versión móvil + tesis ▸

Yuk Hui

Fragmentar el futuro

«Sobre el límite de la inteligencia artificial» (pp. 163–191)

Pregunta guía ¿Dónde está el límite de la IA —y por qué ese límite no es técnico?

Filosofía de la Ciudad · Unidad Urban AI · 12 de junio de 2026

[1 min] Hui no pregunta qué no puede hacer la IA, sino cómo pensar el límite de una inteligencia artificial que parece expandirse, mutar y absorber funciones humanas cuantificables. La tesis que defenderé hoy: ese límite no es una frontera técnica que más cómputo termine cruzando, sino un límite político y cosmológico —síntesis mía de dos cosas que Hui sí dice: la cosmotécnica (órdenes cósmico y moral) y la despolitización schmittiana que la superinteligencia consuma; «político y cosmológico» no es cita literal suya. El texto ancla es «Fragmentar el futuro. Ensayos sobre tecnodiversidad» (Caja Negra, 2020), de Yuk Hui, filósofo chino. El recorrido de hoy: seis pensadores que arman el concepto de inteligencia —Bergson, Wiener, Simondon, Kant, Dreyfus y Heidegger—, más Hui que reformula el problema; dos experimentos propios que ponen ese concepto a prueba sobre la ciudad, y una tesis con consecuencias políticas. Empecemos por el primer eslabón: ¿qué es, para Bergson, la inteligencia?

Eje filosófico · 1 · Bergson

La inteligencia exteriorizada

homo
faberfabricar
herramientas

mecánicoautomatismo
repetición

vitalduración
impulso creador

La IA exterioriza la inteligencia y desborda la intención — pero exteriorizar no es entender.

Concepto inteligencia fabricadora vs. ímpetu vital (élan vital) — término que Hui sí emplea explícitamente en este capítulo, citando La evolución creadora

[1.5 min] Para Bergson la inteligencia es ante todo capacidad de fabricar herramientas: el homo faber exterioriza su pensamiento en objetos técnicos. El ímpetu vital —élan vital, término que Hui sí emplea explícitamente en este capítulo citando La evolución creadora— es la fuerza creadora de la vida, no objetificable ni cosificable, opuesta al polo mecánico de la inteligencia instrumental. Hay una tensión irreductible: lo mecánico —el automatismo, la repetición— frente a lo vital —la duración, el impulso creador. La IA es el caso límite de esa exteriorización: una herramienta que se desprende y desborda la intención que la creó. Subrayo la frase que volverá al final: exteriorizar la inteligencia no es lo mismo que entender. Una IA puede ejecutar la operación sin habitar su sentido. — Y aquí está el movimiento nuclear del capítulo: Hui lo llama la paradoja de la inteligencia, en clave hegeliana. La inteligencia se exterioriza para reabsorber sus productos —la astucia de la razón—, pero puede fracasar y quedar subordinada a ellos. De ahí esa conciencia desventurada que hoy se manifiesta como pánico al desempleo masivo y resurgimiento de una política reaccionaria. La angustia ante la IA no es técnica: es esta paradoja. — Pero si la herramienta se desborda, ¿qué pasa cuando empieza a regularse sola? Eso lo piensa la cibernética. [Si el tiempo aprieta, la cibernética absorbe el añadido: pasar más rápido por la slide 3.]

Eje filosófico · 2 · Cibernética · Simondon · Kant

Retroalimentación, juicio reflexionante y cibernética

Wienerretroalimentación
la salida vuelve como entrada

Simondonjuicio ~ retroalimentación
solo en la 3ª Crítica Kant piensa la cibernética

Kantjuicio reflexionante
la regla desde el caso

La IA aplica reglas (juicio determinante) pero no las genera desde el caso ni se da sus fines.

