.jpg.jpg)
La inteligencia artificial (IA) ha irrumpido en nuestras comunidades científicas acompañada de ofertas difíciles de ignorar: lee y resume grandes cantidades de documentos, detecta patrones latentes, formula hipótesis preliminares, confronta argumentos, apoya revisiones sistemáticas y puede contribuir a ejercicios de metaanálisis mediante la comparación de resultados acumulados en múltiples investigaciones. Además, asiste a tareas que requieren mucho esfuerzo y demandan tiempos que hoy son cada vez más escasos. Esos aportes son atractivos: alivian la preparación de clases y charlas, agilizan las postulaciones a proyectos, aceleran las publicaciones y facilitan el cumplimiento de las exigencias de productividad que rigen nuestra supervivencia académica.
Pero conviene evitar un entusiasmo acrítico. Ciertamente, la IA amplía nuestras capacidades cognitivas, pero eso no la convierte, hasta ahora, en un “sujeto que piensa”. Puede procesar mucha información, pero no decide por sí misma qué resulta relevante en un mundo socialmente significativo. Puede apoyar eficientemente el trabajo de investigadores/as, pero no reemplaza su juicio ni su capacidad interpretativa, ni los libera de su responsabilidad intelectual.
La distinción es importante: no estamos, hasta donde hoy disponemos, ante dispositivos dotados de la capacidad de observar autónomamente el mundo desde una posición exterior o superior. Tenemos, más bien, megaprogramas entrenados sobre enormes sedimentaciones de comunicaciones previas; esto significa que trabajan con materiales que ya se han producido en la sociedad. Heredan conocimientos y, por lo tanto, también pueden reproducir, amplificar o estabilizar sesgos, omisiones, lenguajes dominantes, categorías naturalizadas y jerarquías establecidas. Su potencia combinatoria no equivale, por sí misma, a la capacidad de advertir qué vacíos cognitivos son relevantes.
Como lo hicieron antes las bibliotecas, los archivos, las bases estadísticas, las bases de datos o los programas de análisis, la IA está modificando las condiciones de producción de conocimiento. Su valor, hasta el momento, está en operar como una infraestructura cognitiva. Lo que marca su diferencia es que esa infraestructura no solo recupera y almacena información, sino que también redacta, sugiere, argumenta y produce textos argumentativamente verosímiles. Justamente allí se sitúan sus principales debilidades, riesgos y peligros.
Cuando se soslayan sus riesgos, el peligro no consiste simplemente en que la IA se equivoque, simule o distorsione. Eso ya lo sabemos. Puede inventar referencias, producir afirmaciones plausibles pero débiles, exagerar conclusiones, amplificar desviaciones, minimizar incertidumbres o transformar asociaciones en explicaciones. Para las ciencias sociales, este problema es especialmente delicado.
Nuestros objetos de estudio no han dejado de ser contingentes e históricos. Comprenderlos exige criterio, contexto, teoría, prudencia interpretativa y responsabilidad. La IA puede detectar regularidades en miles de documentos —también en encuestas, entrevistas y comunicaciones en plataformas mediáticas de todo tipo—, pero no puede acceder por sí misma a una comprensión situada de su sentido: aquella que remite a contextos de experiencia, horizontes de relevancia, formas de interpretación compartidas y condiciones sociales desde las cuales una comunicación adquiere significado.
Esta limitación remite a una discusión ampliamente reconocida en la investigación contemporánea sobre IA. Los especialistas la denominan grounding, es decir, el problema de cómo vincular símbolos, palabras y representaciones con aquello a lo que efectivamente refieren. Se trata de que los sistemas actuales pueden establecer relaciones sofisticadas entre textos, conceptos y comunicaciones, pero ello no implica que comprendan los contextos de experiencia que les confieren significado. En otras palabras, pueden operar sobre descripciones del mundo sin participar directamente en las condiciones que las hacen emerger.
Este desafío ha impulsado nuevas líneas de investigación orientadas a desarrollar sistemas mejor conectados con su entorno mediante modelos del mundo, capacidades multimodales e interacción con ambientes físicos. Sin embargo, permanece abierta la pregunta sobre si esos avances remiten a una limitación técnica progresivamente superable o si estamos frente a una restricción más profunda. Para las ciencias sociales, este punto es decisivo, pues recuerda que lo significativo no surge únicamente de correlaciones entre datos, sino también de contextos históricos, experiencias compartidas y procesos sociales de interpretación, siempre dinámicos y no lineales. Precisamente allí se sitúan las fronteras que separan el procesamiento de información de la comprensión situada del sentido social.
