Nuestro cerebro, a diferencia de los ordenadores, es más analógico que digital porque es mucho más barato (y porque no vivimos en Matrix)

La gran diferencia entre Matrix y el mundo real, más allá de si un pollo sabe realmente a pollo y de otras consideraciones menores, es que el mundo real es inmensamente más grande que Matrix. Tan grande, diverso y minucioso que, a efectos prácticos, resulta inabarcable.

Matrix, en cambio, es necesariamente finito. Está delimitado por la memoria del programa, por el software y por el hardware que lo ejecuta. Por sofisticada que parezca, no deja de ser una versión simplificada y de menor resolución de la realidad que pretende reproducir. El mundo real puede contener Matrix porque es el mundo real el que ha producido Matrix, no al revés.

Esta es también una de las razones por las que nuestro cerebro se parece más a un sistema analógico que a uno digital. Ha evolucionado dentro de un mundo continuo, ruidoso, ambiguo y extraordinariamente rico en matices. Matrix, por el contrario, es digital. Puede simular esa continuidad, pero debajo de la simulación siempre hay una cantidad finita de estados, reglas y recursos computacionales.

Esto compete también a la inteligencia artificial.

En último término, sus operaciones se apoyan en estados discretos y secuencias de ceros y unos. El cerebro, en cambio, no encaja por completo en esa descripción, aunque tampoco puede considerarse una máquina puramente analógica. Es ambas cosas a la vez, pero no porque contenga una sección digital y otra analógica perfectamente separadas. Ambas lógicas aparecen entrelazadas en casi todos sus niveles de organización.

Las neuronas transmiten impulsos eléctricos que poseen un carácter discreto. Cuando el potencial de la membrana supera cierto umbral, se produce un potencial de acción. Si no lo supera, no se produce. En ese sentido, la neurona se comporta como un interruptor y el impulso se parece a una señal digital capaz de propagarse sin degradarse progresivamente.

Sin embargo, las condiciones que propician el disparo son continuas. La neurona integra señales excitatorias e inhibitorias, concentraciones de neurotransmisores, ritmos de otras células, cambios metabólicos y estados generales del organismo. Estas variables modifican gradualmente la probabilidad de que alcance el umbral. Una ola crece de forma continua hasta que rompe. La ruptura constituye un acontecimiento discontinuo, pero no puede entenderse al margen del movimiento que la ha producido.

El cerebro explota esa combinación. Las señales discretas aportan fiabilidad, velocidad y resistencia al ruido. Los procesos continuos ofrecen sensibilidad a los grados, plasticidad y adaptación al contexto. Gracias a ambos, el sistema nervioso puede preservar diferencias claras sin renunciar a los matices.

La distinción entre analógico y digital tampoco coincide con la diferencia entre humano y artificial. Un ordenador digital puede representar procesos continuos con enorme precisión, mientras que un organismo biológico puede recurrir a acontecimientos discretos. La cuestión no consiste únicamente en averiguar qué clase de señales utiliza cada sistema, sino cómo las organiza, qué las regula y dentro de qué totalidad adquieren significado.

Por eso, describir el cerebro como un ordenador híbrido todavía puede inducir a error. Sugiere que se parece a una máquina formada por módulos diferenciados, unos analógicos y otros digitales. Pero en el cerebro, por el contrario, lo continuo genera acontecimientos discretos y estos vuelven a transformar las condiciones continuas de la red. Los impulsos neuronales son puntuales, pero sus efectos dependen del ritmo, la sincronía, el estado corporal y la historia previa del organismo.

La inteligencia artificial convierte aspectos del mundo en datos para poder procesarlos. El cerebro forma parte del mundo que procesa. Sus señales no se limitan a representar desde fuera un cuerpo y un entorno, sino que participan en su regulación, su movimiento, su percepción y su supervivencia. Conocer no es aquí una operación separada de vivir. Es una de las maneras mediante las que el organismo mantiene su relación con la ecología de la que forma parte.

El seguimiento continuo de la homeostasis, la regulación del comportamiento y la planificación de proyectos prolongados resultarían extraordinariamente costosos si el organismo tuviera que gestionarlos mediante una sucesión exhaustiva de instrucciones precisas. El cerebro no calcula a cada instante todos los valores posibles para elegir después una respuesta exacta. Trabaja con gradientes, umbrales, patrones y aproximaciones. No necesita resolver desde cero, milisegundo a milisegundo, el problema de continuar vivo.

