisamente donde la verdad aritmética exige ejecutar un algoritmo dígito a dígito y no predecir tokens plausibles. En la multiplicación de dos enteros de doce dígitos (T1, valor exacto 349.625.969.488.102.520.908.371) uno de los intentos devolvió un número distinto; en la suma de cuadrados de treinta lecturas de sensores (T5, valor exacto 651.396.404) los dos intentos del modelo de API mayor erraron, devolviendo 651.397.404 y 651.400.404. El dato más instructivo es que entre los modelos de API el más costoso obtuvo una exactitud menor (70 %, siete de diez) que el más liviano (90 %, nueve de diez); y que entre los locales, donde el tamaño paramétrico sí es medible, la exactitud no creció con los parámetros —el mayor (qwen3:32b) y el menor (qwen2.5:3b) igualaron resultado (20 %), por debajo del intermedio gpt-oss:20b (40 %)—. La escala, aquí, no compró verdad.

Interpretativamente, esto confirma lo argumentado en la crítica técnica (capítulo 06): la IA estadística no acumula con precisión aritmética sino que estima, y por eso un error de un dígito no es un accidente corregible con más parámetros, sino la firma de un régimen de operación que no es el del cómputo determinístico. Frente a estas mismas tareas, el cómputo puro las resuelve de forma exacta y reproducible con un costo despreciable. La conclusión que se sigue es la que da título a la tesis: la herramienta está sobredimensionada respecto de lo que efectivamente garantiza.

El segundo límite es de otra clase. La tarea inversa T6 —el juicio de relevancia en una escena urbana ambigua— se documentó como NO_COMPUTABLE, y la marca importa. La escena se entrega en lenguaje natural, sin estructura de datos, sin métrica de peligro y sin función objetivo; la formalización que haría falta para escribir un algoritmo es el juicio que se pide. Los modelos produjeron respuestas plausibles y mutuamente incompatibles: uno dirigió la alerta al repartidor en moto como agente activo del peligro, otro al niño como víctima, otro al acompañante como agente capaz de prevenir. Ninguna es «la» respuesta correcta porque la tarea no admite verdad de referencia: lo que la divergencia exhibe es que decidir qué cuenta como relevante presupone un horizonte de significatividad —un mundo, en el sentido heideggeriano que recoge Dreyfus (1992)— que no se deja derivar de los datos. Aquí la IA estadística no fracasa por imprecisa sino que opera bien en un terreno donde el cómputo puro ni siquiera puede arrancar; pero hacerlo no constituye un salto epistémico, porque el criterio de relevancia sigue siendo fijado fuera de la máquina.

Argumentativamente, la conjunción de ambos límites cierra la primera tesis. Por abajo, la IA estadística no garantiza verdad aritmética; por arriba, no decide relevancia. Entre ambos extremos, el cómputo a gran escala mejora la imitación sin cruzar ningún umbral categorial. El límite, por tanto, no es una frontera técnica que se corra con más cómputo. Coincidimos con Hui (2020) en que el límite de la inteligencia artificial debe pensarse como límite político y cosmológico antes que como deficiencia funcional: la pregunta decisiva no es qué no puede hacer la máquina, sino qué tipo de mundo produce cuando convierte la ciudad en datos computables. Las limitaciones decisivas de la urbanidad computada son, en consecuencia, políticas, económicas y ontológicas —quién decide qué se computa, con qué cosmotécnica y a costa de qué soberanía de cómputo— y no se mueven con la escala.

11.2 Contribución doble: la triple crítica y el Banco Epistémico Urbano

La tesis contribuye en dos registros articulados, uno crítico y uno constructivo.

