He escrito cuatro piezas en las últimas semanas. No las planifiqué como un conjunto, pero al releerlas veo que dicen lo mismo desde ángulos distintos. Esto es el hilo que las une.
Primera tesis
El problema no es la capacidad — es la abstención.
Los modelos de lenguaje pueden hablar de casi cualquier cosa. Esa es su virtud y su trampa. Cuando no saben, no se detienen: completan. Producen una respuesta con la textura de lo verdadero que no lo es. La falla no es técnica — es la ausencia de un mecanismo que diga: aquí no tengo base suficiente, me detengo. Wittgenstein cerró el Tractatus con siete palabras sobre el silencio. Construir ese silencio en un sistema de IA es probablemente el problema más difícil del campo — y el menos rentable.
Leer → El silencio como capacidad técnica
Segunda tesis
La primera generación resolvió el acceso — la segunda enfrenta el criterio.
Las humanidades digitales hicieron un trabajo inmenso: digitalizar, indexar, hacer consultable lo que antes exigía presencia física. Gracias a ese esfuerzo, hoy el archivo está disponible. Pero esa misma disponibilidad es la que vuelve crítico el problema: cuando la máquina puede hablar con fluidez sobre cualquier corpus, la pregunta ya no es ¿puede responder? sino ¿debería? El salto no es técnico. Es epistemológico.
Leer → La pregunta ha cambiado
Tercera tesis
Los modelos dominan la corrección — pero lo que importa es la videncia.
Bolaño distinguía entre colocar las palabras adecuadas en el lugar adecuado — que es corrección — y la videncia, que es otra cosa. Los modelos suman por defecto. Añaden. Completan. Pero no saben restar con intención. No distinguen entre algo que falta por descuido y algo que falta a propósito. Para ellos, una ausencia es siempre un hueco que rellenar, nunca una decisión. La contención — saber qué dejar fuera — sigue siendo nuestra.
Leer → Bolaño, la videncia y la inteligencia artificial
Cuarta tesis
Si la transmisión se automatiza, la pregunta es qué hace la universidad con el tiempo que le queda.
Los tutores de IA ya hacen el trabajo de explicar, ejemplificar, personalizar el ritmo. La universidad no puede competir con eso — ni debería intentarlo. Lo que sí puede hacer es usar el tiempo liberado para cultivar lo único que la máquina no tiene: el criterio. Formar investigadores, no consumidores de contenido. El cuello de botella ya no es explicar. Es pensar.
Leer → Del MOOC al tutor IA
Las cuatro tesis convergen en un mismo punto. El problema de la inteligencia artificial en dominios de conocimiento no es un problema de potencia computacional ni de tamaño de modelo. Es un problema de criterio: saber cuándo callar, distinguir entre evidencia y fluidez, restar en vez de sumar, y decidir qué hacer con el tiempo que la máquina libera.
Ateneo — mi instrumento de verificación editorial para corpus humanísticos — es el intento de tomar ese problema en serio. No como opinión — como arquitectura.