El físico y matemático Freeman Dyson, en una conversación publicada por Edge en 2001 bajo el título Is Life Analog or Digital?, señaló que el control cotidiano de un organismo no puede depender de la especificación detallada de cada estado del mundo. Mientras el sistema terminase de describir una situación compleja, esa situación ya habría cambiado. Su hijo, el historiador de la tecnología George Dyson, llevó esta intuición un paso más allá en Turing’s Cathedral, primero como ensayo publicado en Edge en 2005 y después como libro en 2012. Allí resumió con cierta ironía la lógica del ordenador digital mediante una instrucción elemental semejante a «haz esto con lo que encuentres aquí y lleva el resultado allí». Para que la máquina pueda obedecerla, deben estar definidos con exactitud el «esto», el «aquí», el «allí» y también el momento preciso de la operación. Basta con que un bit aparezca en el lugar o el instante equivocados para que todo el proceso pueda detenerse. Se necesita, pues, una gran precisión.

Esa precisión constituye una de las mayores virtudes del procesamiento digital. También es una de sus mayores debilidades. Cuantos más estados deban distinguirse y más excepciones deban contemplarse, mayor será el número de operaciones necesarias. Los sistemas digitales modernos pueden aprender, generalizar y tolerar variaciones, pero suelen conseguirlo mediante enormes cantidades de cálculo, datos e infraestructura.

El cerebro sigue otra estrategia. No recibe una descripción completa del mundo para consultar después una tabla de respuestas. Opera con información incompleta, categorías porosas y regularidades aproximadas. Reconoce una cara aunque cambien el ángulo, la expresión o la iluminación. Mantiene el equilibrio sin calcular explícitamente la posición de cada fibra muscular. Puede reaccionar ante una amenaza antes de haber identificado todos sus detalles.

Un sistema de control exhaustivo podría dirigir una mano especificando la tensión de cada músculo, la posición exacta de cada articulación y la corrección necesaria ante cualquier desviación. El cerebro reduce el problema mediante sinergias. Activa patrones coordinados de movimiento y los modifica a partir de la información sensorial que recibe mientras la acción ya está en marcha. No gestiona cada músculo como un titiritero que controlase miles de hilos independientes.

Por ello, las diferencias en el consumo energético de ambos sistemas pueden llegar a ser enormes. Los ordenadores digitales obtienen buena parte de su potencia mediante la ejecución vertiginosa de cantidades gigantescas de operaciones elementales. Cada operación individual requiere muy poca energía, pero su acumulación a gran escala exige electricidad, memoria, sistemas de refrigeración y una infraestructura física considerable. En el caso de los grandes centros de datos dedicados a la inteligencia artificial, el consumo puede alcanzar decenas o incluso cientos de megavatios. Un complejo de 100 MW requiere, mientras funciona a plena potencia, tanta electricidad como unas 80.000 viviendas que consumiesen de media 1,25 kW cada una. Mantenido durante un año, supondría unos 876 GWh de electricidad y, a un precio de 0,10 euros por kWh, una factura cercana a los 88 millones de euros anuales solo en electricidad.

El cerebro, en cambio, consume alrededor de veinte vatios (una potencia comparable a la de una bombilla LED doméstica) y con ellos sostiene la percepción, el aprendizaje, el movimiento, la regulación fisiológica y la conducta social.

El cerebro no alcanza esa eficiencia limitándose a realizar los mismos cálculos que un ordenador con componentes extraordinariamente mejores. En buena medida, organiza el problema de otra manera. Selecciona, comprime, anticipa, descarta y completa. En lugar de reconstruir el mundo con el máximo detalle posible, mantiene modelos parciales y los corrige continuamente a medida que recibe nueva información y actúa sobre su entorno.

La información neuronal, además, no reside únicamente en el hecho discreto de que una neurona dispare o permanezca en silencio. También pueden importar la frecuencia de los impulsos, el intervalo entre ellos, su sincronización con la actividad de otras neuronas y, sobre todo, la arquitectura de la red en la que esos impulsos adquieren significado. El código neuronal no es uno solo. Dependiendo del circuito y de la función, el cerebro puede explotar tasas de disparo, patrones temporales, sincronías y actividad colectiva de poblaciones enteras de neuronas.

George Dyson ha señalado algo semejante al analizar los motores de búsqueda y las redes sociales. Aunque estas plataformas se ejecuten sobre procesadores digitales, una parte de la información que manejan no reside en elementos aislados, sino en propiedades globales de la red. Importa qué se conecta con qué, cuántas veces ocurre, en qué orden, con qué intensidad y dentro de qué entramado de relaciones.

