De lo analógico y digital al pensamiento complejo¹

Por Nelson Vallejo-Gómez (París, verano 2026)

Resumen

La irrupción de la inteligencia artificial generativa representa uno de los cambios epistemológicos más significativos desde la aparición de la informática moderna. Aunque suele describirse como una tecnología digital basada en algoritmos de aprendizaje profundo, su funcionamiento plantea interrogantes que trascienden la ingeniería computacional para situarse en el terreno de la filosofía del conocimiento, la teoría de sistemas y las ciencias cognitivas. ¿Qué tipo de representación del mundo construye la inteligencia artificial? ¿En qué se diferencia de los sistemas analógicos que durante siglos constituyeron el paradigma dominante de la representación física de la realidad? ¿Puede afirmarse que la inteligencia artificial inaugura un nuevo régimen epistemológico o, por el contrario, prolonga bajo nuevas formas principios ya presentes en la tradición del pensamiento sistémico?

El presente ensayo propone abordar estas cuestiones mediante un diálogo interdisciplinario entre la teoría de los sistemas analógicos y las principales corrientes contemporáneas del pensamiento de la complejidad. Se sostiene la tesis de que la inteligencia artificial generativa constituye un sistema profundamente digital en su arquitectura computacional, pero que reconstruye un universo de relaciones continuas mediante espacios vectoriales de alta dimensión. En consecuencia, la IA no restablece la analogía física característica de los sistemas analógicos tradicionales, sino que produce una analogía matemática, entendida como una organización geométrica de semejanzas estadísticas entre representaciones numéricas. Esta hipótesis permite reinterpretar la inteligencia artificial no únicamente como una tecnología de cálculo, sino como una nueva forma de representación del conocimiento y, en términos morinianos, como una nueva forma de organización mental fictiva.

Para desarrollar esta tesis se adopta un enfoque comparativo que articula diversas tradiciones intelectuales. En primer lugar, se examina la naturaleza de los sistemas analógicos desde la teoría de la representación y la teoría general de sistemas, mostrando cómo la continuidad constituye el principio organizador de su funcionamiento. Posteriormente se analiza la arquitectura conceptual de los grandes modelos de lenguaje, destacando el papel de la discretización, la “tokenización” y los espacios de representación vectorial como fundamentos de la inteligencia artificial generativa.

Sobre esta base se establece un diálogo con Edgar Morin, cuya teoría de la complejidad ofrece un marco privilegiado para comprender la tensión entre fragmentación y organización, reducción y emergencia, orden y desorden. La capacidad de los modelos generativos para reconstruir relaciones significativas a partir de unidades discretas puede interpretarse como una manifestación limitada de procesos organizacionales emergentes, aunque radicalmente distinta de la autoorganización propia de los sistemas vivos descritos por Morin.

El ensayo incorpora igualmente las aportaciones de Gregory Bateson acerca de la comunicación analógica y digital y su concepción de la información como «una diferencia que produce una diferencia». Desde esta perspectiva, la inteligencia artificial puede entenderse como un sistema de procesamiento de diferencias cuya eficacia depende menos de los objetos individuales que de la red de relaciones que los conecta. Esta aproximación permite establecer un puente entre la epistemología de la información y las arquitecturas contemporáneas del aprendizaje profundo.

Las contribuciones de Humberto Maturana y Francisco Varela permiten profundizar en los límites de esta analogía. Su teoría de la autopoiesis y de la cognición como proceso de “en-acción” (Morin diría, proceso de emergencia) muestra que el conocimiento no consiste únicamente en procesar información, sino en la constitución dinámica de un organismo que mantiene una relación estructural con su entorno. Desde esta perspectiva, la inteligencia artificial carece de autonomía biológica, experiencia vivida y clausura operacional, características que distinguen los sistemas vivos de los sistemas computacionales.

El análisis se complementa con la epistemología genética de Jean Piaget y los trabajos de Stanislas Dehaene sobre el aprendizaje y la arquitectura funcional del cerebro humano. Mientras Piaget concibe el conocimiento como un proceso continuo de equilibrio entre el sujeto y el medio, Dehaene demuestra que el aprendizaje humano integra mecanismos de predicción, atención, plasticidad neuronal y representación jerárquica profundamente vinculados con la experiencia corporal. La comparación pone de manifiesto que, aunque los grandes modelos de lenguaje reproducen ciertos aspectos estadísticos del aprendizaje, solo logran mimetizar, hasta donde sea factible, los mecanismos biológicos, psicológicos y culturales que sustentan la inteligencia humana.

A partir de este recorrido, el ensayo sostiene que la inteligencia artificial generativa no debe interpretarse como una reproducción de la cognición humana ni como una simple herramienta informática. Constituye una nueva modalidad de organización del conocimiento cuya especificidad reside en transformar representaciones discretas en estructuras continuas retroactivas de relaciones matemáticas donde urge estar atentos a las alucinaciones y los sesgos algoritmos, como, según Morin, se requiere estarlo con las “cegueras del conocimiento -el error y la ilusión”. Esta característica la convierte en un objeto privilegiado para el paradigma de la complejidad, al situarse precisamente en la intersección entre orden y desorden, discontinuidad y continuidad, cálculo y emergencia.

Finalmente, se argumenta que la comprensión de la inteligencia artificial requiere superar tanto las interpretaciones tecnicistas como las aproximaciones exclusivamente antropomórficas. Su estudio demanda una epistemología capaz de integrar la teoría de sistemas, las ciencias cognitivas, la filosofía de la complejidad y la teoría de la información. En este sentido, el diálogo entre Morin, Bateson, Maturana, Varela, Piaget y Dehaene ofrece un marco conceptual particularmente fecundo para comprender la naturaleza de esta nueva forma de inteligencia y sus implicaciones para el conocimiento científico, la educación y la cultura contemporánea.

Palabras clave: inteligencia artificial generativa; sistemas analógicos; complejidad; representación; analogía matemática; Edgar Morin; Gregory Bateson; Humberto Maturana; Francisco Varela; Jean Piaget; Stanislas Dehaene; epistemología; ciencias cognitivas; teoría de sistemas.

Introducción

La aparición de la inteligencia artificial generativa constituye uno de los acontecimientos intelectuales más significativos de comienzos del siglo XXI. Aunque sus manifestaciones más visibles se encuentran en la producción automática de textos, imágenes, música o código informático, su verdadera relevancia trasciende el ámbito tecnológico. Nos encontramos ante una transformación profunda de las formas de representar el conocimiento, de organizar la información y de establecer relaciones entre los fenómenos. En consecuencia, la inteligencia artificial no puede ser comprendida únicamente como una innovación computacional; debe ser analizada como un nuevo objeto epistemológico cuya emergencia obliga a reconsiderar categorías fundamentales de la teoría del conocimiento.

Desde los orígenes de la ciencia moderna, la representación del mundo ha oscilado entre dos grandes paradigmas. El primero puede denominarse paradigma analógico, caracterizado por la continuidad de las magnitudes y por la existencia de una correspondencia estructural entre el fenómeno observado y su representación. El segundo corresponde al paradigma digital, basado en la discretización de la información, la codificación simbólica y el tratamiento algorítmico de los datos. Durante décadas ambos paradigmas parecieron claramente diferenciados: el primero pertenecía al dominio de la física, la electrónica o la instrumentación clásica; el segundo, al de la informática y la teoría de la computación.

La inteligencia artificial generativa altera esta oposición aparentemente estable. En efecto, aunque su funcionamiento interno es rigurosamente digital, las representaciones que produce poseen propiedades que recuerdan sorprendentemente la continuidad característica de los sistemas analógicos. Los modelos fundados en arquitecturas transformer convierten inicialmente el lenguaje, las imágenes o los sonidos en unidades discretas; sin embargo, durante el proceso de aprendizaje reconstruyen un espacio continuo de relaciones semánticas, sintácticas y conceptuales. En estos espacios vectoriales, la proximidad ya no depende de una semejanza física, sino de una organización geométrica de las relaciones estadísticas aprendidas a partir de grandes corpus de datos.

