El paradigma que llegó sin revolución: la semana en que la IA se volvió capa

Hay una palabra que se usa demasiado y que esta semana conviene retirar de circulación: revolución. Cada vez que un sistema nuevo aparece, alguien anuncia un cambio de paradigma. Pero Thomas Kuhn, que dedicó su vida a estudiar cómo cambian de verdad las ciencias, tenía una advertencia útil. No todo lo nuevo es una revolución. Muchas veces lo que parece una ruptura es, en realidad, más de lo mismo con mejor maquillaje.

La evidencia de esta semana pide justamente esa distinción. Porque lo que ocurrió no fue una revolución ruidosa. Fue algo más silencioso y, por eso mismo, más difícil de nombrar. La IA dejó de presentarse como una herramienta que uno agarra o suelta. Se convirtió en una capa. Se depositó dentro de la verificación, la vigilancia, la evaluación y la regla — dentro de sistemas que quien los usa ya no puede abrir para mirar cómo funcionan.

Kuhn tiene un término para ese momento en que un campo deja de discutir sus fundamentos y se pone a resolver problemitas dentro de un marco que ya nadie cuestiona. Lo llamó ciencia normal: el trabajo de rutina que ocurre cuando el paradigma — el conjunto compartido de qué problemas valen y cómo se resuelven — ya está tan asentado que se volvió invisible. Y ahí está la trampa de la semana. Lo que se vendió como revolución fue, en clave kuhniana, la instalación callada de un paradigma nuevo. No hubo debate sobre sus fundamentos. Hubo integración.

Cuando la revolución no hace ruido

Kuhn distinguía con cuidado entre dos maneras en que un campo cambia. Una es acumulativa y aburrida: se juntan más hechos, se afinan más mediciones, todo dentro del mismo marco. La otra es dramática: el marco mismo se rompe, y lo que antes contaba como buen trabajo deja de contar. A esa segunda la llamó revolución.

El discurso comercial sobre IA abusa de la palabra revolución para vender lo primero como si fuera lo segundo. Pero esta semana el caso es más raro. Hubo un cambio de marco genuino — la IA pasó de herramienta a capa — y sin embargo ocurrió sin el drama que Kuhn asociaba a las revoluciones. No hubo crisis pública. No hubo comunidad debatiendo fundamentos. La capa se instaló mientras todos mirábamos otra cosa.

Eso importa. Una revolución kuhniana, cuando funciona bien, es visible. Los científicos saben que su viejo marco falla. Discuten. Se pelean. Eligen. Lo que pasó esta semana esquivó todo eso. El paradigma cambió por debajo, no por encima. Y un paradigma que se instala sin ser discutido es un paradigma que nadie eligió.

La obra de The Atlas of AI - Power, Politics, and the Planetary Costs ayuda a ver por qué el nombre engaña. La frase “inteligencia artificial”, se argumenta ahí, es “a two-word phrase onto which is mapped a complex set of expectations, ideologies, desires, and fears” — dos palabras sobre las que proyectamos un montón de expectativas, ideologías, deseos y miedos. La palabra hace trabajo. Cuando decimos que la IA “se volvió capa”, suena a evolución técnica neutral. Pero una capa es también una decisión de poder: sobre quién ve, quién audita, quién responde. El nombre esconde la decisión.

Los proxies: qué mide el paradigma nuevo

Kuhn insistía en que cada paradigma trae consigo una idea de qué cuenta como un problema legítimo y qué cuenta como una buena solución. No son cosas obvias ni eternas. Son parte del paquete. Cuando el paquete cambia, cambia también qué preguntas parecen sensatas y cuáles parecen ingenuas.

El paradigma de la IA-como-capa trae su propio paquete. Y su rasgo central es una operación que conviene mirar de cerca: convierte cosas complejas en cosas medibles. La verificación se vuelve un puntaje. La evaluación se vuelve un número. La vigilancia se vuelve una alerta. La regla se vuelve un umbral. Todo lo que no cabe en esas casillas simplemente deja de existir para el sistema.