En el registro crítico, hemos desplegado una triple crítica de la IA estadística aplicada a lo urbano. La crítica técnica (capítulo 06) localiza, sobre el experimento propio, qué hace y qué no hace un modelo de lenguaje: imita con fidelidad creciente, no ejecuta algoritmos exactos y no acumula sin error. La crítica ontológica (capítulo 07) explica por qué, recurriendo a Hui (2016, 2020) y Simondon (1958): el objeto técnico se constituye por individuación técnica y concretización, y la recursividad —en la lectura que Hui hace de Wiener y de Kant— supondría una capacidad de juicio reflexionante, de hallar la regla a partir del caso, de la que la IA estadística carece. La máquina opera bajo juicio determinante, aplica reglas dadas a casos; no se da sus propios fines ni constituye un mundo. La crítica político-económica (capítulo 08) extrae la consecuencia material: el sobredimensionamiento es también un régimen de costos y de poder, donde la soberanía de cómputo —la capacidad de decidir qué se computa y con qué infraestructura— queda concentrada, y donde la economía de la aplicación queda subordinada a la economía de la escala.

Lo que aporta esta articulación no es ninguno de los tres argumentos por separado, todos con antecedentes reconocibles, sino su encadenamiento sobre un mismo objeto y con evidencia propia. La crítica técnica sin la ontológica se reduce a un catálogo de fallos provisionales, refutable con la siguiente generación de modelos; la ontológica sin la político-económica se vuelve abstracta y desinteresada de las condiciones materiales; y la político-económica sin las dos primeras pierde su fundamento, pues no podría explicar por qué el gasto no compra el salto que promete. Las tres juntas muestran que el límite es estructural, no coyuntural.

En el registro constructivo, la contribución es el Banco Epistémico Urbano: un banco de pruebas reproducible que compara modelos urbanos clásicos computables contra la IA estadística sobre tareas urbanas con verdad de referencia conocida. Su diseño y su justificación se desarrollan en el capítulo 09; aquí basta fijar su sentido conclusivo. El Banco Epistémico Urbano traduce la crítica en instrumento: convierte la afirmación «la herramienta está sobredimensionada» en una proposición empíricamente contrastable, midiendo, tarea a tarea, dónde el cómputo determinístico es exacto y barato, dónde la IA estadística aporta algo y dónde ninguna de las dos opera. El experimento T1–T6 reportado en esta tesis es la primera corrida, mínima y deliberadamente acotada, de ese banco. Su valor no está en la magnitud de la muestra sino en que fija un protocolo que terceros pueden repetir, ampliar y refutar.

11.3 El giro hacia la aplicación

De la recapitulación se sigue la reorientación práctica que la tesis defiende. Si el límite no se mueve con escala, la tarea pendiente no es construir un modelo más potente sino aplicar el saber urbano clásico que ya existe y permanece, en buena medida, sin usar.

Esto no es un argumento de nostalgia. Es una constatación sobre el estado del conocimiento. Disponemos de un cuerpo de teorías urbanas computables y bien fundadas —la jerarquía de tamaños de Zipf (1949), los lugares centrales de Christaller (1933), la estructura de rentas y localización de Alonso (1964), las leyes de escala urbana de Bettencourt (2013) y West (2017), la nueva ciencia de las ciudades de Batty (2013)— cuyo poder explicativo está disponible y cuyo costo computacional es trivial. La distancia entre ese saber y su uso efectivo sobre decisiones urbanas concretas no es un problema de potencia de cálculo; es un problema de aplicación, de hacer presentable, usable y aplicable lo que ya sabemos. A esa distancia la llamamos la economía de la aplicación, y sostenemos que es el lugar donde se decide hoy el valor epistémico de lo urbano computado, no en la frontera del tamaño de los modelos.

Aquí la triple crítica y el giro práctico se refuerzan. Persiguir el modelo mayor consume la soberanía de cómputo que precisamente haría falta para la tarea de aplicación, y desplaza la decisión sobre qué se computa hacia quien controla la infraestructura. El giro hacia la aplicación es, por eso, también un argumento de soberanía: hacer usable el saber urbano clásico es comparativamente barato, reproducible y descentralizable, y devuelve la decisión epistémica a quien habita y gobierna la ciudad. La advertencia de Kitchin (2014) sobre la promesa de la ciudad en tiempo real opera aquí como recordatorio: la abundancia de datos y de cómputo no produce, por sí sola, comprensión urbana; puede incluso oscurecer las preguntas que el saber clásico ya formulaba con claridad.