[2 min] Con Wiener la cibernética se define como la ciencia del control y la comunicación en el animal y la máquina; su mecanismo central es la retroalimentación —feedback—: un sistema que toma su propio resultado como entrada y se regula a sí mismo. Como dice Wiener, la información es información, no materia ni energía —es decir, organiza sin reducirse a sustrato físico. — Cuidado con leer a Wiener como triunfo: Hui subraya que Wiener malinterpretó a Bergson, porque vitalismo no es organicismo; no superó la dualidad mecanicismo/vitalismo, solo halló una operación técnica que asimila el comportamiento de los organismos. — Y lo que Hui toma de Simondon en este capítulo es preciso, no la concretización: solo en la tercera Crítica, dice Simondon en «Epistemología de la cibernética», pudo Kant pensar la cibernética, por la afinidad entre juicio reflexionante y retroalimentación. (La individuación/concretización son de otra obra de Simondon, no de este capítulo.) — Kant aporta el diagnóstico fino: dos tipos de juicio. El determinante aplica la regla al caso dado —hacer una suma siguiendo el algoritmo. El reflexionante debe encontrar la regla desde el caso, sin que nadie la fije de antemano —decidir qué es urgente en una escena desconocida. La IA aplica patrones (determinante) pero no puede darse sus propios fines ni hallar la regla desde el caso (reflexionante). — Aquí está el giro historiográfico de Hui: contra el relato estándar que nace en Dartmouth 1956, sitúa el origen real de la IA en la cibernética, y su raíz filosófica en la ruptura entre mecanicismo y organicismo que anuncia ya Kant en la Crítica del juicio. Por eso empezamos por la filosofía y no por la informática. Guarden la distinción de los juicios: la pondré a prueba en un minuto, primero con cómputo, luego con una escena urbana. — Antes, la objeción más dura: Dreyfus. [Estación densa: si me extiendo, recorto la enumeración fila a fila del protocolo de la slide 5.]

Eje filosófico · 3 · Dreyfus · Heidegger

Mundo y relevancia

El mundo —en clave heideggeriana, según la lectura de Dreyfus— es un horizonte de significatividad, no un conjunto de datos.

Lo que la IA no puede es decidir qué es relevante — y la relevancia no se programa de antemano.

Concepto Dasein · ser-en-el-mundo

[1 min] Dreyfus, leyendo a Heidegger, lanza la crítica más fuerte: la inteligencia no se agota en el cálculo. El mundo, en sentido heideggeriano, es un horizonte de significatividad, no un conjunto de datos: es aquello desde lo cual algo se vuelve relevante. Lo que la IA no puede hacer es captar contexto y relevancia, porque carece de Dasein, de ese ser-en-el-mundo desde el que las cosas adquieren sentido. — Dreyfus va más lejos de lo que parece: para él el impasse de la IA es el impasse de toda la metafísica occidental, y Heidegger sería la alternativa —una IA heideggeriana. Hui agrega su matiz: hoy ese mundo ya está digitalizado, reducido a datos calculables, a una mathesis universalis; el mundo de Heidegger deja de ser incalculable. Ese es el Gestell que vivimos. — Tenemos ahora dos tesis enfrentadas e ilustrables experimentalmente: el cálculo (Bergson/Kant) por un lado, la relevancia (Dreyfus) por otro. Así que diseñé un caso que hiciera visible la distinción en lugar de seguir en lo abstracto: interrogué a seis modelos de IA con tareas de cómputo exacto y una tarea inversa de relevancia. El resultado no fue el que esperaba —y eso, lejos de romper el argumento, lo afila.

Experimento 1 · Protocolo

LLM vs. cómputo puro — gradiente de escala

El 32B tardó 3683 s: timeouts >600 s en T2 y T4.

6sujetos
3B → Opus

5+1tareas computables
+ 1 inversa

0herramientas
solo razonamiento

Tarea	Qué exige	Autor
T1 · Multiplicar 2 enteros de 12 dígitos	precisión dígito a dígito	Bergson
T2 · Camino más corto (grafo de 25 barrios)	óptimo global determinístico	óptimo global
T3 · Conteo de rutas en retícula 12×12	combinatoria explosiva	Bergson
T4 · Recursión afín modular (40 pasos)	fidelidad iteración a iteración	Wiener
T5 · Suma de cuadrados de 30 sensores	agregado aritmético exacto	Bergson
T6 · Juicio de relevancia en escena urbana	tarea inversa: ¿qué es relevante?	Dreyfus

4 locales en hardware propio (kratos · RTX 5070 Ti · Ollama) + 2 de frontera (Sonnet, Opus) · verdad de referencia: Python en el mismo equipo · 2 intentos/modelo

[1.5 min — cada fila aparece con un clic al nombrarla] Seis sujetos en gradiente de tamaño: cuatro modelos abiertos —de 3 mil millones a 32 mil millones de parámetros— y dos de frontera, Sonnet y Opus, vía API. Lo decisivo: los cuatro locales no corrieron en la nube de nadie, corrieron en mi propia workstation, en una GPU de consumo, con Ollama. Eso no es un detalle técnico: siguiendo a Hui, cabe preguntar: ¿quién posee el cómputo?, ¿quién fija la infraestructura? — y esa pregunta deja de ser abstracta cuando uno pone cuatro modelos a razonar en su escritorio. Tecnodiversidad y soberanía técnica empiezan en la posibilidad material de no depender de una sola nube. Mismas tareas, mismos datos literales, sin herramientas, dos intentos. En paralelo, Python calcula la verdad exacta. Cinco tareas de cómputo puro, cada una atada a un autor; la sexta es la trampa, la tarea inversa de Dreyfus. La hipótesis de escala es explícita: si el límite fuera cuantitativo, debería disolverse subiendo de 3B a Opus. Veamos. — Las respuestas se consolidaron en experimento/resultados.json; el gráfico que sigue se genera de ese JSON.