Aquí el marco de Kuhn se cruza con una descripción muy precisa. The Atlas of AI - Power, Politics, and the Planetary Costs advierte sobre la tentación de “convert an infinitely complex and changing universe into a Linnaean order of machine-readable tables” — convertir un universo infinitamente complejo y cambiante en tablas ordenadas, legibles por máquina. Y agrega el precio: muchos logros de la IA “have depended on boiling things down to a terse set of formalisms based on proxies: identifying and naming some features while ignoring or obscuring countless others”. Reducir todo a un puñado de fórmulas basadas en proxies — es decir, en sustitutos. Un proxy es algo que se mide en lugar de la cosa que de verdad importa, porque la cosa que importa no se puede medir directamente.

Esto es la ciencia normal del paradigma nuevo. El puzzle-solving — la resolución de rompecabezas dentro del marco — consiste en encontrar cada vez mejores proxies. Cuánto más se afina el proxy, más parece que el sistema entiende. Pero el proxy no es la cosa. Un puntaje de verificación no es la verdad. Un umbral de riesgo no es la culpa. Y quien resuelve rompecabezas dentro del paradigma deja de preguntar si el proxy captura lo que dice capturar. Esa pregunta ya no pertenece al marco. Se volvió invisible.

Para América Latina esto tiene un filo especial. Cuando un sistema de evaluación importado decide qué cuenta como buen trabajo — de un estudiante, de un solicitante de crédito, de un ciudadano frente al Estado — está imponiendo un paradigma sobre qué es el mérito. Y lo hace con la autoridad muda de un número. El proxy llega ya empaquetado, calibrado en otro contexto, con supuestos que nadie tradujo.

La anomalía escondida: el juicio en depósito

El corazón del fenómeno de la semana es lo que podría llamarse el juicio en depósito. La verificación, la vigilancia, la evaluación y la regla se depositan dentro de sistemas que quien los usa no puede auditar. Y de golpe ya no se distingue quién responde por la decisión.

Kuhn tiene un concepto para la grieta que esto abre. La anomalía: algo que el paradigma no logra explicar, un hecho terco que no encaja. Al principio las anomalías se ignoran o se tratan como ruido. Se supone que ya se resolverán. Pero cuando se acumulan, empujan al campo hacia una crisis — el momento en que la confianza en el marco se agrieta y la gente empieza a buscar otro.

La anomalía del paradigma IA-como-capa es la responsabilidad. El marco no tiene lugar para ella. Cuando el juicio se deposita dentro de un sistema opaco, la pregunta “¿quién responde?” no encuentra respuesta dentro del marco. No es que el marco dé una respuesta mala. Es que la pregunta no computa. El sistema tomó la decisión, pero el sistema no es un sujeto. Quien lo desplegó dice que solo siguió la recomendación. Quien lo diseñó dice que solo entregó una herramienta. La responsabilidad se evapora en el hueco entre ambos.

Esta anomalía no es teórica. AI Ethics - The MIT Press Essential Knowledge series la plantea con crudeza al hablar de sistemas autónomos: “How many decisions and how much of those decisions do we want to delegate to AI? And who is responsible when something goes wrong?” Cuántas decisiones, y qué parte de esas decisiones, queremos delegar en la IA. Y quién responde cuando algo sale mal.

Esa pregunta — quién responde — es la anomalía que el paradigma nuevo no puede digerir. Y aquí viene lo importante en clave kuhniana: un paradigma sano convive con sus anomalías durante mucho tiempo. Las archiva. Las minimiza. Las llama “casos límite” o “problemas de implementación”. El paradigma IA-como-capa hará exactamente eso. Cada falla de responsabilidad se explicará como un error puntual, un ajuste pendiente, una excepción. La acumulación se resistirá.

Por eso el marco de Kuhn es útil como herramienta de sospecha. Nos dice: cuidado con el momento en que un campo empieza a tratar sus problemas más graves como detalles técnicos. Ese momento no es señal de madurez. Es señal de un paradigma que se protege a sí mismo.

