Data, Big Data, Huge Data (y 6)

Terminamos esta serie de entradas relativas a la data, big data y la huge data, explicando, justamente, este último concepto, de muy reciente incorporación al canpo de la informática. Mientras que Big Data sentó las bases para procesar volúmenes masivos mediante computación distribuida y esquemas flexibles, la Huge Data emerge de la convergencia entre la hiperconectividad masiva, la descentralización de los dispositivos y la integración nativa con sistemas de inteligencia artificial de alta complejidad. 

En realidad Huge Data (datos masivos o datos enormes) no es un término técnico formal con una definición única y estandarizada como Big Data. En la industria y el ámbito académico, se usa principalmente de dos maneras: una evolución descriptiva que trasciende las capacidades del Big Data, y otra como una expresión enfática o incluso irónica, para referirse a un espacio informativo inmenso y descontrolado. El punto central de la discusión es que la Big Data tradicional ya no puede manejar la escala, velocidad y complejidad de los datos actuales, requiriendo nuevas arquitecturas y métodos de procesamiento.

La proliferación del Internet de las Cosas (IoT), por ejemplo, con sensores, vehículos inteligentes y diversos dispositivos activos, ha provocado que los datos crezcan a un ritmo exponencial. Por ejemplo, se estima que para 2030 habrá más de 300 ZettaB de datos en el mundo. Esto evidencia una insuficiencia en lor recursos actuales. Algunos expertos señalan que los sistemas actuales de Big Data no están preparados para manejar Huge Data; se necesita recurrir a inteligencia artificial (IA), aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning) para procesar eficientemente estos datos masivos y extraer valor de ellos.

Desde una perspectiva analítica y sociotécnica, la irrupción de la Huge Data intensifica los debates sobre la soberanía de la información y la gobernanza algorítmica. Cuando el volumen y la velocidad de los datos superan la capacidad de supervisión humana directa, los sistemas dependen de marcos automatizados de toma de decisiones. Esto plantea desafíos críticos en términos de opacidad sistémica, propagación de sesgos a macroescala y la necesidad de diseñar marcos éticos y semióticos sólidos que permitan interpretar no solo la cantidad de datos disponibles, sino la validez y el sentido de los constructos digitales generados.

Esto implica un cambio de enfoque. El núcleo ya no es solo la "recolección y almacenamiento" de datos, sino cómo usar análisis de alto rendimiento para convertir los datos en oportunidades de negocio y soporte para la toma de decisiones. Nos encontramos en una etapa de datos masivos que requiere de la IA para procesar y que la Big Data tradicional no puede manejar. ¿Qué representa esto para nosotros? De nuevo, aún es pronto para saberlo...

Data, Big Data, Huge Data (5)

Vamos ahora con las V con las que se definen de dimensiones fundamentales de lo que se entiende por Big Data:

• Volumen: es el tránsito de escalas de Megabytes y Gigabytes hacia Terabytes, Petabytes y Exabytes. El almacenamiento deja de medirse en archivos aislados para gestionarse en clústeres y data lakes distribuidos.
• Velocidad: se trata del ritmo vertiginoso al que los datos son creados, transmitidos y consumidos. Exige un procesamiento que evoluciona desde el clásico procesamiento por lotes (batch processing) hacia la analítica en tiempo real o en flujo (stream processing).
• Variedad: es la convivencia de datos estructurados (tablas SQL), semiestructurados (JSON, XML) y no estructurados (imágenes, audio, video, texto libre), eliminando la dependencia de esquemas preconcebidos antes de la ingesta.
• Veracidad: se trata de la incertidumbre y el "ruido" inherentes a los datos recopilados masivamente. Implica procesos rigurosos de limpieza, validación y normalización para garantizar la fiabilidad del análisis.
• Valor: es el propósito final del paradigma, que consiste en transformar inmensos volúmenes de datos brutos en conocimiento accionable, patrones latentes o modelos predictivos.

Este modelo descriptivo fue establecido por el analista Doug Laney en 2001, primero las tres V iniciales y luego las otras dos. Otros elementos se han ido incoporando pero estos siguen siendo los básicos.  

Por otro lado, el crecimiento de la Big Data ha implicado en los últimos años una tansformación de la arquitectura computacional. Para sostener esta evolución, la informática debió rediseñar sus fundamentos técnicos. 