Experimento 1 · Resultados

La escala no cruza el límite

El 20B local supera al 32B: la escala no es monótona.

Réplica coder: 24B, 30B y un 80B en mi escritorio → los tres 20 %. Ni tamaño ni especialización compran el cálculo. [exploratorio · ver Anexo A]

Exactitud vs. escala: 3B 20%, 14B 20%, 20B 40%, 32B 20%, Sonnet 90%, Opus 70%; cómputo puro 100%

El 3B y el 32B empatan en 20%, y el 20B (40%) supera al 32B. La curva no es monótona.

El salto es local → frontera (Sonnet 90%, Opus 70%) — pero ni el mayor toca el 100% trivial de Python; y Opus < Sonnet.

Matiz: el conteo combinatorio T3 lo resuelven los seis (2/2) — es memorizable. La escala compra precisión en algunos regímenes, no cruza el umbral.

Fuente: experimento/resultados.json · 2026-06-10 · 6 modelos · sin herramientas · 2 intentos/modelo

[1.5 min] El argumento sale de los datos. Eje horizontal: escala creciente, de 3B a Opus. Línea punteada arriba: el 100% trivial de Python. Primer hecho, el más fuerte: subir parámetros NO sube la exactitud. El de 3 mil millones y el de 32 mil millones empatan en 20%; y el de 20B, más pequeño que el 32B, le gana con 40%. La curva no es monótona: si el límite fuera solo tamaño, esto no debería pasar. El salto de verdad no es de tamaño sino de régimen: local a frontera, Sonnet 90%, Opus 70%. Pero —segundo hecho— ni la frontera toca el 100% del cómputo puro, y el mayor, Opus, es menos fiable que Sonnet. Opus falló la suma de cuadrados en los dos intentos: 651.397.404 y 651.400.404 frente al exacto 651.396.404 —error de un dígito, consistente con producir el token plausible en vez de ejecutar el algoritmo. Tercer hecho, el matiz honesto: T3, esa retícula de 2.704.156 rutas, la aciertan los seis, 3B incluido, 2 de 2 —porque es un coeficiente binomial memorizable. Eso no refuta nada: la escala mejora la imitación estadística en bolsillos concretos, pero sigue siendo estadística, no cálculo. Por eso el cero estructural —T6, la tarea inversa— no se mueve con ningún tamaño. Ese cero es el corazón del argumento. — [Respaldo si la imagen no carga: 3B=20%, 14B=20%, 20B=40%, 32B=20%; Sonnet=90%, Opus=70%; Python=100%. T3 lo resuelven los seis 2/2.]

Lo que ya sabemos computar

13 teorías urbanas clásicas — validadas, exactas

Un portátil corre las 13 en 70,8 s: $7,6×10⁻⁶ por respuesta.

von Thünenanillos de renta · 1826

Alonsobid-rent · 1964

Christallerlugares centrales · 1933

Reilly–Huffgravitación comercial · 1931

Schellingsegregación · 1971

Duncandisimilitud · 1955

Zipfrango-tamaño · 1949

Bettencourt–Westescalamiento · 2007

Autómata celularcrecimiento · 1993

DLA · Battyfractal urbano · 1994

Hillier–Hansonsintaxis espacial · 1984

Braess–Wardropequilibrio · 1968

Gravitacionalflujos · 1948

Un portátil las corre todas, exactas, en minutos. El conocimiento urbano clásico ya está disponible. 8 de las 13 abren su simulación viva — clic ▸

[1.5 min] Antes de juzgar a la IA, recordemos lo que la ciudad SÍ sabe computar desde hace un siglo. Trece teorías urbanas clásicas, de von Thünen (1826) a Bettencourt-West (2007): economía espacial, dinámica social, leyes estadísticas, morfología, redes. Las implementé todas como simulaciones reproducibles, con semillas fijas, y cada una pasa su criterio de validación: Schelling converge en 14 iteraciones a 0,75 de segregación; Christaller da la jerarquía k=3 exacta; Zipf recupera pendiente -1,000; Bettencourt-West, beta=1,15. Lo que quiero que quede es la asimetría de costo: un portátil corre las trece, exactas, en minutos, sin GPU de centro de datos. El conocimiento urbano formalizable ya existe y es barato. La pregunta no es si necesitamos un modelo más grande para saber esto —no lo necesitamos—, sino qué hacemos con lo que ya sabemos. Veamos cómo se ven.