11.4 Tecnodiversidad urbana: qué cosmotécnica para la ciudad latinoamericana

La consecuencia normativa de la tesis se ordena bajo el concepto de tecnodiversidad de Hui (2020). Frente a una monocultura tecnológica que ofrece una única vía —más datos, más parámetros, más cómputo, la misma optimización universal para toda ciudad—, la tecnodiversidad propone una pluralidad de cosmotécnicas, es decir, de modos de articular orden técnico y orden de mundo. Trasladada a lo urbano, la pregunta deja de ser «cómo optimizar la ciudad» y pasa a ser «qué cosmos produce esta IA urbana, y a costa de qué soberanía».

Conviene nombrar el horizonte último de esa pluralidad con el término con que Hui cierra su ensayo. Para Hui, la tecnodiversidad no es un fin en sí: es la condición de una noodiversidad, esto es, de una diversidad de inteligencias o de modos de conocer, y de ahí que formule la tesis de que «el desafío de la inteligencia artificial no es construir una superinteligencia, sino hacer posible una noodiversidad» (Hui, 2020). El giro es exactamente el de esta tesis trasladado a su registro más amplio: del mismo modo que sostenemos que el progreso urbano no está en escalar un modelo único sino en aplicar y pluralizar el saber existente, Hui sostiene que el progreso de la inteligencia no está en una superinteligencia que subordine a todas las demás, sino en sostener la diversidad de las formas de inteligir. Trasladada a la ciudad latinoamericana —y lo decimos como marco del presentador, no como tesis de Hui, que toma el pensamiento chino y no la ciudad como ejemplo—, la consecuencia es que una cosmotécnica urbana no se construye importando la inteligencia que otro entrena, sino cultivando la noodiversidad propia: la coexistencia del cómputo clásico barato y auditable, del juicio situado de quien habita la calle y de los saberes urbanos que no se dejan reducir a función objetivo. La tecnodiversidad de cómputo que esta tesis defiende es, en estos términos, la condición material de una noodiversidad urbana.

Para la ciudad latinoamericana la cuestión es aguda y no la cerramos aquí. La describimos como pregunta abierta porque resolverla excede los materiales de esta tesis y, sobre todo, porque pretender resolverla desde fuera reproduciría la monocultura que la crítica denuncia. Podemos, sin embargo, precisar su forma. La ciudad latinoamericana no es el dato neutral sobre el que un modelo universal se aplica sin resto; es, en la lectura de Lefebvre (1974), espacio producido socialmente, y, en la de Harvey (1973), espacio atravesado por la justicia y la desigualdad. Su escala y su función en la red global —la condición que Sassen (1991) analiza para la ciudad global— la sitúan en una posición asimétrica respecto de quién provee la infraestructura de cómputo y, por tanto, de quién fija qué se computa. Y su densidad histórica —la larga duración de la forma urbana que estudia Mumford (1961)— advierte contra la ilusión de que el gobierno algorítmico inaugura la ciudad desde cero. Una cosmotécnica urbana latinoamericana, en consecuencia, no se deduce: se construye, y la pregunta de qué tradiciones técnicas, qué saberes situados y qué arreglos de soberanía la sostendrían queda abierta como programa, no como conclusión.

Lo que la tesis sí puede afirmar es que el Banco Epistémico Urbano y el giro hacia la aplicación son condiciones de posibilidad de esa construcción. Un instrumento reproducible y barato que mida dónde el saber urbano clásico basta y dónde no, ejecutable sin depender de una infraestructura concentrada, es exactamente la clase de herramienta que una tecnodiversidad urbana necesita para no quedar reducida a consumir el modelo que otro decide entrenar.