Primero, pasar de la escala vertical a la escala horizontal. En lugar de equipar un solo servidor con más potencia (escalabilidad vertical), la Big Data utiliza clústeres de máquinas convencionales conectadas en red que trabajan en paralelo (escalabilidad horizontal).

Luego, el procesamiento distribuido. Surgen marcos de trabajo (frameworks) diseñados para dividir el cómputo y el almacenamiento entre múltiples nodos de forma tolerante a fallos (mecanismos como MapReduce, almacenamiento HDFS o motores de procesamiento en memoria).

Finalmente. el paso del Schema-on-Write al Schema-on-Read. En las bases de datos relacionales tradicionales, la estructura (esquema) debía definirse antes de guardar los datos (Schema-on-Write). En Big Data, los datos se almacenan en su estado bruto (Data Lakes) y la estructura se interpreta al momento de consultarlos o analizarlos (Schema-on-Read).

Esta Big Data actúa como el combustible primario del desarrollo contemporáneo del Machine Learning y la inteligencia artificial. La disponibilidad de volúmenes masivos de datos desestructurados permitió trascender los enfoques analíticos descriptivos tradicionales hacia la analítica predictiva, con modelos estadísticos avanzadas que identifican tendencias y anticipan eventos futuros; la analítica prescriptiva, algoritmos que sugieren rutas de acción optimizadas en tiempo real; y entrenamiento de modelos fundacionales, donde el procesamiento de petabytes de texto y gráficos para la creación de embeddings vectoriales y redes neuronales profundas.

Lo más notable de este progreso es que hemos pasado ahora a un nuevo nivel, que se ha comenzado a definir recientemente, que es la Huge Data. El concepto de Huge Data (a menudo abordado en la literatura especializada y en la estrategia tecnológica avanzada como la siguiente frontera tras el Big Data clásico) representa un salto tanto cuantitativo como cualitativo en la gestión, arquitectura y significado de la información digital. De esto seguiremos hablando en la entrada a continuación. 

Data, Big Data, Huge Data (4)

En su libro de 2019, Big Data, el profesor argentino, Walter Sosa Escudero, hace esta afirmación:

Uno de los enormes problemas de cualquier tecnología de moda es que viene acompañada de una jerga: un catálogo de extraños términos, muchos en inglés e intraducibles, que sirve tanto a efectos de designar objetos nuevos e imposibles de nombrar con los viejos términos, como de crear una innecesaria barrera de entrada, al solo efecto de impresionar a los novatos en las reuniones de amigos como si realmente fuese necesaria una nueva palabra para referirse al agua tibia. La propia expresión "big data" es una jerga. Cualquiera que haya permanecido durante quince minutos en una clase de inglés se da cuenta de que "big" significa "grande" y que "data" son"datos". No intentaremos ninguna traducción del término, porque no hay ninguna comunmente aceptada (he visto "gran dato", que parece una de las frases de Tarzán), y porque tampoco está claro que "big data" tenga un significado preciso.

No obstante y a pesar de que esta apreciación tiene validez, el concepto de Big Data parece estar claro y batante aceptado en el campo de la informática y la computación, más cuando están esas 5 V que nombré en la publicación de ayer y que mañana voy a definir. 

Data, Big Data, Huge Data (3)

Con el crecimiento de los sistemas y dispositivos informáticos, con la proliferación de compuadores personales y teléfonos celulares y en especial con el desarrollo de la internet, el flujo de datos se hizo cada vez mayor. Esta expansión llevó a pensar en una nueva escala del datum: la Big Data. En el ecosistema computacional, el paso de la data tradicional a la Big Data marca una transición cualitativa y cuantitativa; ya no se trata solo de la representación de hechos discretos mediante bits, sino de un cambio de paradigma en la arquitectura, la infraestructura y los métodos de captura, almacenamiento, procesamiento y análisis masivo de información.

Big Data (macrodatos o datos masivos) es, en esencia, un concepto que va más allá del simple "mucho dato". Se refiere a conjuntos de datos tan grandes, rápidos y diversos que superan la capacidad de las herramientas tradicionales para capturarlos, almacenarlos, gestionarlos y analizarlos en un tiempo razonable. La clave no está solo en el volumen, sino en que esa magnitud obliga a usar tecnologías y métodos de procesamiento completamente nuevos.