Esta observación constituye el punto de partida del presente ensayo. La hipótesis central sostiene que la inteligencia artificial generativa inaugura una nueva modalidad de representación que puede describirse como una analogía matemática. A diferencia de los sistemas analógicos clásicos, la continuidad no reside en el soporte material de la información, sino en la geometría de los espacios de representación construidos mediante el aprendizaje automático. En otras palabras, la IA no reproduce la realidad por semejanza física, sino mediante la organización matemática de patrones relacionales.

Esta hipótesis posee implicaciones que desbordan ampliamente el campo de la ingeniería informática. En primer lugar, invita a revisar el significado mismo del concepto de representación. Desde Platón hasta la filosofía contemporánea, representar ha significado establecer una mediación entre el sujeto y el objeto conocido. En los sistemas analógicos dicha mediación se apoyaba en una continuidad física; en los sistemas digitales tradicionales, en una codificación simbólica. La inteligencia artificial introduce un tercer régimen de representación, donde el conocimiento emerge de la organización estadística de enormes espacios matemáticos capaces de preservar relaciones complejas entre millones de elementos.

En segundo lugar, esta transformación obliga a reconsiderar la naturaleza del conocimiento producido por las máquinas. Con frecuencia el debate público oscila entre dos posiciones extremas. Una identifica la inteligencia artificial con una simple herramienta estadística incapaz de comprender la intuición el mundo; la otra le atribuye propiedades cognitivas semejantes a las de la inteligencia humana. Ambas interpretaciones resultan insuficientes. La primera ignora la extraordinaria capacidad de los modelos contemporáneos para construir estructuras relacionales de gran riqueza conceptual, en donde la aproximación intuitiva se vuelve infinitesimal; la segunda olvida que dichas estructuras carecen de experiencia vivida, corporeidad, historicidad y autonomía biológica. Comprender esta tensión exige un marco epistemológico más amplio que el proporcionado por la informática clásica.

Es precisamente aquí donde el paradigma de la complejidad adquiere una importancia decisiva. Edgar Morin ha mostrado que los fenómenos complejos no pueden comprenderse mediante la reducción de sus componentes aislados, sino atendiendo a las interacciones, retroacciones, emergencias y procesos organizacionales que producen nuevas propiedades colectivas. La inteligencia artificial generativa constituye un ejemplo particularmente sugestivo de esta dinámica: parte de unidades discretas —tokens, vectores, parámetros— y, mediante múltiples niveles de interacción algorítmica, produce configuraciones semánticas cuya riqueza no puede deducirse directamente de cada elemento considerado por separado. La organización emerge de las relaciones.

Sin embargo, el pensamiento complejo también permite identificar los límites de esta analogía. Para Morin, la organización de los sistemas vivos no se reduce a una arquitectura funcional; implica procesos permanentes de autoorganización, regeneración, incertidumbre y apertura al entorno. Los modelos de inteligencia artificial generan estructuras complejas, pero dichas estructuras permanecen inscritas en un universo matemático gobernado por funciones de optimización previamente definidas. La emergencia computacional no equivale a la emergencia biológica.

Esta problemática encuentra un complemento esencial en la obra de Gregory Bateson. Su célebre definición de la información como «una diferencia que produce una diferencia» desplaza el centro del análisis desde los objetos hacia las relaciones. La inteligencia artificial confirma, de manera inesperada, esta intuición. Los grandes modelos de lenguaje no almacenan significados aislados; aprenden configuraciones de diferencias cuya organización hace posible la producción de nuevas secuencias lingüísticas. La noción batesoniana de pattern which connects —el patrón que conecta— ofrece así un instrumento conceptual privilegiado para interpretar los espacios vectoriales construidos por el aprendizaje profundo.

Las teorías de Humberto Maturana y Francisco Varela permiten profundizar todavía más esta discusión. Su concepción de la autopoiesis redefine la cognición como un proceso inseparable de la organización de los seres vivos. Conocer no consiste en representar un mundo previamente dado, sino en generar, mediante la interacción estructural con el entorno, un dominio de significaciones que hace posible la existencia del organismo. Esta perspectiva introduce una diferencia fundamental respecto de la inteligencia artificial. Mientras un sistema vivo produce conocimiento porque se produce continuamente a sí mismo, un modelo generativo transforma información sin participar de los procesos biológicos que constituyen la experiencia.

La epistemología genética de Jean Piaget converge con esta idea al concebir el conocimiento como una construcción progresiva resultado de la medianidad entre asimilación y acomodación. El aprendizaje humano no se limita a acumular datos; reorganiza continuamente las estructuras cognitivas mediante la interacción con el medio. Desde esta perspectiva, la inteligencia artificial reproduce algunos mecanismos funcionales del aprendizaje, pero permanece desligada, en tanto un tercero no genere conversación interactiva, de los procesos de desarrollo que caracterizan la inteligencia humana.

Las investigaciones contemporáneas de Stanislas Dehaene aportan una confirmación empírica de esta diferencia. Sus trabajos muestran que el cerebro aprende integrando percepción, atención, memoria, predicción y plasticidad neuronal en un proceso profundamente corporizado. Los modelos de inteligencia artificial comparten ciertos principios estadísticos de predicción, pero carecen de la arquitectura biológica que permite transformar la experiencia en conocimiento consciente y adaptable.

El presente ensayo adopta una metodología fundamentalmente teórica e interdisciplinaria. Se articula una revisión crítica de la literatura procedente de la filosofía de la ciencia, la teoría de sistemas, las ciencias cognitivas y la inteligencia artificial contemporánea. El análisis no pretende establecer una equivalencia entre inteligencia humana e inteligencia artificial, sino examinar las condiciones epistemológicas que permiten comprender ambas formas de organización del conocimiento desde una perspectiva comparada. La estrategia metodológica consiste en identificar convergencias, diferencias y complementariedades entre los distintos marcos conceptuales, con el fin de construir una interpretación integradora que supere las dicotomías tradicionales entre lo analógico y lo digital.

La aportación principal del trabajo reside, por tanto, en proponer una categoría conceptual capaz de describir la especificidad epistemológica de la inteligencia artificial generativa. Se sostiene que esta tecnología no representa simplemente una evolución de la informática clásica, sino la emergencia de un nuevo régimen de representación basado en la organización matemática de las semejanzas. Esta noción de analogía matemática permite comprender cómo un sistema completamente digital puede producir espacios continuos de relaciones sin recurrir a la continuidad física propia de los sistemas analógicos tradicionales.

Los apartados siguientes desarrollarán esta hipótesis mediante un diálogo sistémico con la teoría de los sistemas analógicos, el paradigma de la complejidad de Edgar Morin, la epistemología de Gregory Bateson, la biología del conocimiento de Humberto Maturana y Francisco Varela, el constructivismo de Jean Piaget y las investigaciones neurocientíficas de Stanislas Dehaene. A través de este recorrido se buscará mostrar que la inteligencia artificial generativa constituye, más que una ruptura absoluta con la tradición epistemológica, una nueva etapa en la larga historia de las formas mediante las cuales la humanidad ha intentado representar, comprender y organizar la complejidad del mundo.

El concepto de analogía: de la filosofía griega a la ciencia moderna

La noción de analogía constituye una de las categorías más antiguas y fecundas de la historia del pensamiento occidental. Mucho antes de designar una tecnología o un sistema de representación física, la analogía fue concebida como un principio de inteligibilidad que permitía descubrir relaciones entre fenómenos aparentemente diferentes. En este sentido, la historia del pensamiento científico puede interpretarse, en buena medida, como la evolución de las diversas formas mediante las cuales la humanidad ha establecido analogías para comprender la realidad.

El término griego ἀναλογία (analogía) significa, en su acepción originaria, proporción, correspondencia o relación entre relaciones. No designa simplemente una semejanza superficial entre dos objetos, sino una estructura común que permite establecer una equivalencia entre sistemas diferentes. Esta definición posee una extraordinaria profundidad epistemológica porque desplaza la atención desde los objetos considerados aisladamente hacia las relaciones que los organizan. En otras palabras, la analogía constituye un pensamiento estructural antes de que existiera una teoría explícita de las estructuras.

