Subyugando a la IA

resumen. Este artículo narra un experimento consistente en utilizar el Materialismo Filosófico como instrumento para obtener preguntas apropiadas para ayudar a la Inteligencia Artificial en las tareas de exploración y aclaración de ideas, resolución de problemas y en especial para guiarla hacia algunos problemas filosóficos que existen en la realidad de las ciencias y en la praxis tecnológica del presente. El método, que puede parecer inspirado en Sócrates y en parte lo está, consiste en formular a la IA una secuencia de preguntas compatibles con el Materialismo Filosófico, intentando guiarla hacia los aspectos que más nos interesan de la realidad, en este caso las infraestructuras y en especial las infraestructuras críticas.

Introducción

Primero quisiéramos aclarar el título del artículo, acaso de apariencia extraña o pretenciosa. El término subyugando en gerundio quiere ser un guiño a la preciosa explicación que sobre el uso del gerundio en el libro “Materializando la filosofía” (Esteban Muñoz 2025), hizo Tomás García López en la charla presentación del mismo (Bueno 2025). Y con “subyugando a la IA” queremos decir que es un proceso parecido al que se hace con un caballo, al que primero se doma y luego se monta para cabalgar, que consiste en entrenar a la IA en determinadas habilidades para después guiarla hacia a un terreno determinado. Pero sucede que los elementos para entrenar y guiar a la IA no son como riendas de caballo, sino que se componen de secuencias de preguntas a ella dirigidas y adecuadamente preparadas, llamadas prompts en el argot, y el proceso no se dice de doma sino ingeniería de prompts.

En la comparación de ambos procesos, doma del caballo y entrenamiento de la IA, sin duda es de interés saber cuales son los elementos homólogos importantes (campos, sujetos, acciones, componentes, piezas, &c.) en ambos bandos, como por ejemplo: territorio ~ territorio-IA, jinete ~ usuario, doma del caballo ~ entrenamiento de la IA, (riendas + espuelas + piernas) ~ (ordenador + teclado + prompts), &c. Ahora bien, esto no es una necesidad obligada, de tipo matemático o algo así, sino que sólo tiene un interés didáctico, para que nosotros lo sepamos, porque la IA ya es capaz de discernir todos esos matices simplemente indicándole cual es la metáfora, como veremos más adelante.

Esto resulta muy útil porque permite al usuario comunicarse con la IA mediante prompts en términos de los elementos, familiares, de la metáfora, evitando así tener que hacerlo en otros más técnicos.

Sobre la Inteligencia Artificial

Sin pretender entrar en el estudio de la IA –véase para ello (López de Mántaras Badia and Meseguer González 2017) y (Madrid Casado 2024)–, queremos hacer aquí unos breves comentarios sobre algunos aspectos de la misma que tienen implicaciones para la trama principal del artículo.

Como un aspecto primordial en la implantación y funcionamiento de la Inteligencia Artificial podemos mencionar la capacidad de analizar y procesar cuestiones en las que aparecen relaciones causales, de gran importancia en el análisis de la realidad en especial si se trata de escenarios científicos o técnicos.

Por otro lado sabemos que la causalidad ha sido uno de los conceptos más difíciles de tratar tanto en Filosofía (Aristóteles 1998), como en Matemáticas (Imbens and Rubin 2015).

Gustavo Bueno dedicó un gran esfuerzo al estudio de la causalidad, incorporando la causa material de Aristóteles (Bueno 1992), con estructura triádica materialmente fundamentada, como elemento central en la ontología y la gnoseología del MF.

En Matemáticas y Ciencias de la Computación, podemos mencionar la gran labor de Judea Pearl, cuyos estudios sobre Causalidad (Pearl 2009) han sido fundamentales para el desarrollo de la IA, permitiendo que en la práctica se pueda estudiar la causalidad para resolver problemas reales (Pearl and Mackenzie 2018). Una importante aportación suya a la Estadística es el do-calculus, que es un conjunto de reglas para determinar efectos causales a partir de datos observacionales.