Por lo tanto, de define como Big Data al conjunto de datos cuyo volumen, velocidad de generación y diversidad temática o formativa superan las capacidades de los sistemas de software y hardware de procesamiento tradicional (como las bases de datos relacionales estándar o las arquitecturas cerradas). Mientras que la data tradicional se diseñaba para ser capturada en esquemas rígidos (filas y columnas) y procesada secuencialmente, el Big Data surge cuando la digitalización omnipresente (redes sociales, sensores IoT, logs de servidores, señales GPS, transacciones financieras) genera un flujo continuo e ininterrumpido de activos de información altamente desestructurados.

La Big Data no es solo una moda, es un cambio de paradigma técnico. Para manejar estas características, se necesitan infraestructuras que permitan el escalamiento horizontal (añadir más servidores en lugar de uno más potente) y el procesamiento distribuido. Herramientas como Hadoop o el procesamiento en la nube son fundamentales para repartir la carga de trabajo entre muchos equipos. Además, requiere de técnicas analíticas avanzadas (como el machine learning o la minería de datos) para encontrar patrones en ese caos aparente y transformar los datos brutos en información útil.

Como vemos, este es modelo relativamente nuevo, que ha crecido con el siglo XXI. Para entenderlo, se suele recurrir al modelo de las "V", establecido por el analista Doug Laney en 2001. Aunque han surgido más, estas son las primeras tres, que pasaron a ser cinco, son las fundamentales: Volumen, Velocidad, Variedad y además Veracidad y Valor. En la siguiente publicación veremos a qué se refieren estas palabras y cómo definen a la Big Data. 

Data, Big Data, Huge Data (2)

Continuando con la publicación de ayer sobre Data, Big Data, Huge Data, hay que hacer algunas precisiones más respecto al concepto de "data". Por ejemplo, en el desarrollo de softwares, el concepto de dato se opone al de programa. Mientras que el programa es el conjunto de instrucciones (el código) que le dice a la computadora qué hacer, los datos son los elementos que el programa manipula (como un documento de texto, una lista de clientes o los valores de una variable durante la ejecución). Para que los datos sean útiles, a menudo se acompañan de metadatos (datos sobre los datos), que describen su origen, formato o significado, facilitando su correcta interpretación por parte del sistema.

Ahora bien, desde un punto de vista más abstracto, la teoría de la información define el dato como una "diferencia" o falta de uniformidad en el mundo o en un sistema. Luciano Floridi, un filósofo de la información, propone que un dato es una entidad relacional que surge de una diaphora (diferencia). Por ejemplo, un punto negro en un fondo blanco constituye un dato porque hay una diferencia perceptible. Esta definición subraya que el dato no es un hecho aislado, sino que siempre implica una relación y un contraste que permite su identificación.

A nivel físico y lógico, toda data en un sistema informático se reduce a patrones binarios (ceros y unos o bits), organizados en unidades superiores como bytes, palabras y bloques. Sin embargo, en la arquitectura de software y bases de datos, la data se modela a través de capas de abstracción. Tenemos así tipos de datos primitivos, como números enteros, flotantes, caracteres, booleanos; y estructuras de datos, o sea formas organizadas de almacenar y manipular la data en memoria o disco (arrays, listas enlazadas, árboles, grafos, tablas relacionales).

Hoy en día, el concepto de data ha evolucionado drásticamente debido al volumen y la complejidad de los sistemas digitales. Tenemos distintas  tipologías, que se clasifican en estructurada (bases de datos SQL, tablas con esquemas rígidos), semiestructurada (JSON, XML, etiquetas que facilitan el parsing) y no estructurada (texto libre, archivos de audio, imágenes, video). También se presenta el llamado ecosistema de procesamiento, que va desde los sistemas tradicionales de almacenamiento transaccional (OLTP) y analítico (OLAP), hasta arquitecturas distribuidas de gran escala (como clústeres de procesamiento paralelo) y el entrenamiento de modelos de inteligencia artificial basados en representaciones vectoriales masivas (embeddings).

En resumen, el dato es el elemento discreto y cuantificable que, tras ser procesado e interpretado, se transforma en el conocimiento que impulsa la computación moderna. Muchos de estos datos me lo dio, justamente, la inteligencia artificial, que maneja enormes cantidades de datos, conocidos también como Big Data, de lo que hablaré en la siguiente publicación.

Data, Big Data, Huge Data (1)

Estos son tres términos y conceptos fundamentales para entender el mundo de hoy: data, big data y huge data. En estas publicaciones voy a ir desgranando y explicando brevemente cada una y cómo se relacionan y cómo intervienen en el ciberespacio y en la inteligencia artificial. En primér término, qué se entiende por "data".