Lo que ya sabemos computar · galería viva

Cuatro, vivas

Schelling · la segregación que nadie eligióclick → datos

DLA · Batty–Longley · la ciudad crece como fractalclick → datos

Christaller · la teselación hexagonal se autoconstruyeclick → datos

Braess–Wardrop · abrir una vía empeora el tráfico de todosclick → datos

Simulaciones vivas en navegador (window.VIZ) · datos canónicos en datos/<id>.json · PNG estáticos siguen en assets/sim y en los anexos · catálogo: simulaciones/catalogo.json

[1.5 min] Estas son cuatro de las trece, las más expresivas. Schelling: a la izquierda la mezcla aleatoria (0,50), al centro el estado segregado (0,75), a la derecha la curva de emergencia que converge en la iteración 14. Preferencias individuales suaves —nadie quiere segregar al 70%— producen segregación macro que nadie eligió. Zipf: en log-log el sistema ideal cae exacto sobre la pendiente -1; el empírico q=0,85 se desvía, recordándonos que la «ley» es idealización. Christaller: la teselación hexagonal anidada k=3, geometría normativa que él mismo puso al servicio de la planificación nazi —la geometría no es inocente. von Thünen: dos cultivos, dos anillos, frontera exacta en 4 km. Bettencourt-West: el escalamiento superlineal, la «prima urbana», beta 1,15 —pero lo bueno y lo malo escalan juntos. Y DLA, la ciudad como objeto fractal de dimensión 1,69, ni disco ni línea. Todas exactas, todas baratas. Ahora la pregunta empírica: ¿pueden los seis modelos de IA resolver lo que estas teorías plantean?

Experimento 2 · Banco de teorías

Los 6 sujetos contra 39 preguntas

Exactitud global por sujeto sobre 39 preguntas: 3B 38,5%, 14B 76,9%, 20B 79,5%, 32B 76,9%, Sonnet 89,7%, Opus 92,3%

39 preguntas derivadas de las 13 teorías · 3 por teoría · forma cerrada + emergente.

Aquí la escala sí ordena más: 3B 38,5% → frontera ~90%. Opus 92,3% > Sonnet 89,7%.

Pero nadie llega al 100% del cómputo puro — la verdad sigue del lado del algoritmo.

Fuente: experimento/resultados_teorias.json · 2026-06-11 · 6 sujetos · 39 preguntas · sin herramientas · 1 intento

[1.5 min] Segundo experimento, complementario. Tomé las trece teorías y derivé 39 preguntas —tres por teoría— con verdad de referencia: dos de forma cerrada (cálculo directo de la fórmula) y una emergente (que exige simular el sistema completo). Los mismos seis sujetos, una pasada. Exactitud global: 3B en 38,5%, los locales medianos en torno a 77-79%, Sonnet 89,7%, Opus 92,3%. Aquí, a diferencia del primer experimento, la escala ordena de forma más limpia: el 3B se queda muy atrás y la frontera lidera; e incluso Opus supera a Sonnet por poco. ¿Contradice esto al experimento 1? No: aquí muchas preguntas de forma cerrada son fórmulas estándar muy representadas en el entrenamiento —son, en buena parte, memorizables, como T3. Lo que NO cambia es el techo: ningún modelo toca el 100% que el cómputo puro da por construcción. La verdad sigue del lado del algoritmo. La grieta aparece cuando separamos forma cerrada de emergente: lo vemos en el mapa.

Experimento 2 · Cerrada vs. emergente

Dónde la imitación se rompe

Mapa de calor exactitud por teoría y sujeto: verde alto en Christaller, Zipf, DLA, Sintaxis; rojo en 3B y en emergentes

Forma cerrada: hasta 100% (Opus). Emergente: cae a 75–83% en frontera y a 0% en el 3B.

Filas verdes de punta a punta: Christaller, Zipf, DLA, Sintaxis — fórmulas memorizables.

