Autores y corrientes: en qué se apoya la tesis

Que el rendimiento de una tecnología se decida en su trama humana y no en su mérito técnico puede ser una opinión cómoda o un hallazgo. La diferencia está en de dónde viene la afirmación, y este capítulo responde la pregunta que el método suele dejar en el aire: ¿en qué se apoya todo esto? No hace falta leerlo antes de las aplicaciones, y quien viene de La tesis del puente va a encontrar desarrollados acá nombres que allá aparecieron en miniatura, como Tavistock, Latour o Kenia.

Lo que sigue no es una revisión de literatura. Una revisión ordena un campo para mostrar que se lo conoce; este capítulo ordena un campo para mostrar de qué cuelga un argumento. Son ocho corrientes, y de cada una importan dos cosas: su idea-fuerza, reducida a lo que aporta y sin la deferencia del resumen académico, y sobre todo el lugar que ocupa en la estructura de la tesis. La ficha bibliográfica de cada fuente, con su estado de verificación, está en la Bibliografía; acá se ofrece el andamiaje.

Antes de tomarlas una por una, importa ver la forma del conjunto, porque es la que da fuerza al argumento. Las ocho corrientes vienen de disciplinas que no se frecuentan (la sociología industrial de posguerra, la antropología de la ciencia, la ingeniería de la información, la economía de la innovación, la psicología social de las organizaciones, entre otras) y se escribieron a lo largo de siete décadas, sin diálogo entre sí. Aun así, convergen. Que tradiciones tan distantes lleguen al mismo punto es lo que convierte esa afirmación en un hallazgo. El andamiaje no es una colección de citas de apoyo, sino esa convergencia ordenada como estructura.

El cimiento: la organización como sistema sociotécnico

En el origen está la corriente que le da nombre a todo lo demás. A comienzos de los años cincuenta, Eric Trist y Ken Bamforth, del Tavistock Institute, estudiaron la mecanización de la minería del carbón inglesa y se toparon con una anomalía que fundó una disciplina: una tecnología objetivamente superior bajó la productividad.¹ La explicación no estaba en la máquina. La mecanización había desarticulado la organización social del trabajo, los equipos pequeños y autorregulados que repartían tareas, cubrían ausencias y sostenían la moral bajo tierra, sin reponer nada que cumpliera esa función. De ese hallazgo sale el principio que ordena la disciplina. Toda organización productiva tiene un subsistema social (personas, roles, cultura, relaciones) y uno técnico (herramientas, procesos, tecnología), y su rendimiento no depende de optimizar cada uno por separado, sino de su optimización conjunta. Los dos subsistemas se optimizan juntos o fracasan juntos: mejorar uno solo, por real que sea la mejora, puede degradar el todo.

La palabra “social” invita a un malentendido, el de lo blando, y hay que desactivarlo de entrada. El subsistema social no es el clima ni la motivación, sino la estructura con que se organiza el trabajo: quién decide, quién cubre a quién, cómo se reparte la autonomía. La prueba más fina vino de comparaciones posteriores dentro de la misma minería. Una misma tecnología de tajo largo rendía distinto según cómo se la organizara: si se fragmentaban las tareas, el rendimiento caía; si se conservaba la autorregulación del grupo, no. La máquina era idéntica en ambos casos, y lo que movía el resultado era el diseño de la organización del trabajo. Es la demostración más limpia de que el subsistema social es una variable de ingeniería y no un residuo a administrar.

La tradición posterior del diseño sociotécnico convirtió ese hallazgo en método. Con el método ETHICS, Enid Mumford agregó el corolario operativo que el principio dejaba implícito: si el subsistema social es parte del sistema, el diseño tiene que involucrar a quienes van a usarlo.² No por cortesía ni por búsqueda de consenso, sino porque solo ellos conocen el proceso real que el sistema deberá soportar. La participación de los usuarios es, en ese sentido, ingeniería de requisitos. Esta corriente es el cimiento del argumento: justifica la afirmación central, toda organización es un sistema sociotécnico, y la primera regla del método, leer lo social antes de tocar lo técnico.