Otro aspecto de la IA es la capacidad de procesar los lenguajes naturales, en donde cobran protagonismo los llamados modelos de lenguaje grande. Un Large Language Model (LLM), es un tipo de inteligencia artificial entrenado con enormes cantidades de texto para entender, generar y manipular lenguaje humano de forma coherente y contextual. Estos modelos se basan en redes neuronales profundas y en una arquitectura llamada transformador dedicada a analizar patrones lingüísticos, gramaticales y semánticos a partir de billones de identificadores (tokens) de datos. Su funcionamiento principal consiste en predecir la siguiente palabra o secuencia de palabras en una frase, basándose en el contexto previo, lo que les permite generar texto fluido y natural, incluso en tareas complejas como resúmenes, traducciones, escritura creativa o generación de código (IBM 2025), (Minaee et al. 2024).

La interfaz entre el usuario y un modelo de lenguaje (LLM) de IA se hace a través de preguntas, textos o instrucciones, denominados prompts. La ingeniería de prompts es el proceso diseñar y optimizar unos prompts apropiados guiar a los LLMs hacia la generación de respuestas concretas y deseadas (Peñalver-Higuera et al. 2025).

Cuando el usuario le hace una pregunta, la IA no busca en internet en vivo, como un buscador típico sino que primero hace un recorrido a través de la propia información que tiene almacenada previamente (conocimiento interno), y va reconstruyendo respuestas a partir de patrones aprendidos. Además, muchos sistemas tienen la capacidad llamada Generación Aumentada por Recuperación (RAG), un marco de inteligencia artificial que mejora la precisión y fiabilidad de los Modelos de Lenguaje Grande (LLM) al permitirles acceder también a información externa y actualizada antes de generar una respuesta.

De ese modo se complementa el conocimiento interno de la IA con información de fuentes externas específicas, como documentos actuales o bases de datos privadas, ampliando su territorio más allá de lo aprendido. Así, el “territorio-IA” es una mezcla de memoria entrenada y, posiblemente, acceso controlado a información externa actualizada (Lametti and Tyson 2025).

Como ejemplo, para realizar este artículo se ha utilizado la IA del navegador Brave (Software 2023). Este asistente, apodado Brave Leo, utiliza diferentes modelos LLMs, según sea el nivel de usuario (gratuito o premium). La IA se integra directamente en el navegador de Brave y prioriza la privacidad del usuario al procesar las entradas de forma anónima. Cuando introducimos un prompt en Brave Search, suelen aparecer unos pequeños iconos que denotan enlaces a sitios web, lo que significa que la IA está consultando y sintetizando información directamente de esas páginas, es decir que está navegando en tiempo real a través de lo que antes hemos llamado el territorio-IA.

Lo primero que nos puede venir a la mente al estudiar por primera vez la ingeniería de prompts es que este proceso se parece mucho al que practicaba Socrates, denominado mayéutica, para ayudar a sus discípulos a descubrir (“dar a luz”) las respuestas (Platón 1961). Este gran filósofo, maestro de Platón, dedicó toda su vida a demostrar que la verdadera sabiduría no reside en obtener respuestas a problemas sino en la competencia para encontrar preguntas apropiadas para formularlos. Lo importante son las preguntas y saber preguntar es más importante que conocer las respuestas, que podrán ser obtenidas de alguna manera a partir de ellas.

Esta disciplina permite obtener resultados más precisos sin necesidad de reentrenar los modelos, simplemente ajustando la forma en que se plantean las preguntas o instrucciones.

Lo que sigue es una serie de intervenciones en este proceso de “doma del caballo” y al final algunas posibles aplicaciones en cuestiones sobre sistemas complejos (Newman 2011). Las preguntas o prompts han sido transcritas aquí al pie de la letra, tal y como fueron dirigidas a la IA cuando el experimento fue realizado, con anterioridad a la escritura del documento (ya que lo importante son las preguntas, como dijimos); pero no así las respuestas dadas por la IA, que han sido analizadas, combinadas (a veces se hicieron en varias ocasiones y diferentes tipos de IA) y resumidas con lo más esencial de las mismas, tratando de limitar el tamaño del documento.