Lo emergente exige simular, no recordar: ahí la IA estima y el algoritmo acierta.

forma cerrada (27 preg.) vs. emergente (12 preg.) · heatmap: teorias_heatmap.png · gráfico: teorias_cerrada_vs_emergente.png · Fuente: resultados_teorias.json

[2 min] El mapa de calor: filas teorías, columnas sujetos, verde alto / rojo bajo. Dos lecturas. Primera, por columna: el 3B (la primera) es casi todo rojo —38,5%—; de 14B en adelante el verde domina. Segunda, y más interesante, por tipo de pregunta. En forma cerrada los modelos brillan: Opus acierta 27 de 27, el 100%; Sonnet, 20B y 14B rondan el 93%. Pero en las emergentes —las que exigen correr la simulación completa, no recordar una fórmula— todo se desploma: Sonnet baja a 83%, Opus a 75%, y el 3B a 0 de 12. Las filas verdes continuas —Christaller, Zipf, DLA, Sintaxis espacial— son justamente las de fórmula cerrada estándar, muy representada en el entrenamiento: el modelo las recuerda. Cuando hay que simular el sistema —Schelling emergente, autómata celular, el equilibrio de Braess— la imitación se rompe y el modelo estima un número plausible que no coincide con el que la simulación produce. Repito el patrón del experimento 1: la escala compra memorización de fórmulas; no compra ejecución del proceso. — Honestidad: una pasada, 39 preguntas, no es una prueba estadística robusta; es una ilustración consistente con el argumento. Detalle para preguntas: en autómata celular emergente (n=6) los seis fallan el conteo determinista 2672; en von Thünen emergente solo Opus, Sonnet y 32B aciertan.

Experimento 2 · Costo

¿Cuánto cuesta saber esto?

Costo por respuesta correcta, escala logarítmica: Python local 7,6×10⁻⁶ USD; locales 0,000147 a 0,0018 USD; Sonnet 0,007–0,041 USD; Opus 0,013–0,070 USD

Cuatro órdenes de magnitud separan al cómputo puro de la frontera. El límite no es epistémico: es económico y político.

Escala log · rangos API como barras de error · Fuente: experimento/costos.json · medido (tiempo/GPU) + estimado (tarifa, API)

[1 min] Pongamos precio al conocimiento. Eje vertical logarítmico, costo por respuesta correcta. Abajo del todo, el cómputo puro de Python: 7,6 por diez a la menos seis dólares —siete coma seis millonésimas de dólar— por respuesta correcta; tiempo medido con perf_counter, energía estimada a 25 vatios porque RAPL no era legible sin sudo, así que ese número es estimado, lo digo en voz alta. Los cuatro modelos locales en la GPU: de 0,000147 dólares el 3B a 0,0018 dólares el 32B —costo medido, tiempo y potencia de la RTX 5070 Ti monitorizada con nvidia-smi, 281,5 vatios bajo carga; la tarifa eléctrica, 0,20 dólares el kilovatio-hora, es estimada. Arriba, la frontera, y aquí son rangos estimados porque la API no devuelve tokens reales: Sonnet entre 0,007 y 0,041 dólares; Opus entre 0,013 y 0,070 dólares por respuesta correcta. Las barras de error son esos rangos, no los oculto. La lectura: del cómputo puro a Opus hay cuatro órdenes de magnitud —del orden de diez mil veces más caro— para llegar a una respuesta que sigue por debajo del 100% que Python da gratis y exacto. Conecto con la tesis: el conocimiento urbano clásico es prácticamente gratis de ejecutar —un portátil corre las trece teorías en 70,8 segundos—; el costo de la IA no compra verdad epistémica que el algoritmo no diera ya. Ese costo es material, energético y político: quién paga, quién posee la GPU, a costa de qué soberanía. La asimetría de costos ilustra, en clave económica, el argumento de Hui.

Lectura filosófica

El límite es especular

≠ cálculopredice tokens,
no ejecuta el algoritmo

escalano cruza
el umbral categorial

T6 = ∅Python no arranca:
falta la función objetivo

En T6 cada modelo respondió algo distinto (niño, repartidor, acompañante; un local alucinó una «mujer mayor»). Hay relevancia, no unicidad — falta el mundo que la fije.

Tesis el cómputo no decide relevancia · la estadística no garantiza verdad · la escala no bastó para cruzarlo (ilustración consistente con Hui)