En el campo de la informática y la computación, el término "data" (o datos) se refiere a la representación simbólica, cuantitativa o cualitativa de una variable, hecho, objeto o fenómeno del mundo real, estructurada de manera idónea para ser procesada, almacenada y transmitida por un sistema computacional. Visto de otra forma, es cualquier secuencia de uno o más símbolos, o una representación simbólica de un atributo o variable, que por sí sola carece de significado y requiere de interpretación y contexto para convertirse en información. Es la materia prima con la que trabajan los ordenadores.

Desde una perspectiva técnica, un dato es una unidad mínima de representación. En los sistemas modernos, esto se traduce casi universalmente en datos digitales, que se representan mediante el sistema binario de unos (1) y ceros (0). Un solo símbolo de estos se denomina datum, mientras que data es el plural o la masa de estos símbolos.

Los datos ("data", que es su término en plural) pueden adoptar diversas formas (números, texto, imágenes) y se organizan en estructuras como arreglos, grafos u objetos para su procesamiento. Además, se almacenan en medios físicos o lógicos y pueden encontrarse en tres estados: en reposo (almacenados), en tránsito (siendo transferidos) o en uso (siendo procesados por el CPU).

Ahora bien, podemos analizar su naturaleza a través de varias dimensiones. Primero, la distinción entre data, información y conocimiento. En teoría de la computación y gestión de sistemas, es importante no confundir estos tres niveles. La Data (datos) son hechos o símbolos crudos, discretos y sin contexto por sí mismos (por ejemplo, una secuencia de números como 05051959, o lecturas de sensores dispersas). Carecen de intencionalidad o significado operativo hasta que se les aplica un proceso de interpretación. Por otra parte, la nformación es el resultado de organizar, estructurar, filtrar o dotar de contexto a la data para reducir la incertidumbre (interpretar que 05051959 corresponde a la fecha 05/05/1959, mi día de nacimiento). Finalmente, conocimiento en este ámbito es la asimilación y aplicación práctica de la información mediante patrones, reglas y marcos analíticos por parte de un agente (humano o artificial). 

Aquí podemos remarcar también esa diferencia entre "dato" e "información", aunque en el lenguaje cotidiano se usen como sinónimos. El dato es la materia prima. Consiste en hechos o valores discretos sin un significado inherente por sí mismos. Por ejemplo, el número "40" o la palabra "Rojo" son datos aislados. La información, como vimos, es el resultado. Surge cuando los datos se procesan, se organizan en un contexto y se les atribuye un significado. Siguiendo el ejemplo anterior, si sabemos que "40" es la temperatura y "Rojo" es el color de una alerta, esos datos se han convertido en información útil.

Como vemos, es un concepto bien complejo, completo e interesante y de mucha pertinencia. En la siguiente publicación hablaremos más de lo que signfica hoy "data" y su relación con las otras nociones, big data y huge data.

Dormir, morir, renacer, Gandhi

Una frase del Mahatma en este día de los Fieles Difuntos:

"Cada noche, cuando voy a dormir, muero. Y a la siguiente mañana, cuando me levanto, he renacido". 

Mohandas Karamchand "Mahatma" Gandhi (1869-1948), abogado, político, activista y pacifista hindú.

Tres celebraciones entre ayer y mañana en imagen según la IA

El día de ayer, 31 de octubre, se celebró la fiesta de Halloween o Hallowe'en (All Hallows' Eve o All Saints' Eve) que corresponde a la víspera de la conmemoración cristiana occidental de Todos los Santos, que es hoy, 1 de noviembre, y precede al día de Los Fieles Difuntos, que es mañana día 2. Ya en otras ocasiones en este blog he hecho referncia a esas fechas y celebraciones y esta vez, para variar, le pedí a la inteligencia artificial de Gemnini AI que creara una imagen que reuniera esas tres festividades en un ambiente combinado. El resultado que muestro hoy aquí es bastante representativo, aunque por lo que se ve, hace mucha alusión a Latinoamérica y en particular a México. No obstante, me pareció bien logrado, así que aquí lo tienen, con título y todo: "Fin de semana sagrado". 

Külpe y su idea de estética

La estética que propuso el filósofo alemán, Oswald Külpe (1862-1915), fue una estética experimental y psicológica. Sobre la base de sus conceptos sobre la psicología experimental, buscaba explicar, mediante observación y experimentos, por qué ciertas formas, proporciones y obras artísticas producen placer estético. Para Külpe, la estética era la ciencia de los hechos y las leyes del placer estético.