Un enlace aislado dice relativamente poco. Millones de enlaces organizados forman una estructura capaz de revelar relevancia, autoridad, afinidades o tendencias que ninguno de ellos contiene por separado. Algo parecido sucede en una red social. El significado no está únicamente en cada usuario, publicación o interacción, sino también en el patrón que forman conjuntamente. Dos redes pueden contener exactamente el mismo número de nodos y conexiones y, sin embargo, comportarse de maneras radicalmente distintas dependiendo de cómo estén organizados.

En este sentido, el cálculo significativo no siempre se encuentra en cada operación elemental, sino también en la configuración dinámica que emerge de las relaciones entre ellas. El procesador continúa siendo digital, pero aquello que queremos conocer puede estar distribuido por toda la red. La información deja entonces de parecerse a una colección de objetos almacenados y empieza a parecerse más a una propiedad de la organización del sistema.

Esta organización permite reconocer una clase a través de ejemplares muy distintos. Un perro pequeño, uno grande, uno quieto y otro corriendo no generan exactamente la misma actividad neuronal. El cerebro tampoco necesita comparar cada animal con una definición exhaustiva. Detecta una constelación de relaciones suficientemente semejante a patrones que ha aprendido con anterioridad.

La indeterminación de esas plantillas constituye una ventaja. Permite transferir respuestas a situaciones nuevas, tolerar información incompleta y actuar antes de disponer de todos los datos. Un organismo que esperase a reconocer una amenaza con absoluta certeza reaccionaría, con frecuencia, demasiado tarde.

La selección natural no ha favorecido cerebros capaces de producir descripciones perfectas del mundo, sino organismos capaces de responder con suficiente acierto y con un coste asumible. La percepción y la decisión han evolucionado bajo restricciones de tiempo, energía e información. Su aparente imprecisión no es el residuo de una ingeniería deficiente, sino una solución a la imposibilidad física de procesarlo todo.

La eficiencia cerebral procede así de una renuncia sistemática a la precisión innecesaria. Allí donde basta una silueta, el cerebro no dibuja cada poro. Allí donde una diferencia exige una respuesta inmediata, transforma un flujo continuo en un sí o un no.

Nada de esto rebaja las ventajas del procesamiento digital. La velocidad, la precisión y la resistencia al ruido pueden resultar decisivas para la supervivencia. Cuando el margen de reacción se mide en milisegundos, una señal inequívoca ofrece una ventaja evidente.

Sin embargo, digitalizar significa transformar una variación continua en unidades delimitadas. Se gana claridad, velocidad y reproducibilidad, pero deben descartarse algunas diferencias. Toda digitalización depende de una resolución. Aquello que cae por debajo de ella deja de distinguirse.

Un mapa de metro funciona del mismo modo. Omite las pendientes, la vegetación, las fachadas y la forma exacta de las calles. Esa pérdida no es un defecto accidental, sino la condición de su utilidad. Al eliminar detalles, vuelve visibles las relaciones necesarias para desplazarse. El error aparece cuando confundimos el mapa simplificado con la ciudad. O Matrix con el mundo real. O los consejos de la IA del mercado en un ecosistema económico dado y el mercado funcionando.

Lo analógico y lo digital no se oponen aquí como la riqueza frente a la pobreza. Toda representación selecciona, incluidas las analógicas. La ventaja de lo digital reside en estabilizar determinadas diferencias. Su limitación aparece cuando la resolución elegida elimina variaciones que después resultaban relevantes. Lo que nunca se ha registrado no puede recuperarse mediante una reconversión posterior.

La corteza prefrontal participa de forma destacada en esta integración. Interviene en la planificación, el control inhibitorio, la evaluación de alternativas, el mantenimiento de objetivos y la adaptación a normas sociales. No constituye un centro soberano donde residan por sí solos la personalidad, el carácter o la voluntad. Estas propiedades emergen de redes mucho más amplias.

La corteza prefrontal funciona más bien como una zona de confluencia. Allí se reorganiza información procedente de la percepción, la memoria, la emoción, la motivación y el estado corporal. Una decisión no resulta de sumar esos datos como si fueran cifras independientes. Cada señal modifica la interpretación de las demás.

Una expresión facial puede percibirse como una amenaza, una ironía o una muestra de complicidad según quién la realice, dónde aparezca y qué haya ocurrido antes. El contexto no se añade después a una percepción ya terminada. Participa en la propia construcción de lo que estamos percibiendo.