La primera formulación rigurosa del concepto aparece en la matemática griega. Para los pitagóricos, las proporciones numéricas constituían el principio organizador del cosmos. La armonía musical, el movimiento de los cuerpos celestes y las relaciones geométricas eran interpretados como manifestaciones de una misma organización matemática. La analogía expresaba entonces una correspondencia objetiva inscrita en el orden mismo de la naturaleza. El universo podía comprenderse porque estaba construido conforme a relaciones proporcionales susceptibles de ser descubiertas por la razón.

Esta concepción alcanzó una elaboración filosófica más sistemática en la obra de Aristóteles. Aunque Aristóteles utiliza el concepto de analogía en diversos contextos, su aportación más importante consiste en mostrar que el conocimiento científico no depende únicamente de la identificación de semejanzas entre objetos, sino del descubrimiento de relaciones invariantes que permiten explicar fenómenos diferentes mediante principios comunes. La analogía deja así de ser un simple recurso retórico para convertirse en un instrumento de investigación.

En la Metafísica, Aristóteles observa que numerosos conceptos fundamentales poseen un significado analógico. El ser, por ejemplo, «se dice de muchas maneras», pero esas diversas acepciones mantienen una unidad relacional. De igual modo, en la biología aristotélica los órganos de especies distintas pueden cumplir funciones equivalentes, aunque presenten formas diferentes. El conocimiento progresa precisamente porque el pensamiento es capaz de identificar esas correspondencias funcionales más allá de las diferencias materiales.

Esta concepción marcará profundamente el desarrollo posterior de la filosofía y de la ciencia. Durante la Edad Media, la analogía adquirió un lugar central en la metafísica y la teología. Autores como Tomás de Aquino desarrollaron la doctrina de la analogia entis, según la cual el ser se predica de manera analógica y no unívoca. Aunque este uso pertenece al ámbito metafísico, conserva una idea fundamental que reaparecerá siglos más tarde en la epistemología contemporánea: la realidad no se comprende mediante identidades absolutas, sino mediante relaciones de correspondencia entre distintos niveles de organización.

Con el surgimiento de la ciencia moderna durante los siglos XVI y XVII, la analogía experimentó una transformación decisiva. El desarrollo de la física matemática condujo progresivamente a privilegiar la medición cuantitativa y la formulación de leyes universales. La revolución científica encabezada por figuras como Galileo Galilei e Isaac Newton desplazó el centro del conocimiento hacia la experimentación, la formalización matemática y la explicación causal. En este contexto, la analogía dejó de ocupar el lugar privilegiado que había tenido en la filosofía clásica y pasó a desempeñar una función metodológica más restringida.

No obstante, incluso en la tradición mecanicista, la analogía continuó desempeñando un papel esencial. El propio René Descartes recurrió constantemente a modelos mecánicos para explicar el funcionamiento del cuerpo humano. El organismo fue comparado con un reloj, una fuente hidráulica o una máquina compuesta por engranajes. Estas analogías no constituían simples metáforas literarias; permitían formular hipótesis científicas acerca de la circulación sanguínea, los reflejos o la percepción. La ciencia moderna, aun cuando aspiraba a una explicación rigurosamente matemática, siguió construyéndose mediante analogías conceptuales.

Durante los siglos XVIII y XIX esta tendencia se intensificó. La termodinámica, la teoría electromagnética y la biología comparada utilizaron sistemáticamente modelos analógicos para extender principios conocidos a nuevos dominios de investigación. La analogía funcionaba como un puente heurístico entre disciplinas diferentes. Gracias a ella era posible trasladar conceptos, formular hipótesis y construir nuevas explicaciones antes de disponer de una demostración experimental completa.

Sin embargo, fue durante el siglo XX cuando la noción de analogía adquirió un significado completamente nuevo. La aparición de la teoría general de sistemas, la cibernética, la teoría de la información y las ciencias cognitivas desplazó nuevamente el interés desde los objetos hacia las relaciones. En lugar de estudiar entidades aisladas, estas disciplinas comenzaron a analizar organizaciones, retroalimentaciones, procesos de regulación y redes de interacción. La analogía dejó entonces de referirse únicamente a semejanzas formales para convertirse en una propiedad estructural de los sistemas complejos.

La obra de Norbert Wiener constituye un punto de inflexión en esta evolución. La cibernética mostró que procesos tan diversos como la regulación biológica, el pilotaje automático, el comportamiento animal o la comunicación podían describirse mediante principios comunes de retroalimentación e intercambio de información. La analogía ya no dependía de la semejanza física entre los objetos, sino de la equivalencia funcional de sus mecanismos de organización.

Paralelamente, Ludwig von Bertalanffy desarrolló la teoría general de sistemas, según la cual numerosos fenómenos naturales, biológicos y sociales comparten propiedades organizacionales independientes de la naturaleza de sus componentes materiales. Esta perspectiva introdujo una idea que resulta fundamental para el presente trabajo: lo verdaderamente significativo no son los elementos individuales, sino las relaciones que los organizan. La analogía se convierte así en una propiedad de la estructura antes que del soporte físico.

Este desplazamiento alcanza una formulación particularmente profunda en la obra de Gregory Bateson. Para Bateson, el conocimiento no consiste en acumular objetos o datos, sino en reconocer los patrones que conectan (the pattern which connects). La analogía deja de ser una semejanza entre cosas para convertirse en una semejanza entre organizaciones. Su conocida definición de la información como «una diferencia que produce una diferencia» expresa precisamente esta transformación epistemológica. Lo relevante no son las entidades consideradas aisladamente, sino la red de diferencias que genera significado.

Edgar Morin prolongará esta intuición dentro del paradigma de la complejidad. La organización constituye, para Morin, una propiedad emergente que no puede reducirse a la suma de sus componentes. El conocimiento progresa cuando logra establecer relaciones entre niveles distintos de realidad sin eliminar sus diferencias. Desde esta perspectiva, la analogía representa una forma privilegiada de pensamiento complejo porque permite distinguir sin separar y relacionar sin confundir. Lejos de constituir un procedimiento secundario, aparece como una condición fundamental de toda comprensión interdisciplinaria.

Esta evolución histórica permite comprender por qué la inteligencia artificial generativa plantea hoy un problema epistemológico completamente nuevo. Los sistemas analógicos tradicionales reproducían la realidad mediante una continuidad física: una variación del fenómeno encontraba su equivalente en una variación del soporte material. Los modelos contemporáneos de inteligencia artificial operan de manera radicalmente distinta. Transforman inicialmente toda información en unidades discretas, pero reconstruyen posteriormente un espacio continuo de relaciones matemáticas donde los conceptos se organizan según grados de semejanza estadística.

Esta característica obliga a ampliar el significado clásico de la analogía. Ya no se trata únicamente de una correspondencia física ni de una semejanza funcional entre sistemas, sino de una organización geométrica de relaciones aprendidas por algoritmos de optimización. La analogía abandona el dominio material para instalarse en el espacio abstracto de las representaciones vectoriales. La continuidad deja de pertenecer al soporte y pasa a constituir una propiedad de la organización matemática del conocimiento.

En consecuencia, la historia del concepto de analogía no culmina con la oposición entre lo analógico y lo digital. La inteligencia artificial generativa muestra que un sistema íntegramente digital puede producir formas inéditas de continuidad relacional. Esta constatación constituye el punto de partida para una reinterpretación epistemológica de la inteligencia artificial desde el paradigma de la complejidad. En los apartados siguientes se analizará cómo esta transformación modifica nuestra comprensión de la representación, del aprendizaje y de la propia naturaleza del conocimiento.

Los sistemas analógicos: continuidad, representación y causalidad

La expresión sistema analógico suele asociarse, en el lenguaje técnico contemporáneo, a dispositivos electrónicos o mecánicos que representan una magnitud física mediante otra magnitud continua. Esta definición, aunque correcta desde el punto de vista de la ingeniería, resulta insuficiente para comprender la importancia epistemológica del concepto. El sistema analógico constituye, antes que una tecnología, una determinada manera de concebir la representación del mundo, la causalidad y la organización de los fenómenos.