Külpe siguió la línea del psicólogo alemán Gustav Fechner (1801-1887), quien proponía estudiar la belleza desde la experiencia concreta de las personas, no solo desde teorías filosóficas abstractas. Külpe se interesó especialmente por la sección áurea, la proporción en que la relación entre el todo y su parte mayor es igual a la relación entre esa parte mayor y la menor. Su explicación era que las proporciones consideradas bellas producen una especie de economía mental; el observador percibe variedad y armonía con el menor esfuerzo posible. Así, la belleza no sería una cualidad mágica del objeto, sino el resultado de cómo la mente procesa orden, equilibrio y diversidad.

Siguiendo su propia metodología, Külpe realizó estudios experimentales mostrando obras de arte a personas y pidiéndoles que registraran sus reacciones. Encontró que atributos como la forma, el orden, la simetría y la armonía se asociaban con la atracción estética. Sobre esta base cuestionó la teoría según la cual el disfrute estético depende sobre todo de la empatía, es decir, de “ponerse” imaginativamente en el objeto o en la expresión que contemplamos. En los informes de sus participantes, Külpe no encontró evidencia suficiente de esa empatía como condición universal del placer estético.

En resumen, para él, el objeto de estudio es el placer estético y sus leyes psicológicas. Su método es la experimentación y registros de reacciones ante obras o imágenes. De esta forma logra una explicación de la belleza basada en el orden, la simetría, la armonía y la economía del esfuerzo mental. Po lo tanto, la empatía no es necesariamente la base de toda experiencia estética. Külpe estudió la estética como un fenómeno medible y psicológico, centrado en cómo percibimos la forma, el orden y la proporción, más que en definiciones puramente metafísicas de la belleza.

La estética en una frase de Oswald Külpe

En la publicación anterior me referí a la idea que propuso el filósofo alemán Oswald Külpe con relación a la creación de pensamientos sin necesidad de recurrir a imágenes mentales. Una propuesta que en su momento recicbió críticas y aún hoy genera polémica. Pero Külpe también dedicó parte de su trabajo a estudiar la estética, enfocado en sus aspectos psicológicos y percecptivos. De esta línea conceptual parte esta afirmación:

La estética está marcada por un destino peculiar. Su objeto de estudio es tan conocido y valorado como el de casi cualquier otra disciplina. Sin embargo, es tan impopular como casi cualquier otra ciencia.

Como vemos, su aproximación es muy particular y sobre esta concepción versará la siguiente entrada.

Külpe y el pensamiento sin imágenes

Oswald Külpe (1862-1915), filósofo y psicólogo alemán que destacó por sus trabajos de psicología experimental, es la figura de la llamada Escuela de Würzburgo de psicología, sostuvo que el pensamiento puede ocurrir sin imágenes mentales. Su aportación central fue demostrar experimentalmente que existen contenidos mentales de naturaleza puramente abstracta o cognitiva, irreductibles a sensaciones o imágenes.

En este sentido, su pensamiento se desarrolló en torno a la idea de que no es necesario imaginar para producir pensamiento. Por lo tanto, defendió la tesis del pensamiento sin imágenes (imageless thought) para desafiar las teorías sensualistas y asociacionistas dominantes de su época, a finales del siglo XIX y principios del siguiente.

Külpe demostró mediante un método que llamó la introspección experimental sistemática (donde los sujetos analizaban sus procesos cognitivos tras realizar tareas complejas) que es posible razonar, comprender significados, juzgar y resolver problemas sin necesidad de que intervengan imágenes sensoriales, percepciones o recuerdos visuales concretos.

Sostuvo, así mismo, que el pensamiento posee componentes y realidades independientes que no pueden reducirse estrictamente a sensaciones, sentimientos o presentaciones visuales. Las personas pueden captar conceptos abstractos y conexiones lógicas de manera directa. Esto implica independencia del pensamiento y una nueva realidad mental.

Sus investigaciones identificaron estados en la mente en los que el sujeto "sabe", "comprende" o "intuye" algo de forma abstracta, sin que exista ninguna representación gráfica o imagen mental que lo acompañe en la conciencia. Külpe y sus colaboradores llegaron a estas conclusiones mediante ese método de auto-observación sistemática (Ausfragemethode), que a diferencia de la introspección tradicional, pedía a los sujetos que realizaran tareas complejas (como juicios lógicos) y luego describieran retrospectivamente los procesos mentales que habían seguido.