En los niveles superiores de la cognición predominan, por ello, patrones distribuidos y graduados. Una opción no está simplemente activada o desactivada. Puede resultar más o menos deseable, urgente, peligrosa o compatible con otros objetivos. Varias posibilidades compiten, cambian de peso y se reorganizan conforme aparece nueva información.

Decidir si debemos apartarnos de un objeto que se aproxima puede exigir una respuesta rápida. Decidir si debemos confiar en una persona, abandonar un trabajo o renunciar a una recompensa inmediata requiere integrar recuerdos, expectativas, estados emocionales y futuros posibles. No existe un umbral físico único que determine la respuesta.

La memoria también depende de esta dinámica. Recordar no consiste en recuperar una copia intacta. Cada recuerdo se reactiva desde el estado presente del organismo y puede verse modificado por él. El pasado regresa atravesado por los conocimientos, las preocupaciones y las emociones actuales. Los patrones conservan continuidad sin quedar congelados.

Esa plasticidad hace posible el aprendizaje. Una instrucción completamente rígida solo puede ejecutarse o descartarse. Un patrón graduado puede ajustarse, incorporar excepciones y cambiar su peso respecto a otros. Aprender no siempre exige borrar la estructura anterior. Con frecuencia consiste en deformar ligeramente el paisaje de posibilidades para que unas respuestas ganen probabilidad y otras la pierdan.

El cerebro tampoco anticipa un único futuro cerrado. Mantiene distribuciones de posibilidades. Algunos desenlaces parecen más probables, otros más peligrosos y otros apenas merecen recursos. Actuar exige revisar continuamente ese conjunto conforme cambia el entorno.

Esta flexibilidad resulta especialmente importante en la vida social. Las personas rara vez explicitan todas sus intenciones. Interpretamos tonos de voz, pausas, gestos, silencios y desviaciones respecto a expectativas compartidas. Una frase puede ser sincera, irónica, hostil o afectuosa sin que cambie ninguna palabra. Su significado reside en una configuración de relaciones, no solo en la secuencia verbal.

El cerebro puede desenvolverse en ese terreno porque no necesita una instrucción independiente para cada situación. Reconoce patrones suficientemente semejantes, incorpora la historia de la interacción y ajusta la respuesta sobre la marcha. Su ventaja no radica en la infalibilidad. Los mismos mecanismos pueden producir prejuicios, asociaciones engañosas y respuestas desproporcionadas. Su ventaja está en la adaptabilidad.

En los niveles superiores de procesamiento, lo analógico tampoco sustituye por completo a lo digital. Las deliberaciones graduadas desembocan a menudo en actos discretos. Podemos dudar durante horas, pero finalmente llamamos o no llamamos, firmamos o no firmamos, avanzamos o permanecemos quietos.

La acción modifica entonces el contexto y devuelve nueva información al sistema. La decisión transforma el entorno, el entorno produce señales y esas señales reajustan las expectativas. Lo analógico prepara y modula la elección. Lo digital contribuye a desencadenarla. El resultado vuelve a entrar en un mundo continuo que ya no es exactamente el mismo.

El cerebro obtiene buena parte de su flexibilidad de esta circulación. No convierte una sola vez señales analógicas en impulsos digitales para reconstruirlas después. Transita continuamente entre gradaciones y discontinuidades, entre configuraciones distribuidas y acontecimientos definidos.

Lo analógico permite regular muchas variables sin convertir cada ajuste en una instrucción independiente. Lo digital permite transmitir ciertas diferencias con rapidez y fiabilidad. La combinación produce un sistema estable sin ser rígido y flexible sin disolverse en el puro caos.

La inteligencia no reside en uno de los dos formatos. Surge del modo en que el cerebro pasa de uno a otro. Convierte corrientes continuas en diferencias relevantes, integra esas diferencias en patrones cargados de historia y contexto y vuelve a condensarlas en acciones concretas. Puede habitar el matiz sin renunciar a decidir.

Volvamos a invocar Matrix. La diferencia fundamental no es que uno de los mundos sea verdadero y el otro falso. Es que uno es abierto y el otro está cerrado. El mundo real es tan grande, cambiante, heterogéneo y minucioso que, a efectos prácticos, resulta inagotable. Matrix, por el contrario, tiene bordes. Puede ser gigantesco, pero está delimitado con escuadra y cartabón por aquello que sus diseñadores han decidido representar, por las variables que admite, por las relaciones que permite establecer y, finalmente, por el hardware que la sostiene.