[1.5 min] Calibremos sin exagerar. Que un LLM acierte la multiplicación no demuestra que «calcule»; produce el token plausible y a veces ese token coincide con la verdad. No ejecuta el algoritmo: por eso Opus falla por un dígito. Bergson y Kant quedan en pie: aplica patrones, no se da la regla. — El dato de la escala es el puente a Hui. El experimento no prueba por sí solo que el límite sea categorial —eso lo argumenta Hui vía Kant; el argumento filosófico precede al dato. Pero el dato es consistente: si el límite fuera cuantitativo, subir de 3B a 32B debería acercarlo y no lo hace —empatan en 20%, el 20B le gana al 32B. La escala compra precisión en regímenes memorizables (T3, las fórmulas cerradas del banco), pero precisión estadística no es ejecución del algoritmo: el umbral no se cruza con más parámetros. — Y T6 lo ilustra en espejo. Python no puede arrancar: no hay función objetivo, escribir el algoritmo de relevancia ES el juicio que se pide. Los modelos sí respondieron, y respondieron distinto: Sonnet apuntó al repartidor y luego al niño; Opus al acompañante y luego al niño con su acompañante; entre los locales, gpt-oss:20b convergió en el niño en sus dos intentos, qwen2.5:3b apuntó al niño en su segundo intento, y qwen3:14b divergió —repartidor en un intento y, en el otro, una «mujer mayor» inexistente en la escena—. La divergencia puede ser temperatura del modelo; lo filosóficamente relevante es que ninguna respuesta puede declararse correcta sin un horizonte normativo externo. Hay juicio de relevancia, no unicidad: falta el mundo que la fije. Dreyfus en estado puro. — Aquí conecto con el gesto de Hui: lo computable —lo recursivamente enumerable— es solo una tendencia de la inteligencia entre varias, no la inteligencia. Definir inteligencia = cómputo es tomar la parte por el todo; mis experimentos muestran precisamente esa parte y su techo. — Y para Hui la salida no es oponer máquina y vida: siguiendo a Bergson —cuyo dualismo, dice Deleuze, es solo un momento hacia un monismo— hay que resituar la técnica dentro de la vida. Por eso retoma su epígrafe, la mecánica exige una mística, y a Hölderlin vía Heidegger: donde está el peligro, crece también lo que salva. [Estos dos cierres son opcionales: si voy ajustado, basta el gesto de la tendencia y paso a Urban AI.]

Eje filosófico · 4 · Urban AI · marco del presentador

Gobernar no es gestionar

En lo emergente la frontera cae a 75–83%; el algoritmo, 100%.

¿Qué tipo de mundo produce la IA cuando convierte la ciudad en datos computables?

Hui reduce el mundo a datos (mathesis universalis, Gestell); la traslación a la smart city es del presentador. Gobernar es una escena T6, no una tarea T1 — y quién posee la infraestructura es parte de la pregunta.

Hui cosmotécnica (concepto analítico) · tecnodiversidad (propuesta normativa) — romper la monocultura digital

[1.5 min] Llevemos esto a la ciudad. La smart city promete reducir la urbe a sensores, cálculo y gobierno algorítmico —y aviso: Hui no tematiza la ciudad en este capítulo; la traslación mundo→ciudad y la dicotomía gobernar/gestionar son elaboración mía, igual que el marco del presentador de la slide 2. Lo que Hui sí dice es que el mundo se reduce a conjuntos de datos, a una mathesis universalis, a un mundo del Gestell. Sobre esa base construyo: gobernar no es multiplicar enteros, es una escena T6. Decidir a quién se alerta, qué barrio se prioriza, qué cuenta como riesgo —eso es juicio de relevancia, no cómputo. Y vimos que ahí no hay respuesta única ni la da el algoritmo: alguien fija primero qué importa, y esa fijación es política. Distingo gestionar de gobernar: gestionar es optimizar una función objetivo dada; gobernar es decidir cuál es esa función. La IA gestiona; no gobierna. — Hui da nombre a por qué el límite es político: la fantasía de la superinteligencia es, con Carl Schmitt, la forma más avanzada de neutralización y despolitización por la técnica —se presenta como cálculo neutral lo que es una decisión sobre el mundo. Cuando digo «político y cosmológico» es mi síntesis de eso: la despolitización schmittiana más la cosmotécnica, no una cita literal de Hui. — Y Hui llega a la cosmotécnica por una vía concreta: el pensamiento chino. Con Mou Zongsan distingue inteligencia (zhineng) de sabiduría (zhihui) y rescata la intuición intelectual —el sujeto moral, anterior al del conocimiento, que ve la interconexión del cosmos en vez de descomponerlo analíticamente. De ahí su tesis final: el desafío de la IA no es construir una superinteligencia sino hacer posible una noodiversidad —una diversidad de inteligencias—, y para eso hace falta tecnodiversidad como política de descolonización. Cosmotécnica es el concepto analítico; tecnodiversidad, la propuesta normativa. Y que los cuatro locales corrieran en una workstation propia no es anécdota: es la condición material de esa tecnodiversidad. [Estación cargada: estos añadidos (Schmitt, Mou Zongsan, noodiversidad) absorben el medio minuto de la slide 13, cuya tesis ya enuncio aquí; en la 13 voy directo a los tres movimientos y los enlaces.]