El principio de Mumford tiene además una cara que el presente vuelve nítida: la de los mecanismos institucionales con que se ejerce ese involucramiento frente a la IA. La literatura reciente los documenta en los consejos de empresa que negocian el uso de IA en la industria tecnológica alemana, habilitados por la reforma de su ley de organización empresarial.³ La participación deja de ser solo una técnica de diseño (el taller, el co-diseño del eslabón 1) y adquiere una capa de poder: quién tiene derecho formal a incidir en lo que un sistema decide sobre el trabajo. Es la extensión natural del diseño justo hacia lo institucional, con un matiz que el método no oculta. Esos casos vienen de contextos de alta densidad sindical, y en el tejido pyme latinoamericano el mecanismo rara vez es formal: cambia el instrumento, no el principio de dar voz al trabajador.

La investigación más reciente matiza, a su vez, la idea misma de optimización conjunta. Amanollahnejad et al. (2026) extienden la teoría de sistemas sociotécnicos (STST, por su sigla en inglés) a la adopción de IA en 27 pymes del Reino Unido. Muestran que la optimización conjunta no es un destino, sino una negociación recursiva hecha de alineación episódica, bricolaje técnico y liderazgo episódico, y con eso matizan cualquier relato de madurez lineal e irreversible.⁴

El mecanismo: por qué un artefacto “funciona”

La teoría sociotécnica diagnostica que hay dos subsistemas, pero no explica por qué la articulación entre ellos se logra o se pierde. Ese mecanismo lo aporta la teoría del actor-red de Bruno Latour, Michel Callon y John Law, cuya tesis es más radical: lo técnico y lo social no son dos esferas que haya que coordinar, sino una sola red de actores humanos y no-humanos. Un artefacto no “funciona” por sus propiedades internas. Funciona cuando logra la traducción, es decir, cuando enrola a los actores que lo rodean y alinea sus intereses lo suficiente para que cada uno se reconozca en él y encuentre una razón propia para sostenerlo.⁵ El éxito deja de ser una propiedad intrínseca de la tecnología y pasa a ser un logro relacional. Donde la traducción falla, el artefacto no resulta bueno ni malo: queda ignorado.

Esta corriente le pone nombre al verbo de la tesis, traducir, y funda uno de sus conceptos propios: la traducción en carne y hueso, la idea de que la traducción la hace una persona y no un documento. También clausura una ilusión de método, la de que la adopción es un paso posterior al diseño o un problema de capacitación que se resuelve después. Si “funcionar” es haber traducido, la adopción es la prueba misma de si el diseño comprendió a alguien. Sumadas, la sociotécnica y el actor-red componen la tesis del puente: el problema es de dos subsistemas (Tavistock) y la solución es traducir entre ellos (Latour).

La traducción, además, no es un acto único sino un proceso con momentos, que Callon describió en su estudio fundacional. Primero se problematiza: se define el asunto de modo que los demás actores necesiten pasar por uno. Después se interesa, fijando a cada actor en ese papel; se enrola, cuando lo aceptan, y se moviliza, cuando actúan en consecuencia. Nombrar esos momentos le sirve al método porque vuelve diagnosticable el punto donde se rompe una adopción. Una iniciativa puede haber problematizado bien y fracasar en el enrolamiento, o enrolar a unos pocos y no movilizar a nadie. La traducción no se gana ni se pierde en bloque, sino por tramos, y cada tramo es un lugar concreto donde mirar.

El motor: conducir el cambio, no decretarlo

Así planteada, la tesis del puente es un diagnóstico estático. Dice que hay dos subsistemas y que el éxito consiste en alinearlos, pero no dice cómo se interviene en el subsistema social para lograrlo. Ese verbo lo aporta la gestión del cambio organizacional, y por eso esta corriente es el motor de la tesis: si la sociotécnica diagnostica, la gestión del cambio es la terapéutica.

El esqueleto canónico viene de Kurt Lewin y tiene tres momentos: descongelar (crear la necesidad y desinstalar la inercia), cambiar (la transición real) y recongelar (estabilizar lo nuevo para que no revierta). John Kotter lo volvió operativo en ocho pasos, que van de la urgencia y la coalición guía hasta los logros tempranos y el anclaje en la cultura.⁶ Juan Díaz Barrios aportó la sustancia que hay debajo del procedimiento: un cambio integral se sostiene en delegación, comunicación, colaboración, participación y aprendizaje, no en el anuncio.⁷ Los tres comparten una idea: el obstáculo del cambio es humano (hábito, miedo, sentido), no técnico. Eso enlaza de inmediato con la participación de Mumford y con el enrolamiento de la traducción, porque lograr que los actores se reconozcan en lo nuevo es, en términos prácticos, descongelar y volver a congelar.

