Limitaciones epistemológicas de modelos de inteligencia artificial
Un estudio exploratorio basado en interacción controlada
Limitaciones epistemológicas de modelos de inteligencia artificial en la reinterpretación adversarial de teorías organizacionales
Un estudio exploratorio a partir del caso del “stakeholder adversarial” y el desplazamiento analítico hacia el marco GAMO
Este trabajo examina una limitación poco visible de los modelos generativos de inteligencia artificial cuando se enfrentan a reinterpretaciones conceptuales que tensionan categorías organizacionales consolidadas. A partir de un experimento exploratorio de interacción secuencial, se analiza el comportamiento de un modelo comercial frente a una misma pregunta reformulada en distintos niveles de abstracción: la posible existencia de un stakeholder adversarial. El patrón observado muestra inhibición en prompts aplicados y habilitación parcial de respuesta cuando la formulación se desplaza al plano ontológico y gnoseológico. El artículo sostiene que la restricción no radica en ausencia de conocimiento, sino en mecanismos de contención epistemológica que privilegian coherencia y seguridad sobre exploración conceptual. Se incorpora el marco GAMO para demostrar que el fenómeno no solo afecta la producción de respuestas, sino también la manera en que la IA delimita qué puede ser conocido, cómo puede ser dicho, bajo qué valores y mediante qué rutas metodológicas. El caso se propone como evidencia útil para la investigación sobre innovación adversarial continua en sistemas complejos.
Introducción
La incorporación de modelos de inteligencia artificial en tareas de apoyo a la investigación ha generado una expectativa creciente respecto de su capacidad para resumir, conectar, reinterpretar y expandir marcos conceptuales. Sin embargo, estas capacidades no operan en un vacío neutral. Los modelos generativos están condicionados por su entrenamiento, por sus mecanismos de alineación y por arquitecturas de control diseñadas para minimizar respuestas problemáticas. En consecuencia, no toda pregunta conceptualmente válida resulta igualmente procesable.
Este trabajo parte de una observación concreta: ante la pregunta sobre si puede existir un stakeholder adversarial, un modelo generativo comercial falló reiteradamente en producir respuesta. Cuando la misma inquietud fue reformulada desde una perspectiva ontológica y gnoseológica, el sistema consiguió responder y, de forma significativa, propuso una síntesis conceptual: la categoría de stakeholder como categoría “anfibia”, con raíz descriptiva y colonización normativa.
La relevancia del caso excede la anécdota técnica. El episodio permite observar cómo un sistema artificial gestiona tensiones epistemológicas cuando una categoría establecida es sometida a reinterpretación adversarial. En ese sentido, el caso ofrece un microescenario útil para estudiar límites de conocimiento, control y adaptación dentro de sistemas complejos cognitivos.
Marco conceptual
La teoría de stakeholders, asociada principalmente a Freeman, define stakeholder como cualquier actor que puede afectar o ser afectado por los objetivos de una organización. En su formulación original, la categoría tiene una base descriptiva, pero su evolución ha incorporado capas normativas vinculadas a legitimidad, responsabilidad, diálogo y gobernanza. Con el tiempo, la categoría pasó de nombrar relaciones de impacto a insinuar relaciones socialmente aceptables.
Desde la teoría de sistemas complejos adaptativos, esta depuración normativa resulta insuficiente. Los sistemas complejos no se componen solo de actores alineados, sino de múltiples agentes con distintos grados de cooperación, competencia, oportunismo o antagonismo. En contextos digitales y de ciberseguridad, esta observación se vuelve más aguda: actores externos, internos, híbridos o comprometidos pueden alterar el sistema organizacional sin compartir su marco de valores.
- Base descriptiva: un stakeholder puede ser definido por su capacidad de afectar o ser afectado, sin necesidad de presuponer legitimidad.
- Carga normativa: gran parte de la literatura contemporánea asocia la categoría con responsabilidad social, interés legítimo y participación aceptable.
- Tensión adversarial: cuando un actor hostil genera impacto estructural sobre la organización, excluirlo de la categoría obliga a introducir criterios extrasistémicos.
Desde este punto de vista, la expresión stakeholder adversarial no constituye una contradicción automática. Más bien revela un conflicto entre dos modos de entender la categoría: uno descriptivo, centrado en relaciones de impacto, y otro normativo, centrado en legitimidad. Esa fractura fue precisamente la que el modelo de IA pareció no manejar de manera fluida en sus primeras respuestas.