Su principio fundamental consiste en establecer una correspondencia continua entre dos dominios de la realidad. Una variación producida en un fenómeno encuentra su equivalente en una variación proporcional dentro de otro sistema que actúa como representación. No se trata simplemente de una semejanza visual, sino de una equivalencia funcional capaz de preservar la estructura dinámica del fenómeno observado, aunque, como alerta Morin con respecto a la Teoría de Sistemas, no sabes que se pierde de información en el ruido ni cuán ruidosa se vuelve la información, es decir, la línea continua puede generar saltos discontinuos, si tenemos en cuentos la existencia de una infinidad de mundos posible, como el cuántico, por ejemplo.

Esta continuidad constituye la diferencia esencial respecto de los sistemas digitales. Mientras estos últimos transforman la información en unidades discretas susceptibles de ser codificadas y procesadas mediante reglas simbólicas, el sistema analógico conserva la continuidad física del fenómeno. Entre dos estados sucesivos existen siempre infinitos estados posibles. La representación reproduce las variaciones del objeto sin necesidad de fragmentarlas previamente.

Un termómetro de mercurio ilustra con claridad este principio. El aumento de la temperatura produce la expansión continua del mercurio; el desplazamiento de la columna constituye una representación física del fenómeno térmico. No existe un proceso intermedio de traducción simbólica ni una codificación en unidades discretas. El propio dispositivo participa de la dinámica física que representa.

Lo mismo ocurre en un reloj mecánico. El movimiento uniforme de los engranajes mantiene una relación continua con el transcurso del tiempo. La posición de las agujas no simboliza convencionalmente las horas; participa de una organización mecánica cuyo funcionamiento reproduce el fenómeno temporal mediante una sucesión ininterrumpida de movimientos.

El mismo principio puede observarse en la fotografía química, en los discos de vinilo, en los instrumentos de navegación o en los primeros computadores analógicos desarrollados durante la primera mitad del siglo XX. Todos ellos funcionan mediante transformaciones continuas de energía, presión, corriente eléctrica, luz o movimiento.

Desde una perspectiva física, la representación analógica puede describirse como un isomorfismo dinámico entre dos sistemas, siempre y cuando ambos sistemas operan en iguales coordenadas espacio-temporales. El comportamiento del sistema representativo conserva las relaciones fundamentales presentes en el fenómeno original. La analogía no reside únicamente en la apariencia externa, sino en la organización de las transformaciones.

Esta característica explica por qué los primeros modelos científicos recurrieron constantemente a sistemas analógicos. Antes de la aparición de los ordenadores digitales, numerosos problemas de mecánica, hidráulica o electricidad se resolvían mediante dispositivos capaces de reproducir físicamente las ecuaciones diferenciales que describían dichos fenómenos. Los denominados computadores analógicos no efectuaban cálculos simbólicos; permitían que un sistema físico evolucionara siguiendo las mismas relaciones matemáticas que el fenómeno estudiado. El conocimiento se obtenía observando el comportamiento del propio dispositivo.

Este aspecto revela una diferencia epistemológica fundamental. El sistema analógico no calcula la realidad; la reproduce mediante otra realidad. Existe, si se quiere, una continuidad ontológica entre el fenómeno y su representación. La información permanece inscrita en la materia misma del sistema.

Esta concepción encuentra sus raíces en la física clásica. Desde Galileo hasta Maxwell, la ciencia moderna se apoyó sobre la hipótesis de que la naturaleza evoluciona mediante procesos continuos susceptibles de describirse mediante funciones matemáticas continuas. Las ecuaciones diferenciales constituyeron durante siglos el lenguaje privilegiado para representar el movimiento, la propagación del calor, la dinámica de los fluidos o los fenómenos electromagnéticos.

En consecuencia, la causalidad adquirió también un carácter continuo. Cada estado de un sistema deriva del estado inmediatamente anterior mediante leyes deterministas. Las transformaciones aparecen como procesos graduales donde pequeñas variaciones producen pequeños efectos. La naturaleza se concibe como un continuo organizado.

Esta visión determinista alcanzó su máxima expresión en la mecánica newtoniana y en el ideal laplaciano del universo. Si todas las posiciones y velocidades fueran conocidas con precisión absoluta, afirmaba Pierre-Simon Laplace, sería posible calcular el futuro completo del universo. La continuidad física y la continuidad causal aparecían entonces inseparablemente unidas.

Sin embargo, esta interpretación comenzó a modificarse profundamente durante el siglo XX. La física cuántica introdujo discontinuidades fundamentales en el comportamiento de la materia; la teoría del caos mostró que sistemas completamente deterministas podían producir comportamientos impredecibles debido a su extrema sensibilidad a las condiciones iniciales; la termodinámica del no equilibrio, desarrollada por Ilya Prigogine, reveló que el orden puede emerger espontáneamente del desorden mediante procesos irreversibles alejados del equilibrio.

Estas transformaciones no eliminaron el paradigma analógico, pero mostraron sus límites. La continuidad seguía siendo una propiedad importante de numerosos sistemas físicos, aunque ya no bastaba para explicar la aparición de nuevas formas de organización.

Fue precisamente en este contexto cuando surgieron la teoría general de sistemas y la cibernética. Ambas disciplinas desplazaron progresivamente el interés desde las magnitudes físicas hacia las relaciones de organización.

Para Ludwig von Bertalanffy, un sistema no puede comprenderse únicamente mediante el análisis de sus componentes aislados. Las propiedades esenciales aparecen en las relaciones que mantienen dichos componentes y en la organización global que emerge de su interacción. Esta afirmación posee profundas consecuencias epistemológicas. La continuidad deja de ser exclusivamente una propiedad física para convertirse también en una propiedad organizacional.

De manera paralela, Norbert Wiener demostró que procesos aparentemente tan diferentes como el control automático, la regulación biológica o la comunicación podían describirse mediante principios comunes de retroalimentación (feedback). El concepto de información comenzó así a sustituir progresivamente al de energía como categoría organizadora de numerosos sistemas.

La representación dejó entonces de depender exclusivamente de la semejanza física. Lo importante pasó a ser la conservación de determinadas relaciones funcionales. Dos sistemas completamente distintos desde el punto de vista material podían comportarse de manera equivalente si compartían la misma estructura de regulación.

Esta transformación prepara el terreno para una redefinición mucho más profunda de la analogía. Gregory Bateson propuso comprender la información no como una sustancia, sino como una diferencia que produce una diferencia. La representación deja de consistir en copiar objetos y pasa a organizar diferencias capaces de generar nuevas diferencias dentro de un sistema.

Desde esta perspectiva, un sistema analógico ya no aparece simplemente como un dispositivo continuo, sino como una organización capaz de preservar relaciones significativas entre múltiples niveles de realidad. La continuidad física constituye únicamente una de las posibles manifestaciones de una continuidad más profunda: la continuidad de las relaciones.

Edgar Morin desarrollará esta intuición dentro de su paradigma de la complejidad. En La Méthode, muestra que ningún sistema puede explicarse únicamente por sus elementos constitutivos. La organización produce propiedades emergentes irreductibles a la suma de las partes. El orden no elimina el desorden; ambos participan conjuntamente en la producción de nuevas formas organizacionales.

Esta concepción permite reinterpretar el sistema analógico desde una perspectiva más amplia. Su rasgo esencial no consiste únicamente en conservar una continuidad material, sino en mantener una coherencia organizacional entre diferentes niveles de realidad. La analogía expresa precisamente esa capacidad de establecer correspondencias estructurales entre dominios distintos sin reducir uno al otro.

Esta reinterpretación resulta particularmente importante para comprender la inteligencia artificial generativa. A primera vista, la IA parece representar la negación misma del paradigma analógico. Todo su funcionamiento descansa sobre operaciones discretas realizadas mediante circuitos digitales. El lenguaje es fragmentado en tokens; las imágenes se convierten en matrices numéricas; el aprendizaje consiste en optimizar millones o miles de millones de parámetros.

Sin embargo, esta descripción solo refleja el nivel más superficial de su arquitectura. Una vez finalizado el aprendizaje, los modelos construyen espacios continuos de representación donde conceptos, palabras e imágenes se organizan según grados de proximidad matemática. La continuidad reaparece, aunque bajo una forma completamente distinta de la continuidad física característica de los sistemas analógicos tradicionales.