Acá hace falta frenar y ser honesto, porque esta es la corriente más expuesta a pasar por ciencia lo que es práctica codificada. El “modelo de Lewin” tal como circula es en buena parte una construcción posterior. Según documenta la relectura de Cummings, Bridgman y Brown, Lewin nunca escribió “recongelar” como un modelo cerrado; la idea quedó en una subsección menor de su obra.⁸ Los ocho pasos de Kotter, por su parte, son literatura prescriptiva de práctica directiva, no investigación con grupo de control. El argumento los usa como mapas útiles de un proceso y no como teoría empírica fuerte. El peso empírico de la tesis lo cargan sobre todo la corriente sociotécnica y la evidencia de campo del final del capítulo. La gestión del cambio aporta el verbo, y es mejor decirlo antes de que lo señale un lector advertido.

La misma lectura se extiende a la cultura, que es donde el cambio suele trabarse. Edgar Schein (2010) distingue tres niveles de cultura: los artefactos, los valores declarados y los supuestos básicos tácitos. Un diagnóstico serio tiene que bajar hasta el tercero y no quedarse en el póster de la misión. Henderson y Venkatraman (1993) y Gupta et al. (2020) insisten en la alineación entre negocio, TI y cultura, y Westerman et al. (2011) suman el liderazgo y la preparación cultural antes de escalar digitalmente. Shokrollahi Yancheshmeh (2026) recuerda que el cambio tecnológico sin cambio cultural suele fracasar cuando la infraestructura y el talento ya son escasos. El puente usa estos marcos como un mapa descriptivo que conduce a la teoría de sistemas sociotécnicos, no como una doctrina alternativa.

En el plano de la ejecución, el Manifiesto Ágil (2001) y la investigación DORA recogida en Accelerate (Forsgren et al.) bajan ese cambio a ciclos cortos con entregas verificables, que el eslabón 2 desarrolla. Complementan la lectura sociotécnica del eslabón 1 sin sustituirla, y recuerdan que el producto evoluciona mientras hay usuarios que lo prueban en su trabajo: tratarlo como un proyecto que “termina” el día de la puesta en producción destruye la adopción.

De esta corriente, el argumento usa más un corolario que los modelos mismos: la relectura de la resistencia. En la lengua corriente, “resistencia al cambio” nombra una obstrucción irracional que hay que vencer. Leída desde el subsistema social, es información: dice qué amenaza el cambio, sea un control que se pierde, una competencia que deja de valer o una fuente de poder que no figura en ningún organigrama. Quien la trata como obstáculo pierde el dato; quien la lee como síntoma encuentra el punto del subsistema social que el diseño no contempló. El cambio bien conducido no aplasta la resistencia: la descifra.

La bajada a la era de la IA: la IA centrada en el humano

Las tres corrientes anteriores nacieron antes de la IA contemporánea, y hacía falta una que llevara el principio sociotécnico a la era de los modelos. Esa es la IA centrada en el humano. Ben Shneiderman propone combinar alta automatización con alto control humano y muestra que no forman una disyuntiva: los sistemas mejor diseñados son a la vez más autónomos y más gobernables.⁹ Virginia Dignum sistematiza la IA responsable (transparencia, rendición de cuentas, valores incorporados al diseño), y Cathy O’Neil documenta el reverso: el daño concreto de los modelos opacos que esconden sesgos a escala y se vuelven inauditables justo cuando más deciden sobre la vida de la gente.¹⁰

La idea-fuerza de la corriente es que la IA debe amplificar a las personas, quedar bajo su control y darles confianza, no aislarlas ni reemplazarlas. Es la traducción directa de la tesis sociotécnica a la era de la IA, y sostiene el eslabón 4 del método y dos conceptos propios: IA como extensión del criterio y valor en la persona, no en el modelo. Es también el punto donde el andamiaje teórico toca el marco normativo. La auditabilidad y el control humano que la HCAI (human-centered AI) plantea como buen diseño son, en el plano regulatorio, lo que exigen instrumentos como el EU AI Act o el AI Risk Management Framework del NIST. La teoría y la gobernanza piden lo mismo en dos lenguas distintas.