Inconmensurabilidad: por qué las dos tribus no conversan

Hay una palabra kuhniana que suena horrible y que vale la pena traducir bien: inconmensurabilidad. Suena a jerga, pero la idea es simple. Dos comunidades son inconmensurables cuando no tienen una medida común. No es que discrepen sobre las respuestas. Es que discrepan sobre qué cuenta como una buena pregunta, qué cuenta como una buena solución, qué ejemplos usar para enseñarle a un novato cómo se ve el buen trabajo. Hablan una al lado de la otra, no una con la otra.

Kuhn llamaba ejemplares a esos casos modelo — los ejemplos concretos de trabajo bien hecho que una comunidad usa para formar a sus miembros. Y aquí está el nudo de la conversación pública sobre IA. La comunidad pro-IA y la comunidad escéptica no discrepan sobre los hechos. Discrepan sobre los ejemplares. Para una, el buen trabajo se ve como un puntaje alto en un benchmark — una prueba estandarizada de rendimiento. Para la otra, el buen trabajo se ve como profundidad de comprensión, algo que ningún benchmark captura.

El caso paradigmático de la comunidad pro-IA aparece descrito en AI Ethics - The MIT Press Essential Knowledge series: AlphaGo, “developed by Google’s DeepMind, just secured a 4–1 victory in the game Go” contra Lee Sedol, campeón dieciocho veces, en un juego “that was seen as one that only humans could play, using their intuition and strategic thinking”. Para un lado, ese es EL ejemplar. La prueba de que la máquina alcanzó algo reservado a la intuición humana. Un triunfo limpio, medible, incuestionable.

Para el otro lado, ese mismo caso prueba algo distinto: que redefinimos “intuición” para que quepa en un tablero de 19 por 19. Ganar al Go no es comprender el Go. El sistema no sabe que juega. No hay un adentro. La victoria es real y la comprensión es cero, y esas dos cosas conviven sin contradicción solo si uno abandonó el ejemplar equivocado.

Ninguno de los dos lados miente. Kuhn diría que están atrapados en marcos inconmensurables. Cuando el pro-IA dice “el sistema resolvió el problema”, mide contra su ejemplar. Cuando el escéptico dice “el sistema no entiende nada”, mide contra el suyo. Usan las mismas palabras — resolver, entender, inteligencia — cargadas de significados distintos. Por eso el debate no converge. No porque alguien se equivoque, sino porque no comparten la medida.

Esto explica la frustración de cualquiera que haya intentado seguir la discusión pública sobre IA. Uno siente que las dos partes hablan idiomas parecidos pero no iguales. Kuhn nombra exactamente esa sensación. Y ofrece un diagnóstico que no es consolador: no hay un experimento que zanje la cuestión, porque las dos comunidades no acordarían siquiera qué experimento contaría como decisivo.

El paradigma como importación

Hay un rasgo del caso latinoamericano que el marco de Kuhn ilumina con particular dureza. En su relato clásico, un paradigma nuevo se gana su lugar dentro de una comunidad científica. Los miembros lo debaten, lo prueban contra anomalías, lo eligen porque resuelve lo que el viejo no podía. El proceso es lento y colectivo. Sucede adentro.

El paradigma IA-como-capa no llega así a la región. Llega ya cerrado. Empaquetado. Calibrado en otro lugar, con otros datos, para otros problemas. No se debate: se instala. La retórica de “cambio de paradigma” llega como importación ideológica antes que como descripción de algo que efectivamente pasó aquí.

La pregunta editorial que esto abre es incómoda. Para las instituciones de América Latina — ya debilitadas, ya cortas de recursos para auditar lo que compran — la adopción de la capa no es una elección informada. Es una rendición ante un marco que llega con la autoridad de lo inevitable. “El futuro ya llegó”, dice el vendedor. Y frente a lo inevitable, deliberar parece ingenuo.

Kuhn desconfiaría de esa aura de inevitabilidad. En su relato, ningún paradigma es inevitable. Cada uno ganó porque una comunidad lo eligió, y esa comunidad podría haber elegido distinto. Presentar un paradigma como el único posible es sacarlo de la historia. Es hacer que parezca naturaleza cuando es decisión.

