El PhD de humo: qué cuenta como “buen trabajo” cuando la IA reclama ser experta

Empecemos con una palabra que hizo demasiado trabajo esta semana: “PhD”.

Cuando OpenAI presentó GPT-5 como un interlocutor “a nivel de experto con PhD”, eligió con cuidado un ejemplar. En el vocabulario de Thomas Kuhn, un ejemplar es un caso concreto de buen trabajo — el problema resuelto que una comunidad muestra a sus nuevos miembros para enseñarles qué cuenta como logro. El doctorado es exactamente eso: el ejemplar máximo del conocimiento certificado en Occidente. Al invocarlo, OpenAI no describía una capacidad. Estaba proponiendo un cambio en qué contamos como conocer.

Y ahí está el truco que la maquinaria kuhniana vuelve visible. La frase “a nivel de PhD” suena a descripción empírica. Es, en realidad, una jugada dentro de una disputa sobre qué es el conocimiento. Kuhn dedicó su carrera a mostrar que estas jugadas se hacen con palabras antes de hacerse con evidencia.

Ciencia normal disfrazada de revolución

Kuhn distinguía entre dos modos de trabajo científico. Uno es la ciencia normal: resolver puzzles dentro de un marco que nadie discute. Los problemas ya tienen forma; sólo falta encontrar las soluciones. El otro es la revolución: el momento en que el marco mismo se rompe porque ya no puede explicar lo que ve.

La mayor parte del discurso sobre IA presenta cada versión nueva como revolución. GPT-4, GPT-5, el siguiente número. Cada uno se anuncia como un cambio de paradigma — es decir, un cambio en el conjunto compartido de problemas y en los modos aceptados de resolverlos.

Pero Kuhn era exigente con esa palabra. Un cambio de paradigma no es “el modelo mejoró”. Es algo mucho más raro: cambian los problemas que la comunidad considera resolubles, y cambian los ejemplares que los nuevos miembros estudian para aprender qué cuenta como buen trabajo.

GPT-5, medido con esa vara, es ciencia normal. Resuelve mejor los puzzles que el marco anterior ya sabía plantear. Genera texto más fluido, comete menos errores obvios, aprueba más benchmarks. Todo eso es puzzle-solving dentro del paradigma existente. Impresionante, sí. Revolucionario en el sentido kuhniano, no.

La palabra “PhD” intenta ocultar esa diferencia. Sugiere que el modelo entró en la comunidad de los expertos — que domina sus ejemplares, que puede hacer el trabajo que un doctorado certifica. Pero un doctorado no certifica fluidez. Certifica algo más difícil de medir: la capacidad de reconocer cuándo un problema está mal planteado. La capacidad de ver la anomalía. Eso, precisamente, es lo que la ciencia normal no hace.

La anomalía que el marco no mira

Aquí llegamos a la parte que el discurso de la semana no quiere que veas.

Mientras OpenAI vendía el PhD de humo, una investigación revelaba que las startups francesas de IA externalizan su trabajo de datos a Madagascar. Zonas francas heredadas de la industria textil. Trabajadores etiquetando datos por entre 96 y 126 euros al mes.

Un paradigma no sólo dice qué problemas resolver. Dice también qué no cuenta como problema. Dice qué queda fuera del campo de visión. Y el paradigma dominante de la IA tiene un punto ciego preciso, casi arquitectónico: el trabajo humano que la hace funcionar.

Kuhn llamaría a esto una anomalía — algo que el marco no logra explicar y que, mientras el marco funcione, ni siquiera logra ver. La anomalía no está en Madagascar. La anomalía es que el relato de la “inteligencia artificial” necesita que Madagascar sea invisible para sostenerse.

La investigación de Kate Crawford lo dice sin rodeos. En The Atlas of AI - Power, Politics, and the Planetary Costs, el trabajo aparece como una forma de extracción:

Exploitative forms of work exist at all stages of the AI pipeline, from the mining sector, where resources are extracted and transported to create the core infrastructure of AI systems, to the software side, where distributed workforces are paid pennies per microtask.

Peniques por microtarea. Ese es el otro extremo del PhD de humo. La misma máquina que se presenta como experta doctoral se sostiene sobre trabajadores pagados menos que el salario mínimo de casi cualquier país europeo.

La distancia entre esos dos hechos no es accidental. Es el paradigma funcionando como debe. El mismo texto de Crawford nombra el mecanismo:

The description of AI as fundamentally abstract distances it from the energy, labor, and capital needed to produce it and the many different kinds of mining that enable it.