La forma más precisa de la propuesta de Shneiderman es un cambio de eje. El sentido común imagina una sola palanca, en la que más automatización implica menos control humano y viceversa. Su marco separa esa palanca en dos ejes independientes: el grado de automatización de la máquina y el grado de control de la persona. El cuadrante deseable no es el de mucha automatización y poco control, ni el inverso, sino el de ambos altos, con sistemas muy capaces que la persona sigue gobernando. Esa separación disuelve el falso dilema entre potencia y control, y es la versión técnica del principio de optimización conjunta: no se elige entre la máquina y la persona, se las optimiza juntas. Lo que la hace posible es la explicabilidad. Un sistema que no se puede explicar no se puede controlar y, por lo tanto, no se adopta: se tolera, y a la primera duda se abandona.

La era de los agentes pone a prueba ese cuadrante, porque un sistema que ejecuta solo parece dejar sin lugar al control humano. La respuesta, que desarrolla La extensión agéntica, es que el control se corre de cada decisión al diseño de las reglas con que el agente decide, y que cuanto más autónomo es el sistema, más alto tiene que estar el eje del control.

Entre esta corriente y la del actor-red hay una tensión que vale la pena marcar, porque sostienen el argumento desde supuestos opuestos. El actor-red es simétrico por método: trata a humanos y no-humanos con el mismo vocabulario y se niega a privilegiar de antemano a unos sobre otros. La IA centrada en el humano es asimétrica por principio, porque pone a la persona en el centro como criterio último de valor. Lejos de anularse, se reparten el trabajo. El actor-red describe cómo se estabiliza de hecho un sistema, quién se enrola y qué intereses se traducen; la IA centrada en el humano indica hacia qué configuración debería estabilizarse: la que le devuelve criterio a la persona. Una dice cómo es el mundo y la otra hacia dónde vale la pena moverlo. Es el mismo reparto que más adelante ordena el uso de Rogers: descripción y norma son herramientas distintas, y no hay que confundirlas.

La exigencia material: el dato como aptitud para el uso

Una tesis sobre IA no puede quedarse en la organización y el criterio. La IA se alimenta de datos, y los datos tienen una corriente propia que el argumento necesita. Richard Wang y Diane Strong establecieron que la calidad de datos no es exactitud técnica sino aptitud para el uso (fitness for use) en un contexto, y la descompusieron en dimensiones que van mucho más allá de la corrección: intrínseca, contextual, de representación y de accesibilidad.¹¹ Thomas Redman aporta el costado económico y de gestión. Documenta que la mala calidad de datos es ante todo un problema de procesos y no de tecnología, y que le cuesta a la mayoría de las organizaciones una fracción nada trivial de sus ingresos, del orden del 15% al 25%.¹²

Esta corriente sostiene el eslabón 3 del método y el concepto del dato que miente: un dato puede estar técnicamente impecable y aun así mentir, porque su significado depende de un contexto humano que en algún momento se perdió. Definir la calidad por la aptitud para el uso, y no por la exactitud, desplaza el problema de la base de datos a la organización. Un dato es de mala calidad cuando no sirve para la decisión que alguien tiene que tomar con él, y eso no se arregla con un script. La calidad de datos es, en el fondo, un problema social que se manifiesta en una tabla.

Esa definición tiene dos consecuencias que la convierten en un problema de gestión. La primera es que la calidad es relativa a la decisión. El mismo conjunto de datos puede ser excelente para una decisión y pésimo para otra sin que cambie un solo valor, porque lo que cambió fue el uso; no existe un dato “de calidad” en abstracto. La segunda es que la calidad se determina aguas arriba, en el proceso que genera el dato, y no aguas abajo, en la base que lo almacena. Un dato es la huella de un acto humano: alguien cargó un campo con un criterio. Si ese acto está mal diseñado o mal incentivado, ninguna limpieza posterior recupera lo que nunca se registró. Por eso la calidad de datos no se ataca con herramientas de calidad de datos, sino interviniendo el proceso que los ensucia.

La condición previa: madurez y capacidad de absorción

Antes de elegir qué tecnología incorporar, una organización tiene que estar en condiciones de absorberla. Esa es la corriente de la madurez. (Una aclaración de orden: el andamiaje se expone en secuencia de construcción, de cimiento a mecanismo y motor, pero en el método esta corriente va primera, porque medir la madurez antes de comprar es la regla número uno de la tesis.) Jan Jöhnk, Malte Weißert y Katrin Wyrtki sistematizaron la preparación para la IA como un fenómeno multidimensional. A partir de un estudio cualitativo destilaron 18 factores de readiness agrupados en cinco categorías: alineación estratégica, recursos, conocimiento, cultura y datos.¹³ La lección es que no alcanza con tener tecnología; hacen falta las condiciones organizacionales para sostenerla. Esos factores fundamentan el concepto de madurez sociotécnica, la regla de medir la madurez primero y la base teórica del modelo IMIA.