Y aquí el compromiso de esta columna con el lector se vuelve concreto. Cuando la capa se monta sobre instituciones débiles — la escuela que no puede auditar el software que evalúa a sus alumnos, la oficina pública que no puede abrir el sistema que decide quién recibe un beneficio — el que pierde no es abstracto. Es la persona sujeta a un juicio depositado en una caja negra. Esa persona no eligió el paradigma. No lo debatió. Lo recibe como recibe el clima: como algo que simplemente cae.

Race After Technology - Abolitionist Tools for the New Jim recuerda un detalle técnico que refuerza el punto. En el aprendizaje automático hay una distinción entre aprendizaje “supervised” y “unsupervised” — supervisado y no supervisado. El primero se entrena con datos “pre-labeled”, ya etiquetados por manos humanas. Es decir: alguien decidió, de antemano, qué contaba como qué. Esas etiquetas cargan supuestos. Cuando la capa llega importada, llega también con las etiquetas de quien la entrenó — con la idea de mérito, de riesgo, de normalidad, de otro contexto. El paradigma no es neutral. Trae su geografía adentro.

Lo que el marco hace visible

Reunamos las piezas. Kuhn nos dio cinco herramientas: paradigma, ciencia normal, anomalía, crisis, inconmensurabilidad. Aplicadas a la semana, dibujan un cuadro que el lenguaje de “revolución” oscurece.

Primero: lo que pasó no fue una revolución sino la instalación silenciosa de un paradigma. La IA-como-capa se volvió el marco compartido sin que hubiera un debate sobre sus fundamentos. Se saltó la parte donde la comunidad delibera y elige.

Segundo: el paradigma nuevo trae su propia definición de buen trabajo — la conversión de cosas complejas en proxies medibles. La ciencia normal de este marco consiste en afinar los proxies, no en preguntar si los proxies capturan lo que importa.

Tercero: el marco tiene una anomalía que no puede resolver — la responsabilidad. Cuando el juicio se deposita en sistemas opacos, la pregunta “¿quién responde?” deja de computar. Y el paradigma tratará esa anomalía como un detalle técnico, no como una grieta.

Cuarto: el debate público no converge porque las comunidades son inconmensurables. Miden contra ejemplares distintos. No hay experimento que las reconcilie mientras no compartan qué cuenta como buen trabajo.

Quinto: en América Latina el paradigma llega importado, con aura de inevitabilidad, para montarse sobre instituciones que no pueden auditarlo.

De todo esto, la implicación editorial más filosa es la siguiente. Kuhn observó que las revoluciones científicas ocurren cuando las anomalías se vuelven imposibles de ignorar y una comunidad decide cambiar de marco. Pero eso requiere que la comunidad vea las anomalías como anomalías, no como detalles. Requiere que alguien mantenga la pregunta “¿quién responde?” viva y molesta, en lugar de dejar que el paradigma la archive.

El peligro de la capa es precisamente que hace difícil ver la anomalía. Cuanto más se integra el juicio dentro de sistemas invisibles, más natural parece que no haya nadie que responda. La opacidad no es un accidente del paradigma. Es su modo de defenderse. Un sistema que nadie puede auditar es un sistema que nadie puede acusar.

Por eso la tarea del lector — y de cualquier institución que aún tenga margen — no es esperar a la crisis. Es negarse a que la anomalía se archive. Es insistir, cada vez que un juicio se deposita en una caja negra, en la pregunta que el paradigma quiere volver invisible: ¿quién responde cuando algo sale mal? No como objeción técnica. Como negativa a aceptar que un paradigma que nadie eligió se vuelva el aire que se respira.

Kuhn nunca dijo que el paradigma dominante fuera el correcto. Dijo que era el que había ganado. Y lo que gana no siempre gana por ser mejor. A veces gana porque llegó primero, o porque tenía más capital detrás, o porque nadie estaba mirando cuando se instaló. La semana que la IA se volvió capa fue una de esas veces. La pregunta que queda abierta es si habrá una comunidad — de lectores, de docentes, de funcionarios, de ciudadanos — dispuesta a mantener viva la anomalía el tiempo suficiente para que el paradigma tenga que responder por ella.

Porque un paradigma que no rinde cuentas de sus anomalías no es ciencia. Es dogma con buena prensa.