La palabra clave es abstract — abstracta. El paradigma presenta la IA como algo inmaterial, un espíritu de la máquina, inteligencia pura. Esa abstracción hace el trabajo político de esconder el trabajo real. Y cuando algo está bien escondido, deja de ser un problema. Se vuelve invisible por diseño.

Un investigador dentro del paradigma dominante puede pasar toda su carrera optimizando modelos sin encontrarse nunca con Madagascar. No porque lo oculte activamente. Porque su marco no incluye ese lugar entre los problemas que cuentan. Así funciona la ciencia normal: es muy buena para no ver lo que su paradigma decidió no ver.

Dos comunidades que hablan una al lado de la otra

Kuhn tenía un término para el momento en que dos comunidades científicas dejan de poder discutir: inconmensurabilidad. La palabra suena técnica. Significa algo sencillo y perturbador: que dos grupos usan las mismas palabras para decir cosas distintas, y por eso hablan uno al lado del otro sin encontrarse nunca.

Esta semana la inconmensurabilidad está por todas partes.

La comunidad pro-IA mide el logro en benchmarks. GPT-5 es mejor porque puntúa más alto en las pruebas. Ese es su ejemplar de buen trabajo: el modelo que aprueba el examen. Dentro de ese marco, “a nivel de PhD” es una afirmación sensata — el sistema puntúa como puntuaría un doctor.

La comunidad escéptica mide otra cosa. Mide profundidad de comprensión, capacidad de reconocer lo que no se sabe, criterio para distinguir un problema real de uno mal planteado. Su ejemplar de buen trabajo es distinto. Dentro de ese marco, “a nivel de PhD” es un absurdo — porque un benchmark no puede capturar lo que un doctorado supuestamente certifica.

Las dos comunidades no discrepan sobre los hechos. Discrepan sobre qué cuenta como hecho relevante. Por eso la conversación no converge. No porque alguien esté equivocado, sino porque leen el mismo caso a través de marcos que no se tocan.

Kuhn insistía en que esto no se resuelve con más datos. La inconmensurabilidad no es un desacuerdo empírico que un experimento decida. Es un desacuerdo sobre qué experimento importaría. Cuando alguien te muestra el puntaje de GPT-5 en un benchmark y espera que eso zanje la discusión, está asumiendo que su ejemplar de buen trabajo es el único que existe. Está confundiendo su paradigma con la realidad.

Y aquí conviene ser desconfiado. Porque en esta disputa una de las comunidades tiene mucho más dinero que la otra. Cuando un marco viene respaldado por miles de millones en capital y marketing, no gana la discusión — la evita. Impone su ejemplar por saturación. Hace que “puntaje en benchmark” suene como la única definición seria de inteligencia, no porque haya ganado el debate, sino porque puede pagar para que su vocabulario esté en todas partes.

Cómo llega el paradigma a América Latina

Para América Latina hay una capa más, y es la que más importa.

En LATAM, la retórica del “cambio de paradigma” no llega como descripción de algo que pasa aquí. Llega como importación. Un vocabulario producido en San Francisco, empaquetado como inevitable, que aterriza antes de que exista evidencia local de que describe algo real.

La herramienta kuhniana sirve exactamente para esto: para distinguir entre un paradigma que se ganó su lugar resolviendo problemas, y un paradigma que se impone porque quien lo trae tiene el poder de imponerlo. No son lo mismo. Pero desde adentro se sienten idénticos, porque el paradigma dominante siempre se presenta como la única manera sensata de ver.

Fijémonos en la respuesta institucional de esta semana. La CNIL en Francia, los gobiernos de Morelos y de India — todos responden a los riesgos de la IA con lo mismo: alfabetización defensiva y reskilling. Aprendé a protegerte. Capacitate de nuevo. Adaptate.

Esta respuesta es reveladora, y es reveladora por lo que da por sentado. Acepta el paradigma entero. No pregunta si la máquina debería existir tal como existe, ni quién la sostiene con su trabajo, ni por qué el riesgo es problema del individuo y no de quien construye el riesgo. Simplemente asume el marco y te entrena para sobrevivir dentro de él.

Kuhn describiría esto como educación en la ciencia normal. Así se forma a los nuevos miembros de una comunidad: se les enseña a resolver los puzzles que el paradigma ya definió, no a cuestionar el paradigma. El reskilling es exactamente eso — te enseña a resolver los puzzles que la máquina te dejó, no a preguntar quién diseñó la máquina y a costa de quién.