El problema comienza cuando olvidamos esa diferencia y entregamos a sistemas digitales no solo tareas concretas, sino la administración creciente de nuestras sociedades. Qué recursos deben asignarse, qué comportamientos deben incentivarse, qué riesgos resultan aceptables, quién merece una oportunidad, qué opiniones son peligrosas o incluso qué normas morales deberían prevalecer. La tentación es comprensible. Si una máquina puede procesar más información que cualquier ser humano, parece razonable pensar que también podrá tomar mejores decisiones.

Sin embargo, muchos de los problemas más difíciles de una sociedad no son complicados porque contengan demasiadas variables conocidas. Son complejos porque una parte de la información relevante todavía no existe. Se genera mientras el sistema funciona.

Un precio de mercado, por ejemplo, no surge simplemente de introducir millones de datos en una fórmula suficientemente grande. Aparece de millones de decisiones locales que modifican las condiciones bajo las que tendrán lugar las siguientes decisiones. Alguien compra, otro deja de comprar, una empresa interpreta esa señal, cambia su producción, aparece un competidor, escasea un material, alguien encuentra un sustituto, cambian las expectativas y todo ello altera nuevamente el precio. La información no estaba esperando en algún lugar a que una inteligencia suficientemente poderosa la recogiera. Parte de ella ha sido creada por el propio proceso.

Por eso existe una diferencia profunda entre problemas que requieren mucho cálculo y problemas cuya solución debe ser descubierta por el propio sistema. Para los primeros, más computación puede ser extraordinariamente útil. Podemos simular proteínas, optimizar rutas, detectar patrones invisibles entre millones de observaciones o explorar espacios de posibilidades que ningún ser humano podría recorrer.

Los segundos pertenecen a otra categoría. Una sociedad más próspera, un ecosistema estable, una cultura científica fecunda o un mercado capaz de adaptarse no pueden describirse completamente de antemano porque dependen de agentes que aprenden, reaccionan, imitan, innovan y modifican precisamente el entorno que estamos intentando predecir. El comportamiento del sistema cambia como consecuencia de las decisiones tomadas sobre él. Es como las manos de Escher dibujándose mutuamente, aunque estamos hablando de trillones de manos y trillones de interacciones.

En esos casos, lo decisivo puede no ser aumentar la capacidad del planificador, sino preservar mecanismos descentralizados de exploración, retroalimentación, experimentación y selección. El mercado constituye un ejemplo, pero también la evolución biológica, determinados ecosistemas y, en otro sentido, la propia ciencia. Ninguna autoridad ha diseñado previamente todas las mutaciones que debía probar la evolución ni todas las hipótesis que debía producir la comunidad científica. El conocimiento aparece mediante variaciones, errores, competencia entre alternativas y correcciones sucesivas.

Eso no significa que la inteligencia artificial resulte inútil ante sistemas complejos. Precisamente puede ser extraordinariamente buena localizando regularidades dentro de cantidades de información que desbordan nuestra capacidad cognitiva. Puede condensar datos, revelar correlaciones, comparar alternativas y descubrir configuraciones que un investigador humano difícilmente advertiría. Pero opera sobre las huellas que el mundo ha conseguido dejar en forma de datos. Sobre un mundo ya muerto, fosilizado, digitalizado. No debe confundirse la capacidad para encontrar patrones dentro del mapa con la posesión del territorio entero.

Muchos tecnooptimistas pensarán que frente a la insuficiencia del modelo podríamos sentir la tentación de construir uno mayor. Más datos, más sensores, más parámetros, más centros de datos, más energía y modelos cada vez más detallados. En muchos problemas eso mejorará enormemente nuestras predicciones. Pero cuando pretendemos sustituir con ese modelo un proceso complejo y adaptativo, aumentar su resolución no elimina necesariamente la distancia con la realidad.

Incluso puede hacerla menos visible.

Cuanto más detallado sea el modelo, más decisiones tendremos que introducir en él acerca de qué variables importan, cómo deben medirse, qué relaciones merece la pena representar, qué objetivos optimizar y cómo suponemos que reaccionarán los agentes. Puede aumentar así la precisión matemática mientras aumenta simultáneamente el error epistemológico. El resultado puede ofrecer diez decimales y, sin embargo, estar respondiendo con extraordinaria exactitud a una pregunta mal formulada. A un futuro que nadie desea (o que incluso ni siquiera sabemos que no deseamos porque no hemos podido sentir las mieles de la retroalimentación de ese mismo futuro conformándose a cada paso que damos).