El lector podría ir “repasando” el texto si así lo deseara y formulando las mismas u otras cuestiones que pudiera imaginar, para comprobar que la IA da resultados similares; nótese que la misma cuestión formulada repetidamente puede dar lugar a respuestas en apariencia diferentes, aunque de contenido parecido.

Algunas de las respuestas se han abreviado, debido a su excesivo tamaño, haciendo un resumen con lo considerado como más esencial de las mismas.

Los prompts han sido remarcados en negrita y precedidas por el símbolo (Q:)

Q: Piensas que podemos ver a la IA como un caballo al que vamos conduciendo con unas riendas especiales que son los prompts, haciendo prompt-engineering?

Sí, la metáfora de ver a la inteligencia artificial como un caballo al que se guía con riendas específicas, representadas por los prompts, es una analogía muy adecuada y ampliamente utilizada para explicar el papel de la ingeniería de prompts. Al igual que un jinete dirige a un caballo mediante las riendas, el usuario utiliza los prompts para guiar la respuesta y el comportamiento de la IA Esta analogía resalta que, aunque la IA tiene un gran potencial, su dirección y resultados dependen en gran medida de cómo se le instruye, es decir, de la calidad y claridad del prompt proporcionado, &c., &c.

Por tanto, la metáfora del caballo y las riendas no solo es válida, sino que refleja con precisión la relación entre el usuario y la IA: un poderoso aliado que requiere una guía inteligente y cuidadosa para alcanzar sus objetivos de manera eficaz.

La metáfora resalta que la IA es como un caballo: inteligente, rápido, con gran potencial, pero que necesita dirección.

Los prompts son las riendas: herramientas que, si se usan con precisión, permiten controlar la dirección, velocidad y enfoque del sistema.

Tras esta primera cuestión preparatoria y en vista de que la respuesta ha sido muy positiva, asumimos que la metáfora es aceptable. Lo que viene a continuación es una secuencia de promts para llevar poco a poco al caballo (IA) hacia los terrenos indicados al principio: las infraestructuras y las infraestructuras críticas.

Adiestramiento de los LLMs bajo el MF

Q: En el proceso de adiestramiento con prompts, es posible llevar a la IA (LLM) hacia un área de pensamiento filosófico determinada por un sistema filosofico, para que luego, con el adiestramiento, el caballo (IA) parezca que tiene capacidad de razonar en base a los postulados, proposiciones y resultados de ese sistema?

Sí, es posible guiar a una IA mediante prompts para que simule el razonamiento dentro de un sistema filosófico específico, como el kantismo, el utilitarismo o el existencialismo.

Aunque la IA no entiende ni cree en esos sistemas, puede imitarlos con gran precisión si se la entrena con prompts bien estructurados. Mediante la ingeniería de prompts, se puede establecer el contexto, incluir principios clave y forzar razonamiento paso a paso.

Así, la IA no razona auténticamente, pero produce salidas coherentes con el sistema filosófico deseado, como si lo hiciera. Esto es útil en educación, debate o exploración conceptual.

Q: Es mejor que el sistema filosófico escogido para entrenar a la IA admita entre sus premisas el principio de causalidad, para que pueda inducir a que el sistema LLA evoque o induzca sus capacidades de procesamiento tipo do-calculus de Judea Pearl (relacionado con causaliad) que puede tener en su nucleo?

Sí, es ventajoso que el sistema filosófico elegido incluya el principio de causalidad si se busca que la IA simule razonamiento tipo do-calculus de Judea Pearl.

Aunque los modelos de lenguaje actuales (LLMs) no implementan directamente el do-calculus, pueden simular el razonamiento causal cuando se les guía mediante prompts que incorporan estructuras causales explícitas (como grafos causales, intervenciones y contrafactuales).