Pero una lista de factores describe un estado, y la madurez es un proceso. El mecanismo dinámico que le falta a Jöhnk lo habían aportado treinta años antes Wesley Cohen y Daniel Levinthal con la capacidad de absorción: la habilidad de una organización para reconocer el valor de un conocimiento externo, asimilarlo y aplicarlo depende del conocimiento que ya tiene, y es por eso acumulativa y dependiente de la trayectoria.¹⁴ Eso muestra algo que la foto de factores no ve. Una organización sin historia de datos ni analítica no puede “comprar IA” y absorberla de golpe, porque le falta el conocimiento previo que la volvería legible. La madurez no es el inventario de factores presentes (la foto), sino la capacidad de aprender acumulada en el tiempo (la película). Por eso el diagnóstico que abre el método lee trayectoria y no solo estado.

Ese mecanismo esconde además una propiedad que invierte la intuición habitual sobre la adopción: la capacidad de absorción se autorrefuerza. Como depende del conocimiento previo, cada inversión en aprender ensancha la base que abarata el aprendizaje siguiente. Del mismo modo, su ausencia se perpetúa: quien no acumuló no puede reconocer el valor de lo que le falta y, por eso, no invierte en adquirirlo. La madurez no se puede saltear con una compra, porque lo que falta no es la herramienta sino la trayectoria que la vuelve aprovechable, y esa trayectoria no se vende por separado.

El ritmo: la adopción como proceso social

Hasta acá el andamiaje explica por qué la adopción se logra o se pierde, pero no a qué ritmo ni en qué orden ocurre. Everett Rogers mostró que la adopción de una innovación no es un evento, sino un proceso social que se despliega en el tiempo y dibuja una curva en S. Ofreció además dos lentes que el argumento usa una y otra vez. La primera reparte a la población en cinco categorías según cuándo adopta (innovadores, adoptantes tempranos, mayoría temprana, mayoría tardía y rezagados), cada una con motivos distintos. La segunda explica la velocidad, que depende de cinco atributos percibidos de la innovación: la ventaja relativa, que es el mejor predictor, la compatibilidad, la complejidad, la trialabilidad (poder probarla) y la observabilidad (ver sus resultados).¹⁵ Lo decisivo es el adjetivo. Son atributos percibidos por quien adopta, no propiedades técnicas objetivas del artefacto. Es la tesis del actor-red dicha en otra clave: lo que Latour planteó como relacional, Rogers lo precisa como percibido, porque el peso no está en el artefacto sino en la cabeza de quien decide adoptarlo.

El valor de esta lente es que vuelve diagnosticable la frase “la adopción fracasa”. Una iniciativa de IA no se frena porque la tecnología sea mala, sino porque, para sus usuarios reales, puntúa bajo en compatibilidad (choca con cómo trabajan), en complejidad (no la entienden) o en observabilidad (nadie ve el resultado). La lente explica también un patrón persistente que Geoffrey Moore llamó el abismo: el piloto entusiasma a innovadores y adoptantes tempranos y muere al cruzar hacia la mayoría temprana, porque se diseñó para quien tolera fricción y no para quien exige que la cosa simplemente funcione.¹⁶ De ese patrón sale una regla del método: diseñar para la mayoría temprana desde el principio, no para el entusiasta.

Ninguna corriente exige tanta cautela como esta, porque es la que más fácilmente se desliza de la descripción a la prescripción. Rogers es difusionista: tiende a suponer que adoptar es bueno y que el único problema es acelerar. La tesis del puente no acepta ese supuesto, porque el experimento de Kenia y el trabajo de O’Neil muestran que adoptar sin juicio puede ampliar el daño. Por eso Rogers se usa de modo descriptivo, para entender cómo y a qué ritmo se difunde algo, y nunca de modo normativo, porque adoptar no es un fin en sí. El filtro normativo lo pone el criterio humano que defiende la IA centrada en el humano; sin él, la curva en S puede estar difundiendo un daño a escala, y más rápido. Tampoco hay que sobreinterpretar el dato más citado de Rogers: su síntesis de estudios atribuye a los cinco atributos percibidos entre el 49% y el 87% de la varianza en las tasas de adopción, pero ese es un rango agregado de la literatura, no una constante medida en un experimento.