Los resultados fueron sorprendentes: los sujetos reportaban experiencias conscientes que carecían de cualidades sensoriales (no había una "imagen" visual, auditiva o motora), pero que aun así portaban significado. Este hallazgo supuso un desafío a quienes defendían que todo pensamiento complejo debía descomponerse en elementos sensoriales básicos. Külpe demostró que el significado puede ser experimentado directamente sin necesidad de símbolos o imágenes.

Esta teoría generó un intenso debate en los inicios de la psicología experimental, ya que chocaba directamente con la idea de que todo contenido mental derivaba exclusivamente de elementos sensoriales. Inclusive hoy en día estas propuestas se discuten y generan controversia. Una cosa interesante es que estas investigaciones llevaron a Külpe a estudiar también el campo de la estética desde el punto de vista de la psicología, tema que veremos en la siguiente publicación.

Una afirmación de Alvin Toffler

"Un analfabeta será aquel que no sepa donde ir a buscar la información que requiere en un momento dado para resolver una problemática concreto. La persona formada no lo será a base de conocimientos inamovibles que posea su mente, sino en función de sus capacidades para conocer lo que precisa en cada momento". 

Alvin Toffler (1928-2016), sociólogo y escritor estadounidense, en su libro de 1979, La tercera ola. 

La IA "agéntica"

De define por "agéntica" a la capacidad de los sistemas de inteligencia artificial para actuar con autonomía, iniciativa y propósito con el fin de alcanzar una meta compleja, en lugar de limitarse a responder pasivamente a una orden de forma aislada. Proviene del inglés agentic, y está comúnmente asociado a la IA agéntica o Agentic AI. 

Mientras que un modelo de lenguaje tradicional funciona de manera reactiva (le haces una pregunta y te da una respuesta inmediata en una sola entrada), un sistema con propiedades agénticas cuenta con características especiales que lo acercan a la resolución activa de problemas, con distintas variantes y un desarrollo mayor de las respuestas. 

En principio, propone una planificación de múltiples pasos. Ante un objetivo general, el sistema es capaz de descomponerlo en sub-tareas, evaluar sub-tareas pendientes y estructurar una ruta lógica para resolverlas. Para ello apela al uso de herramientas externas. Puede así decidir por sí mismo cuándo consultar bases de datos, navegar por la Web, ejecutar un código de programación o utilizar APIs (una interfaz de programación de aplicaciones) para recopilar la información en tiempo real que necesita para avanzar.

Una cosa interesante de la agéntica es que se maneja con autocorrección y reflexión, es decir, monitorea los resultados de sus propias acciones. Si un paso falla o arroja un error, el agente analiza qué salió mal, ajusta su estrategia y vuelve a intentarlo sin requerir intervención humana constante. Esto se combina con la persistencia hacia un objetivo, pues mantiene el contexto de un propósito a largo plazo a lo largo de interacciones prolongadas o procesos automatizados extensos.

Podemos decir que la agéntica representa el paso de una IA que solo conversa o genera contenido estático a una IA que actúa, ejecuta flujos de trabajo completos y opera de forma proactiva para resolver problemas complejos. En otras palabras, la IA agéntica es un sistema de inteligencia artificial que puede lograr un objetivo específico bajo poca supervisión. Consiste en agentes de IA, que son modelos de aprendizaje automático que imitan la toma de decisiones de los humanos para resolver problemas en tiempo real. En un sistema multiagente, cada agente realiza una subtarea específica necesaria para alcanzar el objetivo en cuestión y sus esfuerzos se coordinan a través de la coordinación de IA.

La crítica de Morozov al solucionismo tecnológico

Evgeny Morozov es un  escritor e investigador bielorruso nacido en 1984, que estudia las implicaciones políticas y sociales de la tecnología. Uno de sus más reconocidos aportes es su crítica al llamdo "solucuonismo tecnológico". Este postulado dice que la tecnología puede resolver por sí sola problemas sociales, políticos o culturales complejos, sin considerar sus causas profundas ni las implicaciones sociales.

Esta idea, también llamada tecnosolucionismo, surge de una visión que asume que las herramientas digitales, algoritmos, aplicaciones o sistemas tecnológicos pueden ser la solución principal a problemas humanos complejos, desde la educación y la salud hasta la democracia y la seguridad. Muchos teóricos han discutido y propuesto este paradigma, pero Morozov lo ha cuestionado fuertemente.