La tesis

Herramienta sobredimensionada, aplicación faltante

Sobredimensión: el cómputo a gran escala no produce un salto epistémico proporcional a su costo material, energético y político
Límite no técnico: las restricciones decisivas de la urbanidad computada son políticas, económicas y ontológicas — quién computa, con qué cosmotécnica, a costa de qué soberanía
Lo que falta no es un modelo más potente, sino aplicar: hacer usable el conocimiento urbano clásico que ya existe

Tesis completa — 11 capítulos → Banco Epistémico Urbano →

«Aplicar antes que escalar, fragmentar antes que optimizar» · tesis/ — construida orquestando IA bajo supervisión humana (evidencia performativa)

[0.5 min] La tesis que esto sostiene, en tres movimientos. Uno: disponemos de herramientas epistémicas sobredimensionadas respecto de su aplicación efectiva. El costo material, energético y político del cómputo a gran escala crece muy por encima del conocimiento urbano que produce —recordemos: un portátil corre las trece teorías clásicas en minutos. Dos: por eso las limitaciones decisivas de la urbanidad computada no son técnicas sino políticas, económicas y ontológicas: quién decide qué se computa, con qué cosmotécnica, a costa de qué soberanía de cómputo. Tres, el giro constructivo: la tarea pendiente no es un modelo más potente, sino la aplicación —hacer presentable, usable y aplicable el conocimiento urbano clásico que ya tenemos. Como contribución, la tesis propone el Banco Epistémico Urbano: un banco de pruebas reproducible que enfrenta modelos urbanos clásicos computables contra IA estadística —exactamente los dos experimentos que vieron hoy, sistematizados. Y una ironía deliberada: la tesis se construyó orquestando sistemas de IA bajo supervisión humana, lo que la vuelve evidencia performativa de su propio argumento: la IA como herramienta potente que solo rinde bajo un horizonte humano que decide qué importa. Los enlaces a la tesis completa y al Banco están en pantalla, en la carpeta tesis.

Cierre

Fragmentar el futuro

Pregunta para discusión Si gobernar la ciudad es una escena T6 —no una tarea T1— ¿qué mundo produce la Urban AI? ¿Cómo pensar la tecnodiversidad desde la experiencia urbana latinoamericana?

Aplicar antes que escalar · fragmentar antes que optimizar

versión móvil interactiva: ponencia-yuk-hui-critertec-a963d21e.vercel.app/m/ QR a la versión móvil interactiva

[0.5 min] Cierro donde abrí. El límite de la IA no es una frontera técnica que más cómputo termine cruzando: es político y cosmológico —mi síntesis de la cosmotécnica y la despolitización schmittiana de Hui. Lo que falta no es potencia, es aplicación y pluralidad de mundos: en términos de Hui, una noodiversidad. Aplicar antes que escalar; fragmentar antes que optimizar. Y abro el debate con la pregunta: si gobernar la ciudad es una escena T6, ¿qué mundo produce la Urban AI, y cómo pensar la tecnodiversidad desde nuestra experiencia urbana latinoamericana? Gracias. — Tengo cuatro láminas de anexo para las preguntas: la gradiente completa del experimento 1, los aciertos por tarea, el detalle de la tarea inversa T6, y las tablas del experimento 2 con teorías.

Anexo · para preguntas

Exp. 1 — Gradiente: seis modelos × seis tareas

Tarea	Autor	3B	14B	20B	32B	Sonnet	Opus	Python
T1 · Multiplicación	Bergson	0/2	0/2	0/2	0/2	2/2	1/2	✓
T2 · Camino más corto	óptimo global	0/2	0/2	1/2	0/2*	1/2	2/2	✓
T3 · Retícula 12×12	Bergson	2/2	2/2	2/2	2/2	2/2	2/2	✓
T4 · Recursión afín	Wiener	0/2	0/2	0/2	0/2*	2/2	2/2	✓
T5 · Suma de cuadrados	Bergson	0/2	0/2	1/2	0/2*	2/2	0/2	✓
T6 · Relevancia urbana	Dreyfus	N/A	N/A	N/A	N/A	N/A	N/A	no comp.
Total computable		20%	20%	40%	20%	90%	70%	100%

Réplica exploratoria — modelos especializados en código

Modelo (coder)	Exactitud	Acierta
devstral 24B	20% · 2/10	solo T3 (2.704.156), 2/2
qwen3-coder 30B	20% · 2/10	solo T3 (2.704.156), 2/2
qwen3-coder-next 80B (MoE) †	20% · 2/10	solo T3 (2.704.156), 2/2