Rogers aporta, por último, dos ideas que el método trata como palancas de diseño y no como descripciones pasivas. La primera es la reinvención: quienes adoptan rara vez toman una innovación tal como viene, sino que la modifican mientras la adoptan, y esa adaptación, lejos de ser una desviación que corregir, suele ser la condición para que la adopción se sostenga. La segunda es que dos de los cinco atributos percibidos, la observabilidad y la trialabilidad, no son propiedades fijas del artefacto. El diseño puede fabricarlas, volviendo visible un resultado que estaba oculto o dejando probar sin compromiso. Leídos así, los atributos de Rogers dejan de ser un termómetro de por qué algo no se adopta y pasan a ser una lista de intervenciones. Cada atributo bajo es un lugar donde el diseño puede trabajar antes de que la curva en S decida sola.

El sustrato: conocimiento tácito y construcción de sentido

Las siete corrientes anteriores forman un flujo. La octava no es un paso de ese flujo, sino el suelo sobre el que se apoyan todas: la del conocimiento tácito y la construcción de sentido. Michael Polanyi la formuló con una frase que se volvió célebre, “sabemos más de lo que podemos decir”: buena parte del conocimiento experto es tácito, está encarnado en la práctica y no se puede codificar del todo en un manual o un documento.¹⁷ Karl Weick aportó el complemento. Las organizaciones no encuentran el sentido de los hechos, lo construyen, de manera retrospectiva, social y guiada por la plausibilidad antes que por la exactitud. Además enactúan el entorno que después miden (en el vocabulario de Weick, actúan sobre él y así lo crean en parte), de modo que las categorías con que registran el mundo terminan moldeando el mundo que ven.¹⁸

Estas dos ideas son los padrinos epistémicos de los conceptos propios, y por eso la corriente corre por debajo de las demás. La traducción en carne y hueso es Polanyi llevado al puente. Leer una organización descansa en un saber tácito que no se transfiere por documento, así que la traducción la tiene que hacer una persona y no un entregable; por la misma razón, la traducción del actor-red tiene que ser encarnada. El dato que miente es Weick. Un dato no dice la verdad por sí solo: significa dentro de un acto situado de construcción de sentido. Cuando ese contexto se pierde, o cuando la organización enactuó mal la categoría que mide, el dato queda impecable y aun así engaña. Wang y Strong dan el lado normativo (qué es un dato de calidad); la construcción de sentido de Weick da el lado descriptivo (por qué su significado es frágil). Anclar el vocabulario propio en estas dos corrientes lo saca de la metáfora: deja de ser una imagen feliz y pasa a ser un concepto defendible.

También acá hace falta declarar la posición. Apoyarse en lo tácito de Polanyi instala una tensión conocida con la gestión del conocimiento de Nonaka, para quien buena parte de lo tácito sí puede explicitarse y codificarse. La tesis toma partido a sabiendas. Lo codificable se codifica, y para eso están los sistemas, la documentación y los modelos, pero el núcleo del juicio organizacional sigue siendo tácito, y por eso la traducción la hace una persona. No se niega la codificación; se niega que agote el saber.

Cada una de estas ideas tiene una estructura interna, y es ahí, más que en la frase célebre, donde empieza a operar. En Polanyi, el conocimiento tácito tiene una forma “desde-hacia”: uno se apoya en particulares que no puede enunciar, como el tacto de la mano o la lectura de un gesto, para atender a un todo que sí reconoce. Por eso se sabe más de lo que se dice, y por eso ese saber se transfiere conviviendo con la práctica y no leyéndola. En Weick, la construcción de sentido es un ciclo: la organización enactúa el entorno, selecciona una interpretación plausible de lo que pasó y la retiene como marco para la próxima vez. La consecuencia para los datos es severa. Una organización no mide un mundo que estaba ahí, sino las categorías que enactuó, y después esas categorías le devuelven un mundo que confirma lo que ya creía. El dato no solo puede mentir por perder contexto; también puede mentir por haber sido construido para no ver.

En este punto la corriente se cruza con la de O’Neil, y la conexión merece quedar explícita. Si una organización mide las categorías que enactuó, con sus puntos ciegos incluidos, un modelo entrenado sobre esos datos no aprende la realidad. Aprende las categorías enactuadas y después las reproduce y amplifica a escala. El sesgo del modelo rara vez nace en el algoritmo: nace en la construcción de sentido previa que fijó qué se mide y qué se ignora. El dato que miente, automatizado, se vuelve un sesgo que escala. Para el método, la consecuencia no es obvia: la lectura sociotécnica del eslabón 1 es también control de sesgo, porque audita las categorías antes de que el modelo las herede sin preguntar de dónde salieron.