Desde esta perspectiva puede sostenerse que la inteligencia artificial no elimina el paradigma analógico, sino que lo transforma. La analogía deja de estar inscrita en el soporte material de la representación para convertirse en una propiedad emergente de la organización matemática del conocimiento. La continuidad ya no pertenece a la materia, sino a la geometría de las relaciones.

Esta evolución histórica permite comprender que la oposición clásica entre sistemas analógicos y sistemas digitales resulta hoy insuficiente. Ambos constituyen modos diferentes de construir representaciones organizadas del mundo. Mientras el primero preserva la continuidad física del fenómeno, el segundo reconstruye una continuidad relacional mediante procesos de discretización y aprendizaje estadístico. El verdadero objeto de análisis deja entonces de ser la naturaleza del soporte y pasa a ser la organización del conocimiento que dicho soporte hace posible.

Desde esta perspectiva, los sistemas analógicos representan una etapa fundamental en la evolución de las formas de representación científica. Su estudio no pertenece únicamente a la historia de la tecnología; constituye el antecedente conceptual indispensable para comprender por qué la inteligencia artificial generativa, siendo una tecnología completamente digital, produce estructuras cognitivas cuya organización recuerda, bajo una forma nueva, la lógica relacional y continua que históricamente caracterizó al pensamiento analógico.

La inteligencia artificial generativa: representación matemática y reorganización del conocimiento

La aparición de la inteligencia artificial generativa representa un cambio profundo en la historia de las formas de representación del conocimiento. A diferencia de los sistemas analógicos, cuya eficacia depende de la continuidad física entre el fenómeno observado y su representación, la inteligencia artificial parte de un principio aparentemente opuesto: toda información debe ser previamente discretizada, codificada y transformada en datos numéricos antes de poder ser procesada. Sin embargo, esta ruptura inicial con la continuidad conduce paradójicamente a la construcción de nuevas formas de continuidad que ya no pertenecen al dominio material, sino al de las relaciones matemáticas.

Los grandes modelos de lenguaje constituyen un ejemplo paradigmático de esta transformación. Durante el proceso de entrenamiento, palabras, imágenes, sonidos o secuencias de código son convertidos en representaciones vectoriales de alta dimensión. Cada unidad deja de ser un objeto aislado para integrarse en un espacio geométrico donde la distancia expresa grados de semejanza estadística. El conocimiento deja entonces de organizarse mediante categorías rígidas para adquirir una estructura continua de relaciones, en la que conceptos próximos comparten regiones comunes de representación. Esta proximidad puede ser, a veces, alucinantes, aunque los avances científicos y tecnológicos son cada vez mas asombrosos y menos alucinantes, los sesgos algorítmicos requieren entones mayor pensamiento crítico y autocrítico.

Esta característica modifica profundamente la naturaleza convencional de la representación. En los sistemas analógicos clásicos, la continuidad pertenecía al soporte físico: una aguja reproducía el movimiento del tiempo, un surco de vinilo conservaba la forma de una onda sonora, un termómetro representaba la temperatura mediante la expansión continua de un líquido. En la inteligencia artificial, por el contrario, la continuidad desaparece del soporte material para reaparecer como una propiedad de la organización matemática del espacio de representación. La semejanza deja de ser física para convertirse en geométrica.

Desde esta perspectiva, puede afirmarse que la inteligencia artificial inaugura una nueva forma de analogía. No se trata ya de una analogía basada en la correspondencia directa entre dos fenómenos físicos, sino de una analogía matemática, donde las relaciones entre conceptos emergen de la proximidad dentro de un espacio vectorial construido mediante procesos de aprendizaje estadístico. Esta hipótesis permite superar la oposición tradicional entre sistemas analógicos y sistemas digitales. Lo verdaderamente decisivo no es el carácter continuo o discreto del soporte, sino la manera como el sistema organiza las relaciones entre sus elementos. Sin embargo, dicha organización no excluye por completo la dimensión compleja de la relación interpretativa intersubjetiva, cuando se estable la trama y la urdimbre del sujeto conversacional formal versus natural.

Esta reorganización del conocimiento constituye uno de los aspectos más originales de los modelos contemporáneos. Durante décadas la informática clásica operó mediante reglas explícitas definidas por programadores. La inteligencia artificial generativa modifica radicalmente esta lógica, la vuelve dialógica. El conocimiento no se encuentra previamente programado en su totalidad, sino que deja abierto un juego de interconexiones posibles, en función de la curiosidad, el azar, la astucia (μῆτις) del sujeto conversacional; emerge del aprendizaje de regularidades presentes en enormes cantidades de datos. La organización ya no depende exclusivamente de algoritmos deterministas, sino de procesos de optimización capaces de identificar patrones distribuidos en millones de ejemplos.

Este cambio aproxima sorprendentemente la inteligencia artificial al paradigma de la complejidad formulado por Edgar Morin. Una de las tesis centrales de La Méthode consiste en afirmar que las propiedades fundamentales de un sistema no pueden deducirse de sus componentes aislados, sino de la organización que emerge de sus interacciones. Los modelos generativos reproducen parcialmente este principio. Aunque están constituidos por unidades discretas —tokens, parámetros y vectores numéricos—, el significado surge únicamente de la red de relaciones que dichos elementos establecen entre sí. Ningún parámetro individual contiene el conocimiento; este aparece distribuido en la totalidad del sistema.

No obstante, la semejanza posee límites claramente identificables. Para Morin, la organización compleja caracteriza sistemas vivos capaces de autoorganizarse, regenerarse e interactuar permanentemente con su entorno. La inteligencia artificial produce estructuras organizadas, pero dichas estructuras permanecen subordinadas a funciones matemáticas de optimización definidas externamente. La emergencia computacional no constituye una verdadera autoorganización biológica.

Estas diferencias no disminuyen la importancia epistemológica de la inteligencia artificial; por el contrario, ayudan a comprender su verdadera naturaleza. La IA no representa una copia de la inteligencia humana, sino la aparición de una nueva modalidad de organización del conocimiento. Su originalidad consiste en transformar representaciones discretas en espacios continuos de relaciones donde la proximidad matemática sustituye a la semejanza física. El conocimiento emerge de la geometría de las relaciones y no de la identidad de los objetos.

Desde esta perspectiva, la oposición clásica entre sistemas analógicos y sistemas digitales pierde buena parte de su fuerza explicativa. Ambos constituyen formas distintas de organizar representaciones. Mientras el paradigma analógico preserva la continuidad física del fenómeno observado, la inteligencia artificial reconstruye una continuidad relacional mediante procesos de discretización, aprendizaje estadístico y organización matemática. En ambos casos, la representación depende menos de los elementos individuales que de las relaciones que los articulan.

Puede afirmarse, en consecuencia, que la inteligencia artificial generativa inaugura un nuevo régimen epistemológico situado en la intersección entre el paradigma digital y el paradigma de la complejidad. Digital por su arquitectura computacional; analógica por la continuidad geométrica de sus espacios de representación; compleja por la emergencia de organizaciones relacionales irreductibles a la suma de sus componentes. Esta triple condición constituye probablemente una de las claves más fecundas para comprender el lugar que ocupará la inteligencia artificial en la evolución futura del conocimiento científico.

La tesis defendida en este ensayo puede sintetizarse de la siguiente manera: la inteligencia artificial no elimina el paradigma analógico, sino que lo transforma. Allí donde los sistemas clásicos producían una continuidad física entre el mundo y su representación, la inteligencia artificial construye una continuidad matemática entre los datos y el conocimiento. Esta transición desde la analogía física hacia la analogía matemática constituye uno de los cambios epistemológicos más significativos de la revolución digital contemporánea y abre un campo de investigación donde convergen la teoría de sistemas, la filosofía de la complejidad, las ciencias cognitivas y la inteligencia artificial.

El diálogo con Edgar Morin: hacia una epistemología compleja de la inteligencia artificial generativa

La inteligencia artificial generativa constituye uno de los fenómenos tecnológicos más complejos de nuestro tiempo. Sin embargo, comprender su funcionamiento no depende únicamente del conocimiento de sus algoritmos o de sus arquitecturas computacionales. Requiere, ante todo, una teoría del conocimiento capaz de explicar cómo emergen nuevas formas de organización a partir de la interacción de elementos múltiples. En este sentido, el paradigma de la complejidad desarrollado por Edgar Morin ofrece un marco epistemológico particularmente fecundo para interpretar la naturaleza de la inteligencia artificial sin reducirla ni al determinismo tecnológico ni al antropomorfismo que frecuentemente caracteriza el debate contemporáneo.