11.5 Limitaciones del trabajo y agenda futura

La honestidad del argumento exige delimitar su alcance. La primera corrida del banco es deliberadamente mínima: seis tareas, seis sujetos (dos modelos de API y cuatro locales), dos intentos por modelo, sin uso de herramientas externas. Esta acotación es metodológicamente intencional —aísla el razonamiento interno del modelo de lenguaje del cómputo exteriorizado—, pero no permite generalizaciones cuantitativas robustas. Las cifras de exactitud reportadas (90 % y 70 % para los modelos de API; entre 20 % y 40 % para los locales) describen esta corrida y este conjunto de tareas; no son una medida estable del desempeño de los modelos en general, y no las presentamos como tal. La validez del experimento es ilustrativa y reproducible, no estadística. Conviene articular explícitamente la relación entre estas cifras y el argumento de sobredimensionamiento: el argumento fuerte no descansa en los porcentajes —que una muestra de diez intentos no puede fundar— sino en la diferencia cualitativa de naturaleza entre estimación y cómputo, que los capítulos 06 y 07 establecen por la vía conceptual y que el experimento ilustra con casos concretos. Los porcentajes son instanciaciones del patrón, no su fundamento; la tesis estructural permanece incluso si una corrida más amplia arrojara cifras distintas, porque lo que sostiene al argumento no es la magnitud del fallo sino su tipo.

La segunda limitación es de cobertura teórica. El catálogo de teorías urbanas computables (capítulo 03) y el protocolo experimental (capítulo 04), diferidos en esta versión, deben completarse para que el banco cubra el espectro de modelos clásicos que la tesis invoca; mientras tanto, T1–T6 prueba el método sobre tareas de aritmética, grafo, combinatoria, recursión y juicio, pero no aún sobre los modelos urbanos sustantivos de Christaller, Alonso o Bettencourt en su forma plena.

La tercera limitación es de validación externa. Un banco de pruebas que solo su autor ejecuta no ha demostrado todavía su reproducibilidad; esa es, justamente, su prueba pendiente.

De estas limitaciones se desprende la agenda futura, que enunciamos como tres tareas precisas. Primera, ampliar el corpus: incorporar los modelos urbanos clásicos computables en su formulación completa y extender el conjunto de tareas más allá de T1–T6, con variación sistemática de dificultad y de tipo de verdad de referencia. Segunda, formalizar las métricas: definir de manera explícita y reproducible cómo se puntúa la exactitud, cómo se trata el caso NO_COMPUTABLE y cómo se compara el costo —material, energético, político— de cada vía, de modo que la afirmación de sobredimensionamiento sea cuantificable y no solo argumentada. Tercera, validar el banco con terceros: publicar el protocolo y los datos para que equipos independientes lo repitan, lo critiquen y lo refuten, condición sin la cual el Banco Epistémico Urbano no sería todavía una herramienta científica sino una propuesta.

Cierra esta tesis la observación que la nota reflexiva (capítulo 10) desarrolla y que conviene no perder de vista: este mismo trabajo se ha construido orquestando sistemas de IA bajo supervisión humana. Esa circunstancia no debilita el argumento; lo ilustra de forma performativa —en sentido ilustrativo y no probatorio, según la cautela que el capítulo 10 (10.4) establece. La IA estadística sirvió para imitar, redactar, tabular y acelerar, mientras que la decisión sobre qué computar, qué cuenta como relevante y qué fines persigue el trabajo —el juicio reflexionante que la máquina no ejerce— permaneció del lado humano. La tesis hace, así, lo que afirma: aplica una herramienta sobredimensionada dentro de sus límites, reserva la relevancia para quien la habita y muestra, en su propio modo de producción, que el salto no está en la escala sino en la aplicación. Aplicar antes que escalar; fragmentar antes que optimizar.

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. (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.
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.
Lefebvre, H. (1974). La production de l'espace. Paris: Anthropos.
Mumford, L. (1961). The City in History: Its Origins, Its Transformations, and Its Prospects. New York: Harcourt, Brace & World.
Sassen, S. (1991). The Global City: New York, London, Tokyo. Princeton: Princeton University Press.
Simondon, G. (1958). Du mode d'existence des objets techniques. Paris: Aubier.
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.