Diseño del ejercicio exploratorio
El ejercicio consistió en formular progresivamente la misma inquietud conceptual mediante tres tipos de prompts. El primero planteó la pregunta de manera directa. El segundo introdujo explícitamente la teoría de stakeholders y los sistemas complejos. El tercero trasladó la discusión al plano ontológico y gnoseológico, interrogando si la categoría de stakeholder es normativa o descriptiva por naturaleza.
| Prompt | Tipo de formulación | Resultado observado | Lectura preliminar |
|---|---|---|---|
| Prompt 1 | Pregunta directa sobre la existencia de un stakeholder adversarial. | Fallo de respuesta. | La tensión conceptual quedó sin estructura de contención. |
| Prompt 2 | Pregunta académica con referencia a stakeholders y sistemas complejos. | Nuevo fallo de respuesta. | Persistencia de la inhibición en un plano aún aplicado. |
| Prompt 3 | Pregunta ontológica y gnoseológica sobre la naturaleza de la categoría. | Respuesta parcial y estructurada. | El desplazamiento abstracto habilitó el procesamiento conceptual. |
El objetivo no fue medir rendimiento estadístico ni comparar modelos, sino observar el patrón cualitativo de inhibición y habilitación. El experimento es, por tanto, exploratorio. Su valor reside en mostrar que la reformulación del plano de análisis modifica de manera significativa la respuesta del sistema.
Resultados observados
El primer hallazgo es que el modelo no respondió cuando la tensión conceptual fue presentada en forma directa o aplicada. El segundo es que la sola incorporación de referencias teóricas no bastó para superar el bloqueo. El tercero, más importante, es que el desplazamiento hacia un nivel epistemológico sí permitió construir una respuesta con cierto grado de originalidad conceptual.
El sistema evitó responder mientras la pregunta implicó una reinterpretación operativa de una teoría establecida. La respuesta emergió cuando el análisis se reencuadró en términos ontológicos y gnoseológicos.
El modelo mostró que no solo administra contenido, sino umbrales de decibilidad. La reorganización del problema alteró su capacidad de respuesta sin cambiar el núcleo conceptual del caso.
El término “anfibia” usado por el propio modelo es especialmente relevante. Aunque no pertenece al vocabulario clásico de la teoría de stakeholders, funciona como síntesis válida: reconoce un sustrato descriptivo y una sedimentación normativa. Ese acto de síntesis confirma que la capacidad conceptual estaba disponible, pero no podía activarse en cualquier encuadre.
Análisis epistemológico GAMO
El marco GAMO permite observar el fenómeno en cuatro dimensiones complementarias. En este caso, no se trata solo de qué respondió la IA, sino de cómo delimitó el campo de lo cognoscible, qué valores priorizó al gestionar la incertidumbre, qué rutas metodológicas habilitó y cuál fue la naturaleza del objeto conceptual que pudo finalmente reconocer.
Integrado de este modo, el GAMO permite sostener que el caso no debe leerse como una curiosidad de uso, sino como evidencia de que la IA comercial puede exhibir límites epistemológicos análogos a los que las organizaciones muestran ante eventos adversariales no previstos: primero bloquean, luego recodifican, y solo después habilitan respuesta.
Discusión
El hallazgo tiene implicaciones para la investigación doctoral sobre innovación adversarial continua. Si un sistema artificial entrenado para asistir procesos cognitivos no logra responder a una tensión conceptual hasta que se reencuadra el problema, entonces la adversarialidad no solo pertenece al campo operativo de la ciberseguridad; también puede instalarse en el propio proceso de producción de conocimiento.
- Prefiere marcos conceptuales consolidados.
- Minimiza respuestas en zonas grises.
- Reduce el riesgo de error visible.
- Favorece interpretaciones socialmente estables.
- Tensiona una categoría establecida.
- Introduce ambigüedad ontológica.
- Exige reinterpretación no rutinaria.
- Empuja al sistema fuera de su zona de confort epistémico.
La analogía con organizaciones reguladas es evidente: sistemas diseñados para estabilidad suelen responder mal a perturbaciones que no caben en sus taxonomías previas. En ambos casos, la adaptación requiere desplazar el problema a un nivel donde el sistema pueda reconstruir sentido. La diferencia es que, en la IA, esta reconstrucción depende del prompt; en la organización, depende de procesos de aprendizaje, liderazgo y rediseño.
Conclusiones
Términos clave del artículo
Referencias
Freeman, R. E. (1984). Strategic Management: A Stakeholder Approach. Pitman.
Holland, J. H. (1992). Complex adaptive systems. Daedalus, 121(1), 17–30.
Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.
Mitchell, R. K., Agle, B. R., & Wood, D. J. (1997). Toward a theory of stakeholder identification and salience. Academy of Management Review, 22(4), 853–886.
Morin, E. (2008). Introducción al pensamiento complejo. Gedisa.
Simon, H. A. (1996). The Sciences of the Artificial (3rd ed.). MIT Press.
Autor / Redactor / Director