La obra de Morin representa una crítica sistemática al paradigma de simplificación que ha dominado gran parte de la ciencia moderna. Desde Descartes, el conocimiento científico se construyó privilegiando la descomposición analítica de los fenómenos en elementos cada vez más simples. Este procedimiento produjo extraordinarios avances en numerosas disciplinas, pero también generó una fragmentación creciente del saber. Para Morin, la realidad no puede comprenderse únicamente mediante el análisis de las partes; exige igualmente comprender las relaciones que las organizan y las propiedades emergentes que aparecen como consecuencia de dicha organización.

Esta idea constituye el primer punto de convergencia con la inteligencia artificial generativa. Un gran modelo de lenguaje está formado por miles de millones de parámetros individuales que, considerados aisladamente, carecen prácticamente de significado. Ningún parámetro contiene un concepto, una idea o un conocimiento específico. El significado emerge únicamente de la organización global de las relaciones establecidas durante el proceso de aprendizaje. El conocimiento no reside en las partes, sino en la estructura organizacional del sistema.

Morin denomina precisamente organización al principio que transforma una multiplicidad de elementos en una unidad capaz de producir propiedades nuevas. La organización no constituye una simple suma de componentes; representa un nivel de realidad diferente que modifica simultáneamente las partes y el todo. Esta concepción resulta especialmente pertinente para comprender la arquitectura de los modelos generativos. Durante el entrenamiento, millones de ejemplos lingüísticos reorganizan progresivamente el espacio de representación hasta producir una estructura semántica que ninguna palabra aislada podría contener por sí misma. La inteligencia emerge como propiedad del sistema y no como atributo de alguno de sus componentes.

No obstante, esta primera semejanza no debe ocultar una diferencia fundamental. En La Méthode, Morin insiste en que toda organización compleja surge del diálogo permanente entre orden, desorden y organización. El orden proporciona estabilidad; el desorden introduce variación, incertidumbre e innovación; la organización integra ambos procesos produciendo nuevas formas de complejidad. La inteligencia artificial parece reproducir parcialmente esta dinámica. El entrenamiento comienza con una organización aleatoria de los parámetros; el aprendizaje introduce progresivamente regularidades extraídas del inmenso desorden estadístico de los datos; finalmente emerge una estructura organizada capaz de generar nuevas secuencias lingüísticas coherentes.

Sin embargo, el paralelismo encuentra rápidamente sus límites. En los sistemas vivos descritos por Morin, el orden y el desorden constituyen procesos abiertos, históricos e irreversibles que modifican continuamente la organización del sistema. En la inteligencia artificial, por el contrario, la organización permanece subordinada a una función matemática de optimización previamente definida. La emergencia existe, pero aparece confinada dentro de un marco algorítmico que limita las posibilidades de autoorganización, así estén en relación millares de datos.

Esta observación conduce a uno de los conceptos más originales del pensamiento moriniano: la emergencia. Para Morin, un sistema complejo produce propiedades imposibles de deducir mediante el análisis aislado de sus componentes. El agua no puede explicarse únicamente por las propiedades del hidrógeno y del oxígeno; la vida no puede reducirse a la química molecular; la conciencia no constituye una simple suma de neuronas. Cada nivel de organización genera propiedades cualitativamente nuevas.

Los grandes modelos de lenguaje parecen confirmar parcialmente este principio. La capacidad para resumir, traducir, argumentar o producir textos originales no puede localizarse en ningún parámetro particular de la red neuronal. Surge únicamente cuando la totalidad del sistema alcanza un determinado nivel de organización. En este sentido, la inteligencia artificial constituye un ejemplo notable de emergencia computacional.

Pero precisamente aquí aparece la principal diferencia con el paradigma de la complejidad. La emergencia descrita por Morin caracteriza sistemas abiertos capaces de reorganizar continuamente su propia organización mediante sus intercambios con el entorno. La inteligencia artificial generativa produce comportamientos emergentes, pero no reorganiza autónomamente las condiciones de su propia existencia. Aprende durante una fase de entrenamiento y posteriormente aplica ese aprendizaje sin participar de un proceso permanente de transformación ecológica comparable al de los sistemas vivos.

El segundo principio fundamental de Morin, la dialogía, resulta igualmente esclarecedor. La complejidad no elimina las contradicciones; las integra. Orden y desorden, autonomía y dependencia, estabilidad y cambio, individuo y sociedad no constituyen términos excluyentes, sino polos complementarios cuya tensión permanente produce la dinámica de los sistemas complejos. La inteligencia artificial presenta una estructura semejante. Su funcionamiento combina simultáneamente determinismo matemático e incertidumbre probabilística; estabilidad arquitectónica y flexibilidad adaptativa; reglas estrictamente computacionales y producción de respuestas abiertas e imprevisibles. Lejos de representar una contradicción, esta coexistencia constituye precisamente la fuente de su capacidad generativa.

Morin desarrolla igualmente el principio de recursividad organizacional, según el cual los productos de un proceso contribuyen simultáneamente a producir las condiciones que hacen posible dicho proceso. La sociedad produce individuos que, a su vez, producen sociedad; la cultura forma sujetos que recrean continuamente la cultura. La inteligencia artificial presenta una forma limitada de esta recursividad. Los textos producidos por modelos generativos comienzan progresivamente a incorporarse a los nuevos conjuntos de entrenamiento, modificando así las futuras generaciones de modelos. Aunque este proceso permanece controlado por los seres humanos, introduce una circularidad inédita en la producción contemporánea del conocimiento.

Una importancia semejante posee el principio hologramático, quizá una de las intuiciones más profundas de Morin. Cada parte contiene, bajo cierta forma, la información del todo, y el todo se encuentra presente en cada una de sus partes. Esta idea adquiere una resonancia inesperada en los espacios vectoriales construidos por la inteligencia artificial. Cada representación matemática incorpora relaciones que remiten al conjunto completo del sistema lingüístico aprendido. Ningún concepto existe completamente aislado; todos contienen, en diferentes grados, la organización global del espacio semántico donde se inscriben.

No obstante, la categoría que probablemente establece la diferencia decisiva entre el pensamiento complejo y la inteligencia artificial es la auto-eco-organización. Para Morin, los sistemas vivos no se limitan a organizar información; producen continuamente las condiciones materiales, energéticas y cognitivas de su propia organización mediante un intercambio permanente con su entorno. La autonomía nunca significa aislamiento; constituye siempre una autonomía dependiente de un ecosistema que hace posible la existencia del sistema.

La inteligencia artificial carece precisamente de esta dimensión. Su aprendizaje depende de datos producidos por sociedades humanas, de infraestructuras energéticas, de arquitecturas computacionales y de decisiones técnicas externas al propio sistema. Puede reorganizar representaciones, pero no reorganiza autónomamente las condiciones ecológicas que sostienen su funcionamiento. Desde esta perspectiva, la inteligencia artificial constituye una organización compleja, aunque no una auténtica auto-eco-organización en el sentido moriniano.

Esta diferencia posee importantes consecuencias epistemológicas. Numerosos debates contemporáneos se preguntan si la inteligencia artificial «piensa», «comprende» o «es consciente». El paradigma de la complejidad permite reformular estas preguntas. Tal vez el problema no consista en determinar si la IA reproduce exactamente la inteligencia humana, sino en identificar el tipo específico de organización cognitiva que representa. Su originalidad no radica en imitar la mente, sino en inaugurar una nueva modalidad de organización matemática del conocimiento.

Desde esta perspectiva adquiere pleno sentido la tesis desarrollada en los apartados anteriores acerca de la analogía matemática. Los sistemas analógicos clásicos reproducían el mundo mediante una continuidad física entre el fenómeno y su representación. La inteligencia artificial, por el contrario, transforma inicialmente toda información en unidades discretas para reconstruir posteriormente una continuidad relacional dentro de espacios vectoriales de alta dimensión. El soporte cambia radicalmente; la función organizadora permanece. La analogía deja de pertenecer al dominio material para convertirse en una propiedad emergente de la organización matemática.