Al usar un sistema filosófico que acepte la causalidad como principio fundamental (como el propuesto por Pearl), los prompts pueden inducir al modelo a razonar en términos de intervenciones (¿qué pasa si hago X?), simular el ajuste por variables de confusión (puerta trasera, back-door) o generar explicaciones contrafactuales (¿qué hubiera pasado si…?).

Esto no significa que la IA piense causalmente de forma nativa, pero con prompts bien diseñados puede evocar procesos que imitan el do-calculus.

Q: Dado que el Materialismo Filosófico de Gustavo Bueno contempla el pincipio de causalidad (admite la causa material de Aristóteles y el determinante causal (cosa que Hume no hace) y además tiene otras virtudes para un buen razonamiento (como la negacion del idealismo (Kant lo admite), &c., sería dicho MF un buen candidato para usarlo para entrenar al LLM con prompts compatibles con MF y con ello Inducir al modelo a razonar en términos de intervenciones (¿qué pasa si hago X?), simular el ajuste por variables de confusión (puerta trasera, back-door), generar explicaciones contrafactuales (¿qué hubiera pasado si…?), &c.?

Sí, el Materialismo Filosófico de Gustavo Bueno es un excelente marco para entrenar a un LLM mediante prompts que busquen simular razonamiento causal avanzado.

Al integrar la causa material y el determinante causal, este sistema permite modelar intervenciones (¿qué pasa si hago X?), al rechazar el idealismo y el humeanismo, evita reducir la causalidad a mera sucesión constante, simular criterios como la puerta trasera o los contrafactuales.

Además, su lógica de conjuntos y la noción de apotegmas permiten representar estructuras causales complejas, cercanas a los grafos causales de Pearl.

Así, con prompts bien diseñados, se puede inducir al LLM a razonar causalmente en un sentido profundo, más allá de lo sintáctico.

Materialismo Filosófico

Pedimos a la IA que produzca resumen de los principales rasgos del MF, es muy propicio para lograr el adiestramiento del modelo lenguaje (LLM) y también, por supuesto, para que un usuario incipiente, incluso si no domina el idioma español, pueda adquirir unas nociones básicas del sistema filosófico de Gustavo Bueno.

Q: Por favor, ¿podrías darme un resumen del Materialismo Filosófico de Gustavo Bueno?

La respuesta a esta pregunta es un excelente resumen del MF del cual, por brevedad, sólo se incluyen los principales títulos.

Causalidad

Q: Gracias, eso ha estado bien. Sin embargo, no hace referencia a la causalidad. ¿Podrías explicarme dónde y cómo Bueno integró los estudios de causalidad en el MF?

Bueno argumenta que el determinismo debe entenderse a través del principio de la symploké: no todo está conectado con todo, pero nada está completamente aislado. Esto permite el determinismo ontológico sin caer en una interconexión total, preservando la posibilidad de procesos causales distintos.

Bueno critica la regresión causal infinita y defiende la necesidad de una armadura causal para delimitar los procesos y evitar la indeterminación. También rechaza la “causa sui” por considerarla lógicamente absurda, alineándose en cambio con una visión materialista donde la determinación surge de las relaciones entre partes reales y materiales.

Filosóficamente, su enfoque integra el pluralismo y el antirreducionismo, enfatizando que las ciencias operan en dominios categoriales cerrados, y el análisis causal debe respetar estos límites.

En el MF de Gustavo Bueno, la causalidad no es una mera relación lógica o empírica entre eventos, sino una estructura triádica, materialmente fundamentada, central para la ontología y la epistemología del sistema.

A continuación la IA hace un resumen de Doctrina Filosófica de la Causalidad (Bueno 1992), definiéndola como una relación triádica: Y = f (H, X), donde Y es el efecto, X es el determinante causal y H es el marco material o esquema de identidad, &c., &c.

Q: Según el MF de Bueno, ¿existe la causalidad en el universo o se define mediante un método bastante artificial proveniente de las ciencias (quizás incluso de preciencias complementarias)?