Según él, el solucionismo tecnológico es una ideología peligrosa porque consiste en reformular problemas sociales, políticos y morales complejos como si fueran meros problemas técnicos, susceptibles de ser "arreglados" con soluciones digitales simples, como algoritmos o aplicaciones. Si bien no critica el uso de la tecnología en sí, le preocupa la mentalidad que lo rodea. Su advertencia principal es que, al reducir todo a una cuestión de eficiencia técnica, corremos el riesgo de ignorar la naturaleza profunda de los dilemas humanos.

Morozov afirma que esta posición convierte discusiones públicas y éticas (que deberían ser controvertidas y deliberativas) en cuestiones no controvertidas y fácilmente manejables por medios tecnológicos. Por ejemplo, problemas como la obesidad o la corrupción se abordan con "gamificación" o apps de cuantificación, en lugar de analizar sus causas estructurales. Al buscar una eficiencia "sin fisuras", se elimina la fricción necesaria para la reflexión. Morozov advierte que cambiar las motivaciones de nuestro comportamiento cívico (por ejemplo, con recompensas digitales) puede alterar la naturaleza misma de ese comportamiento.

Es interesante ver que el origen del concepto de solucionismo tecnológico se popularizó en su libro To Save Everything, Click Here (publicado en español como La locura del solucionismo tecnológico), donde lo identifica como una de las ideologías dominantes de Silicon Valley, junto al internet-centrismo. Para Evengy Morozov, el solucionismo es una trampa ideológica, pues nos hace creer que los problemas más persistentes de la sociedad tienen una "solución" técnica rápida, cuando en realidad requieren un debate político y moral profundo.

Las animaciones LEGO 3D de Preston Mutanga

Este es un joven con una trayectoria sorprendente. Residenciado en los Estados Unidos pero de orígenes canadienses y cameruneneses, Preston Mutanga, nacido en 2008, se ha convertido en una revelación en el campo de la animación digital, en particular dentro del mundo LEGO. 

De formación completamente autodidacta, descubrió su pasión por la animación 3D gracias al acompañamiento de su padre y a tutoriales en internet, con los que aprendió a dominar Blender, un software libre y de código abierto que en los últimos tiempos se ha convertido en herramienta fundamental para muchos diseñadores e ilustradores. 

A los 14 años comenzó a compartir recreaciones CGI fotorrealistas de tráilers de la cultura pop, todas bajo la estética inconfundible de los bloques LEGO y sus películas de animación, que tenían mucho éxito en la juventud. En 2023, su recreación del tráiler de Spider-Man: Across the Spider-Verse se volvió tan viral que llegó hasta los propios directores de la cinta, Phil Lord y Christopher Miller, quienes decidieron contratarlo para animar la secuencia oficial del universo LEGO dentro de la película de Sony y Marvel.

Su obra se mantiene por completo el entorno virtual de Blender, su fuerza estética está en la imperfección calculada. No dibuja bloques de plástico limpios, sino que simula la textura física de la luz sobre el material, las huellas dactilares, los rayones de uso y hasta las partículas de polvo suspendidas en el aire. Se produce así una paradoja, la ilusión hiperrealista de lo físico construida enteramente desde la inmaterialidad del código.

Mutanga no inventa narrativas propias, toma fragmentos de la cultura de masas (Spider-Man, Star Wars) y los transcodifica mediante un lenguaje plástico alternativo, apropiándose de universos ajenos para reinterpretarlos bajo una identidad visual propia, donde el juego y el diseño digital convergen. Su trabajo combina el rigor técnico del modelado 3D con la sensibilidad estética de la apropiación cultural, y su trayectoria (de una habitación con una laptop heredada a los créditos de una película de Hollywood) resume, mejor que cualquier definición, lo que significa producir arte en la era digital. 

El Instragram de Preston Mutanga: https://www.instagram.com/legomereal/. Aquí pongo algunas imágenes un muy buen video explicativo realizado por mis estudiantes de Estética Digital y Comunicación Multimedia de la Escuela de Comunicación Social de la Universidad Central de Venezuela en 2026, de cuyo trabajo tomé también información.

Muchas gracias a mis alumnas Alba Rivas, Alexandra Saumell, María José Puerta y Wuantani Pérez, por este excelente ejercicio.