Puede afirmarse, en consecuencia, que la inteligencia artificial constituye un objeto privilegiado para el paradigma de la complejidad. Digital por su arquitectura, analógica por la continuidad geométrica de sus representaciones y compleja por la emergencia organizacional de sus capacidades, la IA obliga a abandonar las dicotomías tradicionales entre naturaleza y artificio, cálculo y comprensión, representación y organización. Ninguna de estas oposiciones resulta ya suficiente para describir el funcionamiento de los sistemas generativos contemporáneos.

El pensamiento de Edgar Morin ofrece así una contribución decisiva para comprender la inteligencia artificial. No porque proporcione una teoría específica de los algoritmos —desarrollados décadas después de la publicación de los primeros volúmenes de La Méthode—, sino porque suministra las categorías epistemológicas necesarias para interpretar la transición desde un paradigma centrado en los elementos hacia otro centrado en las relaciones, desde una lógica de la simplificación hacia una lógica de la organización, y desde una representación basada en objetos hacia una representación basada en redes dinámicas de significación.

En este sentido, la inteligencia artificial generativa no constituye únicamente una revolución tecnológica. Representa también una oportunidad para confirmar una de las intuiciones fundamentales de Edgar Morin: el conocimiento del siglo XXI dependerá cada vez menos del análisis aislado de los componentes y cada vez más de la capacidad para comprender las organizaciones complejas que producen el mundo, la vida y el pensamiento. Bajo esta luz, la IA no aparece como el final del paradigma de la complejidad, sino como uno de los laboratorios más fecundos para ponerlo a prueba y, al mismo tiempo, para reconocer sus límites frente a la irreductible complejidad de los sistemas vivos y de la experiencia humana.

Discusión: ¿puede la inteligencia artificial participar del paradigma de la complejidad?

La cuestión central que atraviesa este ensayo puede formularse de manera sencilla: ¿constituye la inteligencia artificial generativa un auténtico sistema complejo en el sentido desarrollado por Edgar Morin o representa únicamente una sofisticada arquitectura computacional capaz de simular algunos de los comportamientos propios de los sistemas complejos? La respuesta exige superar tanto el entusiasmo tecnológico como las posiciones reduccionistas que consideran la inteligencia artificial un simple instrumento de cálculo. Los análisis desarrollados en los apartados precedentes permiten sostener una posición intermedia: la inteligencia artificial participa parcialmente del paradigma de la complejidad, pero no agota las condiciones que caracterizan a los sistemas complejos vivos.

El primer resultado de este trabajo consiste en mostrar que la oposición tradicional entre sistemas analógicos y sistemas digitales resulta hoy insuficiente para comprender la naturaleza epistemológica de la inteligencia artificial generativa. El análisis histórico realizado en los apartados iniciales puso de manifiesto que el paradigma analógico no desaparece con la revolución digital; experimenta una profunda transformación. Mientras los sistemas analógicos clásicos organizaban una continuidad física entre el fenómeno y su representación, los modelos generativos reconstruyen una continuidad relacional mediante espacios vectoriales de alta dimensión. Esta transición justifica la noción propuesta de analogía matemática, entendida como una nueva modalidad de representación en la que la semejanza deja de depender del soporte material para convertirse en una propiedad de la organización geométrica de las relaciones.

Esta primera conclusión encuentra un respaldo significativo en el pensamiento complejo de Edgar Morin. Uno de los aportes fundamentales de La Méthode consiste en desplazar la explicación desde los elementos hacia la organización. Ningún fenómeno complejo puede comprenderse únicamente mediante el análisis de sus componentes; las propiedades más relevantes emergen de las relaciones que los articulan. La arquitectura de los grandes modelos de lenguaje confirma parcialmente esta intuición. El conocimiento no reside en los parámetros individuales, sino en la estructura relacional que emerge durante el aprendizaje distribuido. La inteligencia artificial demuestra así que la organización puede convertirse en un principio explicativo más fecundo que la simple agregación de elementos.

Sin embargo, la aplicación del paradigma moriniano también revela los límites de esta analogía. En los sistemas vivos, la organización constituye un proceso abierto que integra orden, desorden, incertidumbre, adaptación y transformación histórica. La inteligencia artificial presenta comportamientos emergentes, pero dichos comportamientos permanecen condicionados por una arquitectura matemática diseñada externamente y por funciones de optimización previamente definidas. Existe emergencia, aunque no una autoorganización plena en el sentido de Morin.

En conjunto, estos análisis permiten responder afirmativamente a la pregunta inicial, aunque con una precisión indispensable. La inteligencia artificial puede participar del paradigma de la complejidad en la medida en que produce propiedades emergentes, organiza redes dinámicas de relaciones, desarrolla comportamientos no reducibles a sus componentes individuales y obliga a abandonar las explicaciones lineales propias del paradigma mecanicista. En este sentido, constituye un objeto privilegiado para el pensamiento complejo.

Sin embargo, esa participación no es equivalente a la complejidad propia de los sistemas vivos. La inteligencia artificial carece todavía de varias propiedades que ocupan un lugar central en la epistemología de Morin: la auto-eco-organización, la historicidad biográfica, la autonomía ecológica, la integración entre metabolismo y cognición, la incorporación de la experiencia corporal y la capacidad para transformar simultáneamente el entorno y las condiciones de su propia existencia. La complejidad computacional no sustituye la complejidad biológica; representa una modalidad distinta de organización.

Esta distinción posee importantes consecuencias para la filosofía de la inteligencia artificial. Una parte del debate contemporáneo oscila entre dos posiciones extremas: considerar que la inteligencia artificial reproducirá inevitablemente la inteligencia humana o sostener que nunca podrá superar el carácter instrumental de una máquina de cálculo. Los resultados de este trabajo sugieren una tercera vía. La inteligencia artificial no debe evaluarse únicamente por su semejanza con la mente humana, sino como una nueva forma de organización del conocimiento cuyos principios requieren categorías epistemológicas específicas.

Finalmente, la discusión permite formular una hipótesis de mayor alcance. Tal vez la principal aportación de la inteligencia artificial no consista en reemplazar determinadas capacidades humanas, sino en obligar a revisar nuestras propias categorías para comprender qué significa representar, aprender, organizar y conocer. Desde esta perspectiva, la inteligencia artificial deja de ser únicamente un objeto tecnológico para convertirse en un laboratorio epistemológico donde pueden ponerse a prueba las intuiciones fundamentales del pensamiento complejo.

Conclusión

Este trabajo partió de una pregunta aparentemente técnica: ¿qué relación existe entre los sistemas analógicos y la inteligencia artificial generativa?, para mostrar que dicha cuestión conduce, en realidad, a uno de los problemas centrales de la epistemología contemporánea: la transformación de las formas de representación del conocimiento. El recorrido realizado permite afirmar que la inteligencia artificial no representa simplemente la culminación del paradigma digital, sino la aparición de una nueva modalidad de organización del conocimiento en la que la discontinuidad computacional reconstruye una continuidad relacional mediante espacios matemáticos de representación. Para describir esta transformación se ha propuesto el concepto de analogía matemática, entendido como el paso desde una analogía basada en la continuidad física hacia una analogía fundada en la organización geométrica de las relaciones.

Esta propuesta permite superar una oposición que durante décadas pareció evidente: la contraposición entre sistemas analógicos y sistemas digitales. La inteligencia artificial demuestra que la discretización de la información no conduce necesariamente a una fragmentación del conocimiento. Por el contrario, puede producir nuevas formas de continuidad relacional donde el significado emerge de la organización y no de los elementos aislados. Desde esta perspectiva, la revolución de la inteligencia artificial no consiste únicamente en aumentar la capacidad de cálculo de las máquinas, sino en modificar profundamente la manera como concebimos la representación, el aprendizaje y la producción del conocimiento.