Para el trabajador de Madagascar, el trabajador latinoamericano que viene después, o el estudiante al que le venden “alfabetización en IA” como salvavidas, el mensaje es el mismo: adaptate al paradigma, no lo cuestiones. Y ese mensaje sirve a alguien. No es neutral. Un paradigma que te entrena para adaptarte, y nunca para decidir, es un paradigma que protege a quien lo diseñó.

Romper la máquina, o al menos verla

Vale la pena traer aquí una segunda voz, porque señala una salida que el paradigma dominante prefiere ridiculizar.

En Race After Technology - Abolitionist Tools for the New Jim, Ruha Benjamin recupera una frase de la teórica cultural Imani Perry sobre los luditas — esos trabajadores del siglo XIX que rompían las máquinas textiles:

“To break the machine was in a sense to break the conversion of oneself into a machine for the accumulating wealth of another,” according to cultural theorist Imani Perry.

Romper la máquina no era rechazar la tecnología. Era rechazar la propia conversión en máquina para la acumulación de riqueza de otro. Es una lectura que el paradigma dominante necesita ridiculizar — por eso “ludita” se usa hoy como insulto, como sinónimo de atrasado. Benjamin nota que la palabra se ha vuelto un arma para descalificar a cualquiera que dude.

Kuhn nos ayuda a ver por qué ese insulto funciona tan bien. Descalificar al escéptico como “ludita” es una manera de mantener el paradigma cerrado. Convierte una objeción legítima — ¿a costa de quién funciona esto? — en un defecto de carácter. El ludita, en este marco, no es alguien con un argumento. Es alguien que no entendió el futuro. Así el paradigma se defiende: no respondiendo a la anomalía, sino redefiniendo a quien la señala como incompetente.

La conexión con Madagascar es directa. La estructura que Perry describía en el siglo XIX — el humano convertido en máquina para la riqueza de otro — es exactamente la estructura de la zona franca donde se etiquetan los datos. La industria textil dejó las zonas francas; la industria de la IA las heredó. Mismo edificio, mismo salario de miseria, misma lógica. Lo único que cambió fue el producto: antes tela, ahora datos de entrenamiento.

Y ese producto alimenta al modelo que se anuncia como experto doctoral. El círculo se cierra. El PhD de humo se sostiene sobre el trabajador de la zona franca. La abstracción de arriba necesita la extracción de abajo. Una no existe sin la otra.

La pregunta que el marco deja sobre la mesa

Kuhn no era optimista sobre las revoluciones. Sabía que los paradigmas no caen porque alguien demuestre que están equivocados. Caen cuando las anomalías se acumulan tanto que la comunidad ya no puede seguir mirando hacia otro lado — y cuando aparece un marco alternativo que puede acogerlas.

Estamos lejos de eso. El paradigma de la IA como inteligencia abstracta, medida en benchmarks, vendida con la insignia del PhD, goza de excelente salud. Tiene el respaldo del capital, del marketing y de instituciones que responden a cada problema con más reskilling. La ciencia normal marcha a toda velocidad.

Pero las anomalías están ahí, y esta semana se dejaron ver juntas. El trabajador de Madagascar a 96 euros. El estudiante entrenado para adaptarse y no para decidir. La distancia deliberada entre lo que la IA reclama ser y lo que efectivamente hace y a costa de quién.

La pregunta que el marco de Kuhn deja sobre la mesa no es si GPT-5 es impresionante. Lo es, dentro de su paradigma. La pregunta es más incómoda, y va dirigida al lector, no al proveedor:

¿Vas a aceptar el ejemplar que te ofrecen — el modelo que aprueba el examen como definición de inteligencia — o vas a preguntar qué queda fuera de ese examen? Porque lo que queda fuera no es un detalle. Es la mano de obra, la energía, los datos, y la decisión de quién define qué cuenta como conocer.

El paradigma dominante quiere que la primera pregunta sea la única que hagas. Quiere que discutas si el PhD de humo es un buen PhD, y no que preguntes quién limpia el humo. Ese es el trabajo político de la abstracción que Crawford describía: no engañarte con una mentira, sino elegir por vos qué preguntas son legítimas.

Kuhn cuidaba las palabras que un campo usa para nombrar sus logros. El nombre, argumentaba, fija lo que cuenta como solución — y también lo que cuenta como problema. “A nivel de PhD” es un nombre que hace trabajo. Fija la conversación en el terreno del proveedor. La deshace quien se niega a aceptar el ejemplar y pregunta, en cambio, por el edificio de la zona franca donde la máquina que se dice experta aprendió a hablar.

Ver el paradigma como paradigma — y no como la realidad — es el primer acto de libertad. No garantiza la revolución. Pero es la única condición para que sea posible.