La evidencia que lo confirma

Sin evidencia de campo, el andamiaje sería solo un edificio teórico. La evidencia no es teoría, pero forma parte del argumento, y alcanzan tres piezas.

El experimento de Kenia mostró que la IA generativa ayudó a los emprendedores de alto rendimiento, alrededor de un 15% más, y perjudicó a los de bajo rendimiento, alrededor de un 8% menos, porque estos seguían consejos genéricos sin el juicio necesario para filtrarlos.¹⁹ Es la prueba de campo de que la IA sin un criterio humano que la oriente puede ampliar las desigualdades en vez de cerrarlas. El Technology and Innovation Report 2025 de la UNCTAD documenta, en otra escala, que la oportunidad de la IA para el desarrollo convive con una “brecha de cómputo” que excluye a los más chicos: la inclusión no es automática, hay que diseñarla.²⁰ Y los datos de la CEPAL muestran una penetración de IA inferior al 4% en América Latina frente a más del 20% en Europa, junto con una brecha dentro de cada país tan ancha como la que separa a las regiones: en Brasil, 41% de las grandes firmas usa IA frente a 11% de las pymes.²¹ Esa distancia entre la firma grande y la pyme, que el capítulo sobre pymes desarrolla, es el terreno donde trabaja el puente.

Dónde se para la tesis entre el hype y el anti-hype

Este andamiaje académico convive con un debate de divulgación más ruidoso. Vale la pena ubicarlo, aunque la tesis del puente no necesita tomar partido en él. En un extremo, el optimismo tecnológico invita a sentar siempre a la IA a la mesa y la lee como amplificadora de agencia. En el otro, la crítica desarma el hype de las grandes tecnológicas y enseña a distinguir lo que la IA puede de lo que no.²² El puente es indiferente a esa disputa. Si la IA es tan potente como dice el optimismo, más urgente es gobernarla, porque es un multiplicador con signo; si es tanto humo como dice la crítica, más necesario es el diagnóstico que separa dónde paga de dónde no. La posición que mejor rima con el argumento es la intermedia: leer la IA como tecnología normal, gradual y mediada por instituciones, y no como una singularidad. Es la misma postura que sostiene la adopción sin teleología y el uso descriptivo de Rogers. La normalidad no es tibieza, sino la condición para que el trabajo institucional, el del puente, sea lo que decide el resultado.

Cómo se articulan (el andamiaje en una imagen)

   sociotécnica (Tavistock/Mumford)  ── el problema es de DOS subsistemas
              +
   actor-red (Latour)                ── el éxito es TRADUCIR y alinear actores
              =  TESIS DEL PUENTE
              ↓ que se enacta conduciendo el cambio
   cambio (Lewin/Kotter/Díaz B.)     ── el puente se cruza, no solo se dibuja
              ↓ aplicada a la era de la IA
   HCAI (Shneiderman/Dignum/O'Neil)  ── la IA amplifica a la persona o la daña
              ↓ que le impone tres exigencias
   calidad de datos (Wang&Strong)    ── sin dato fiel, la IA miente rápido
   madurez (Jöhnk; Cohen&Levinthal)  ── sin capacidad de absorber, la IA resta
   difusión (Rogers/Moore)           ── la adopción es proceso social, no evento
              ↓ confirmado por evidencia
   Kenia / UNCTAD / CEPAL            ── sin juicio ni diseño, la IA amplía brechas

Por debajo de toda esta estructura corren el conocimiento tácito de Polanyi y la construcción de sentido de Weick. No son un paso del flujo, sino el sustrato epistémico de los conceptos propios que atraviesan cada eslabón: la traducción en carne y hueso y el dato que miente. Leído así, el capítulo no enumera ocho autores. Muestra una sola conclusión sostenida por siete caminos que no se conocían entre sí y por un octavo que los funda desde abajo. Esa es la fuerza del andamiaje, y la razón por la que la tesis no depende de ninguna corriente en particular.

Ver también: La extensión agéntica · La tesis del puente · Los cuatro eslabones · Conceptos propios · El puente aplicado a las pymes · Bibliografía