Sin embargo, el objetivo de este trabajo no ha sido atribuir a la inteligencia artificial propiedades que no posee. El diálogo con Gregory Bateson, Humberto Maturana, Francisco Varela, Jean Piaget y Stanislas Dehaene ha permitido mostrar que los modelos generativos participan de ciertas características de los sistemas complejos —emergencia, organización distribuida, aprendizaje relacional, capacidad predictiva—, pero no reproducen las condiciones biológicas, históricas y existenciales que caracterizan la cognición humana. La inteligencia artificial organiza información; los seres vivos organizan simultáneamente información, vida, experiencia y sentido.

Es precisamente en este punto donde el pensamiento de Edgar Morin adquiere toda su fuerza interpretativa. La complejidad no constituye únicamente una teoría sobre la organización de los sistemas; representa una concepción del conocimiento y de la condición humana. Comprender significa distinguir sin separar y relacionar sin confundir. Significa reconocer que el conocimiento siempre permanece abierto a la incertidumbre, que toda organización conserva un margen de imprevisibilidad y que la realidad desborda permanentemente las categorías mediante las cuales intentamos comprenderla.

La inteligencia artificial confirma, paradójicamente, una de las intuiciones fundamentales de Morin: cuanto más poderosos son nuestros instrumentos de conocimiento, más evidente resulta que ningún conocimiento puede pretender agotar la complejidad de lo real. Los modelos generativos producen organizaciones matemáticas de extraordinaria sofisticación; sin embargo, esa sofisticación no elimina la incertidumbre. Al contrario, hace aún más visible que el significado nunca se reduce a la correlación estadística, que la comprensión no se identifica con la predicción y que la verdad no puede confundirse con la probabilidad.

La principal aportación del paradigma de la complejidad consiste precisamente en recordar que el conocimiento humano se construye siempre en la tensión entre orden y desorden, entre certeza e incertidumbre, entre autonomía y dependencia, entre individuo y comunidad. La inteligencia artificial puede participar de algunas de estas dinámicas organizacionales, pero permanece ajena a la dimensión existencial donde el ser humano experimenta el riesgo de decidir, la responsabilidad de actuar y la vulnerabilidad de vivir. Ningún algoritmo conoce la angustia de la incertidumbre ni la esperanza que acompaña toda búsqueda auténtica de sentido.

Esta constatación conduce al núcleo filosófico de la propuesta moriniana: la ética de la relación, o, en sus propios términos, la ética de la religación. Para Morin, la tarea del conocimiento no consiste únicamente en explicar el mundo, sino en restablecer los vínculos que la fragmentación del saber moderno ha tendido a romper: los vínculos entre las disciplinas, entre la razón y la sensibilidad, entre el individuo y la comunidad, entre la humanidad y la biosfera, entre el conocimiento y la responsabilidad. Conocer es, ante todo, religar.

Vista desde esta perspectiva, la inteligencia artificial constituye una extraordinaria herramienta de organización del conocimiento, pero no puede sustituir la tarea humana de la religación. Puede establecer correlaciones entre millones de documentos, descubrir regularidades invisibles para el observador y producir síntesis de notable calidad. Sin embargo, la decisión acerca del sentido de esas relaciones, de su valor ético, de sus consecuencias políticas y de su significado para la vida humana pertenece a otra esfera del conocimiento: la de la deliberación, la responsabilidad y la conciencia.

Esta diferencia resulta especialmente significativa en un momento histórico en el que la fascinación por el rendimiento tecnológico puede conducir a identificar inteligencia con capacidad de procesamiento. El pensamiento complejo invita a resistir esta reducción. La inteligencia humana no se limita a organizar información; integra memoria, imaginación, experiencia, afectividad, corporeidad, cultura e historia. Sobre todo, integra la capacidad de reconocer al otro como otro y de asumir la responsabilidad que nace de esa relación.

Por ello, el verdadero desafío planteado por la inteligencia artificial no consiste únicamente en desarrollar sistemas más potentes, sino en preservar aquello que hace singular a la experiencia humana. La incertidumbre no constituye una deficiencia que deba eliminarse mediante algoritmos cada vez más precisos; constituye una condición de la libertad, de la creatividad y de la apertura al futuro. Del mismo modo, el error no representa únicamente un fallo del conocimiento; es también una fuente permanente de aprendizaje. La complejidad enseña que la riqueza de la existencia humana nace precisamente de esa interacción inestable entre certeza e incertidumbre, entre estabilidad y transformación.

En este horizonte aparecen dimensiones que ninguna arquitectura computacional puede producir por sí misma: el amor entendido como reconocimiento y cuidado del otro; la poesía como capacidad de revelar significados que desbordan toda descripción objetiva; la sabiduría como integración prudente entre conocimiento, experiencia y juicio; la compasión como sensibilidad frente a la vulnerabilidad compartida; y la responsabilidad ética como conciencia de las consecuencias de nuestros actos. Estas dimensiones no son añadidos ornamentales del conocimiento humano; constituyen el núcleo mismo de aquello que convierte la inteligencia en humanidad.

La inteligencia artificial puede escribir poemas, pero no habita la experiencia poética; puede hablar del amor, pero no conoce el encuentro, la pérdida ni la fidelidad; puede formular razonamientos éticos, pero no responde moralmente por sus decisiones; puede organizar inmensas redes de información, pero no participa de la aventura existencial mediante la cual los seres humanos buscan sentido en medio de la incertidumbre. Allí donde el cálculo concluye, comienza el espacio de la experiencia vivida.

En este sentido, el paradigma de la complejidad ofrece una orientación decisiva para el desarrollo futuro de la inteligencia artificial. No se trata de oponer la tecnología al humanismo, ni de enfrentar la inteligencia humana con la inteligencia artificial. Se trata de comprender que ambas pertenecen a órdenes diferentes de organización y que únicamente una relación de complementariedad permitirá aprovechar el inmenso potencial de la inteligencia artificial sin empobrecer la riqueza irreductible de la condición humana.

La verdadera cuestión, por tanto, no es si las máquinas llegarán algún día a parecerse a los seres humanos, sino si los seres humanos serán capaces de conservar aquello que ninguna máquina puede reemplazar: la capacidad de religar conocimientos dispersos con vidas concretas; de transformar información en comprensión; de convertir comprensión en sabiduría; de hacer de la incertidumbre un espacio para la creación; de encontrar en la poesía una forma de verdad que ninguna estadística puede expresar; y de reconocer que el amor, la solidaridad y la responsabilidad constituyen las formas más altas de inteligencia.

La inteligencia artificial inaugura una nueva etapa en la historia de la representación y del conocimiento. El pensamiento complejo recuerda que la historia de la humanidad no depende únicamente de la potencia de sus instrumentos cognitivos, sino de la calidad de las relaciones que es capaz de construir. En un mundo cada vez más digitalizado, la tarea más urgente quizá no sea producir inteligencias artificiales cada vez más eficaces, sino formar inteligencias humanas cada vez más capaces de religar ciencias y humanidades, razón y sensibilidad, innovación y responsabilidad, conocimiento y sabiduría. En esa tarea, la inteligencia artificial podrá convertirse en un aliado de enorme valor; pero el horizonte seguirá siendo profundamente humano. Porque allí donde la organización matemática alcanza su límite, comienza el territorio irreductible de la relación, de la conciencia, de la poesía y de la ética. Es en ese territorio donde el pensamiento complejo encuentra su plena justificación y donde continúa recordándonos que el destino del conocimiento no es únicamente comprender el mundo, sino contribuir a hacerlo más humano.

---

1 Este ensayo hace parte de un ciclo de ejercicios espirituales durante el verano parisino 2026 en donde se entretejen conversaciones personales con el lenguaje formal de la IA y el natural de mis lecturas y vivencias con Edgar Morin. Los errores e ilusiones me incumben; dejaré al lector atento el cuidado con alucinaciones y, eventuales, sesgos algorítmicos.

2 Filósofo colombo-francés con estudios de pregrado y posgrado en Filosofía en la Universidad Sorbonne-Paris IV (actual Sorbonne-Université), especializado en la obra de Edgar Morin. Doctor Honoris Causa en Humanidades por la Universidad de Caldas (2010), la Universidad Ricardo Palma (2013) y la Universidad Nacional Abierte y a Distancia (2021).