¿De qué se trata todo esto? La IA puede analizar con gran eficacia lo que las personas y organizaciones declaran sobre sus experiencias, pero no puede acceder directamente a ellas ni participar en las condiciones sociales desde las cuales esas experiencias se producen y describen. Una entrevista, una encuesta o un documento no contienen la acción, la emoción o la vivencia “en sí misma”, sino una forma comunicativa de describirla. No se trata, por cierto, de atribuir a la investigación social un acceso inmediato a la experiencia vivida. También ella trabaja con relatos, registros, observaciones, indicadores y reconstrucciones. Su diferencia no reside en superar toda mediación, sino en hacerla metodológicamente visible, teóricamente controlable y reflexivamente discutible. Por eso debemos ser cautelosos: se pueden detectar patrones en esas descripciones, pero no por ello se identifican automáticamente los sentidos o las motivaciones de las acciones.
Por ejemplo, en una investigación que realizamos sobre jubilación académica, los/as entrevistados/as pueden declarar que el factor económico es la razón decisiva para postergar el retiro. La IA podría reconocer correctamente la recurrencia de ese argumento en nuestras entrevistas y concluir que el problema central es previsional o financiero. Sin embargo, una observación más cuidadosa puede mostrar que esa explicación económica puede operar también como una justificación socialmente legítima, mientras que otros factores decisivos remiten a dimensiones psicosociales como la pérdida de reconocimiento, el debilitamiento de vínculos, el temor a la irrelevancia, el desanclaje identitario o la ausencia de una arquitectura institucional de transición. Estos aspectos muchas veces solo se expresan en escenarios de mayor confianza, o aparecen de manera lateral, fragmentaria o indirecta; pueden insinuarse en silencios, vacilaciones, inflexiones de voz, gestos, miradas o frases inconclusas, cuando el diseño de investigación permite registrar esas dimensiones no estrictamente textuales.
Algo semejante ocurre cuando se pretende analizar un acontecimiento social situado, como una manifestación en un estadio o en una universidad. La IA puede describir con eficacia lo que se comunica sobre ese acontecimiento —notas de prensa, publicaciones en redes sociales, registros audiovisuales, declaraciones o testimonios— e incluso puede proponer inferencias plausibles a partir de sucesos equivalentes previamente registrados. Pero no accede al suceso “tal como fue” o “tal como está ocurriendo” en toda su complejidad. Incluso cuando trabaja con imágenes, videos o transmisiones, lo hace sobre registros mediados por encuadres, ángulos, cortes, relatos o condiciones técnicas de observación.
El problema no es que las respuestas, testimonios o imágenes sean falsas, sino que son selecciones comunicativas sobre una experiencia o un suceso, no la experiencia ni el suceso en sí mismos. Allí reside un punto ciego: la IA puede procesar con eficacia relatos, declaraciones y formas de atribución de sentido, pero las ciencias sociales no deben olvidar que esas elaboraciones son observaciones de observaciones, no la realidad social observada sin mediaciones.
Ante lo anterior, la disyuntiva no es si debemos usar o no la IA. Esa pregunta llega tarde: la tecnología ya forma parte de nuestro entorno. La pregunta relevante es bajo qué condiciones usarla. Para avanzar en ello se requiere observar sistemáticamente cómo la IA procesa, distingue, selecciona, jerarquiza y, sobre todo, con qué criterios deja algo fuera. Esa tarea exige supervisión humana experta y controles metodológicos. Se requiere observar cómo observa la IA. Esa observación de segundo orden es hoy una condición básica para cualificar sus apoyos.
Aquí las ciencias sociales tienen ventaja: sus debates las han acostumbrado a sospechar de los instrumentos que producen información sobre la realidad. Sabemos que toda observación usa distinciones; que toda clasificación incluye y excluye; que toda descripción organiza el mundo que pretende describir. Esa tradición puede ser decisiva para incorporar la IA sin subordinarse a ella. Desde esa mirada, la cuestión es cómo la IA se acopla con organizaciones —universidades, medios, laboratorios, empresas, Estados y comunidades científicas— que la emplean para seleccionar lo que cuenta como información, problema o evidencia y, desde ahí, la reintroducen en la sociedad a través de decisiones y nuevas comunicaciones.
La consigna no es, entonces, defender las formas de investigación social anteriores a esta tecnología. Tal nostalgia es inútil; su apropiación es recomendable y necesaria. El desafío es construir una investigación social capaz de usar la IA sin perder reflexividad. Así, puede desplegarse como la poderosa infraestructura cognitiva que es: una que será intelectualmente fecunda si permanece inscrita dentro de prácticas críticas, situadas y metodológicamente controladas. Pero si su fluidez discursiva puede hacernos olvidar la diferencia entre descripciones automatizadas y realidad observada, la pregunta decisiva no es si debemos usarla, sino otra: ¿bajo qué condiciones podremos hacerlo sin delegar en ella el juicio crítico que transforma información en conocimiento social relevante y significativo?