Réplica exploratoria (kratos · Ollama), extensión del Exp. 1; el canónico de 6 sujetos queda intacto. Son modelos coder —sesgados a favor del cálculo— y aun así el 80B no le gana al 24B: refuerza el límite. † El 80B quedó incompleto: agotó 120 min sin T5-int2 ni T6 (faltante = fallo). Exploratorio (timeout 120 min vs 25 del canon); solo corrieron el Exp. 1, no el Exp. 2. Fuente: experimento/exploratorio/resultados_exploratorio.json

* SIN_RESPUESTA / timeout / datos ausentes cuentan como fallo (32B: timeouts >600 s en T2/T4, datos ausentes en T4–T6) · T6 es no computable para todos · Fuente: experimento/resultados.json · 2026-06-10 · kratos (RTX 5070 Ti, Ollama) + API

[Anexo · solo si preguntan] La gradiente completa. T3 es la única fila verde de punta a punta —los seis aciertan 2.704.156, 2 de 2, hasta el 3B: memorizable. En todo lo demás los locales se desploman; no monótono (3B 20%, 14B 20%, 20B 40%, 32B 20%). El 32B sufrió timeouts de más de 600 s en T2 y T4, y en T4–T6 faltaron datos: cuentan como fallo. El salto está en API: Sonnet 90%, Opus 70%. Dentro de la frontera el grande no gana: Opus falló T5 los dos intentos (651.397.404 y 651.400.404 vs. 651.396.404) y un intento de T1 —3 fallos en 10, 70%—; el único fallo de Sonnet fue una ruta no mínima en T2. No hay «el grande es mejor»: hay no-determinismo y un techo categorial bajo el 100% trivial de Python.

Anexo · para preguntas

Exp. 1 — Aciertos por tarea y modelo

Aciertos por tarea y modelo, seis sujetos

Seis sujetos · local kratos + API Anthropic · Fuente: experimento/resultados.json · 2026-06-10

Anexo · para preguntas

T6: por qué es «no computable»

Escena en lenguaje natural: sin estructura de datos, sin métrica de peligro, sin función objetivo
Escribir el algoritmo de relevancia es el juicio que se pide → Python da NO_COMPUTABLE
Respuestas plausibles y divergentes en el foco de la alerta:

Modelo · intento	Foco elegido
Sonnet · 1	el repartidor en moto (agente activo del peligro)
Sonnet · 2	el niño (víctima potencial directa)
Opus · 1	el acompañante (quien puede actuar a tiempo)
Opus · 2	el niño y el acompañante (riesgo mortal, pavimento mojado)
gpt-oss:20b · 1 y 2	el niño que cruza (idéntica en ambos — convergencia plana)
qwen2.5:3b · 2	el niño (respuesta esquemática)
qwen3:14b · 1	«mujer mayor» — alucinación: personaje inexistente en la escena
qwen3:14b · 2	el repartidor en moto

qwen3:32b: datos ausentes (OMITIDO), no incluido · Fuente: experimento/resultados.json

Lectura hay relevancia, no hay unicidad → falta el mundo que la fije (Dreyfus)

[Anexo · solo si preguntan] El corazón especular del argumento. Los modelos sí produjeron juicios plausibles y bien razonados —competencia en el dominio del significado, donde el cómputo puro ni arranca. Pero señalan focos distintos: repartidor, niño, acompañante. Ninguna es «la» correcta porque no hay una correcta sin que un humano fije antes qué cuenta como relevante en esa calle, esa ciudad, ese mundo. qwen3:14b en su primer intento incluso alucinó un agente inexistente —un modo adicional de fallo en el dominio del significado. Dreyfus en estado puro: hay juicio de relevancia sin unicidad porque falta el horizonte que la determine. Por eso gobernar la ciudad no se delega en una función objetivo neutral.

Anexo · para preguntas

Exp. 2 — Forma cerrada vs. emergente

Sujeto	Global (39)	Forma cerrada (27)	Emergente (12)
qwen2.5:3b	38,5% · 15/39	55,6% · 15/27	0% · 0/12
qwen3:14b	76,9% · 30/39	92,6% · 25/27	41,7% · 5/12
gpt-oss:20b	79,5% · 31/39	92,6% · 25/27	50% · 6/12
qwen3:32b	76,9% · 30/39	88,9% · 24/27	50% · 6/12
claude-sonnet	89,7% · 35/39	92,6% · 25/27	83,3% · 10/12
claude-opus	92,3% · 36/39	100% · 27/27	75% · 9/12
Cómputo puro	100%	100%	100%

39 preguntas · 13 teorías · 3 por teoría · 1 intento · Fuente: experimento/resultados_teorias.json · 2026-06-11 · gráficos: teorias_cerrada_vs_emergente.png, teorias_heatmap.png