Entonces aparece una forma especialmente seductora de ignorancia, la claridad producida por la simplificación. Todo encaja porque aquello que no encajaba ha quedado fuera del modelo.

El mapa empieza a funcionar mejor que el territorio porque hemos decidido mirar únicamente aquello que figura en el mapa. Ni siquiera miramos ya el territorio. Nos conformamos con el mapa. Con la simulación. Con Matrix. Con las sombras de la cueva de Platón.

Y este riesgo se vuelve mucho mayor cuando la cuestión ya no consiste en calcular una trayectoria o clasificar una imagen, sino en decidir cómo debe funcionar una sociedad. ¿Cómo hacemos que una sociedad sea más feliz? ¿Cómo diseñamos un sistema completamente justo? ¿Cómo eliminamos la discriminación? ¿Cómo distribuimos óptimamente la vivienda? ¿Cómo conciliamos prosperidad, igualdad, libertad, seguridad y sostenibilidad? No son simplemente problemas con una cantidad gigantesca de información. Parte de la información necesaria permanece dispersa entre millones de personas, parte es tácita, parte cambia mientras intentamos medirla y parte todavía no ha sido creada porque dependerá de decisiones futuras. Del azar. De la serendipia. De un montón requiebros del destino.

Pretender resolverlos mediante una gigantesca inteligencia central recuerda, por ello, a una versión tecnológica del viejo sueño del planificador omnisciente, un Leviatán mecánico que convierte el mundo en su sueño utópico (ergo distópico).

Y precisamente porque sería capaz de procesar cantidades inimaginables de información, podríamos olvidar con mayor facilidad toda la que permanece fuera.

El peligro no consiste necesariamente en que la máquina se equivoque. Consiste en que acabemos modificando la sociedad para que deje de producir aquello que la máquina no sabe interpretar. Si una conducta resulta difícil de clasificar, la convertimos en una categoría. Si una preferencia es ambigua, exigimos que sea declarada. Si una relación humana no puede cuantificarse, buscamos una métrica. Si una decisión moral depende demasiado del contexto, escribimos una regla. Poco a poco, en lugar de construir máquinas capaces de desenvolverse en el mundo, empezamos a construir un mundo en el que puedan desenvolverse las máquinas.

Entonces sí habríamos entrado en Matrix. Porque nosotros mismos habríamos reducido el mundo hasta hacerlo computable. Habríamos sacrificado matices, excepciones, aprendizaje, disenso, experimentación y la posibilidad de descubrir soluciones mientras avanzamos. Habríamos confundido una descripción inteligible de la realidad con la realidad misma. Cuando la realidad, para ser realidad, debe ser en parte ser ininteligible, insondable, incluso por la más omniscientes deidades a las que rindamos pleitesía.

Oh, Oráluco de Delfos del LLM, no nos reveles el porvenir. Porque al revelarlo estarás boicoteándolo. Cuanto más precisa fuese la predicción, más difícil resultaría recordar que seguimos contemplando una representación. Que estamos entubados en Matrix experimentando la sensación de vivir cuando esa sensación solo sería vicaria.

El cerebro ha aprendido precisamente a sobrevivir en un mundo así. No intentando contenerlo entero, sino renunciando a hacerlo. Selecciona, aproxima, anticipa, corrige y vuelve a intentarlo. Puede habitar el matiz sin renunciar a decidir. Se equivoca, y eso es bueno. Nunca alcanza el consenso, vade retro.

Quizá una inteligencia artificial realmente adecuada para gobernar sistemas humanos debería aprender la misma lección. No aspirar a encerrarlo todo dentro de Matrix, sino reconocer cuánto del mundo continuará siempre fuera de ella y, en un rapto de lucidez, admitir que no tiene ni repajolera idea de nada de lo que le estamos preguntando.

Te recuerdo que ya está a la venta mi nuevo libro.

Hipercomplejidad aborda cómo podemos abordar un mundo en el que hay problemas cada vez más complejos. Qué límites hay a la hora de resolverlos. Qué conocimientos o técnicas podemos adoptar y fomentar para hacerlo lo mejor posible.

Hipercomplejidad propone ocho enfoques complementarios para pensar el mundo contemporáneo: el epistémico, el algorítmico, el sistémico, el hipersocial, el de las crisis complejas, el de la resolución de problemas, el de la optimización humana y el numinoso. No son recetas, sino modos de mirar. Herramientas para distinguir lo importante de lo accesorio, detectar las falsas certezas y actuar cuando no sabemos lo suficiente.