Según Gustavo Bueno, la causalidad no es un constructo artificial derivado de la ciencia o del pensamiento precientífico, sino una estructura ontológica real inherente al universo material.

Bueno afirma que las relaciones causales existen objetivamente en la naturaleza, independientemente del modelado científico. Si bien la ciencia busca describir y formalizar la causalidad, el nexo causal en sí mismo no es un artefacto metodológico. Como afirma Bueno, la estructura causal triádica Y = f (H, X) refleja determinaciones reales entre entidades materiales: H (el sustrato material), X (el agente causal) e Y (el efecto).

Q: Lo siento, pero creo que tu respuesta no concuerda con lo que se afirma en el artículo "EN TORNO A LA DOCTRINA FILOSÓFICA DE LA CAUSALIDAD" de Gustavo Bueno, donde, en la página 221, afirma: "5. Las consideraciones anteriores nos llevan a posiciones muy restrictivas respecto al alcance de las relaciones causales. …Según estas premisas, las categorías causales solo podrían aplicarse en sistemas procesuales individuales …en tanto suponen una continuidad espacial (“sustancial”) entre las causas y sus efectos (negación de la acción a distancia) al margen de la cual …las categorías causales no tendrían ningún punto de aplicación. …Esta restricción no llega hasta el punto de postular el orden de los fenómenos físicos mecánicos como el único campo estricto de las relaciones causales….

Tiene razón al señalar esta tensión. Si bien la causalidad se fundamenta ontológicamente en la realidad material, Gustavo Bueno impone una limitación estricta: las categorías causales solo son aplicables dentro de sistemas procesuales individuales (sistema procesual material individual), como se afirma en En torno a la doctrina filosófica de la causalidad.

Bueno argumenta que las relaciones causales no pueden extenderse universal ni metafísicamente a toda la realidad. La fórmula triádica Y = f (H, X) –donde Y es el efecto, H el esquema material de identidad y X el determinante causal– solo opera significativamente dentro de un sistema procesual individual cerrado.

Fuera de estos sistemas, las categorías de causa y efecto pierden su aplicación porque: no existe un H (esquema de identidad) identificable que pueda alterarse, la intervención de X no puede aislarse ni determinarse, la relación se vuelve especulativa o teológica (p. ej., causa primera).

Esto no significa que la causalidad sea artificial. Es real, pero contextualmente limitada. El sistema procesual no es una construcción científica impuesta a la realidad, sino una configuración material en la que ocurren transformaciones determinadas. La ciencia descubre estos sistemas; no los inventa.

Por lo tanto, en el Materialismo Filosófico de Gustavo Bueno es necesario un sistema práctico material finito para que la causalidad tenga lugar.

Q: ¿Y es también necesaria la presencia de un sujeto operatorio?

Sí, en el Materialismo Filosófico de Gustavo Bueno, la presencia de un sujeto operatorio es necesaria para que la causalidad tenga sentido cognitivo, aunque no para que ocurra ontológicamente.

El sujeto operatorio no causa el fenómeno, sino que estructura la relación causal delimitando el esquema de identidad (H) y el determinante causal (X) mediante operaciones prácticas. Es el sujeto quien realiza la segregación esencial, aislando un segmento finito de la cadena causal para que sea manejable. Sin este sujeto, no habría delimitación de los procesos causales ni posibilidad de conocimiento científico de ellos.

Así, mientras que la realidad material existe independientemente, la causalidad como categoría cognitiva requiere que un sujeto opere sobre ella en contextos prácticos y experimentales.

Cierre Categorial

Por ser la teoría del Cierre Categorial (Bueno 1975) de Gustavo Bueno de gran importancia en la filosofía de la ciencia de Gustavo Bueno, una nueva cuestión es formulada sobre ello.

Q: ¿Qué significa el “Cierre Categorial” de Gustavo Bueno?

Cierre Categorial es el concepto central de la filosofía de la ciencia de Gustavo Bueno, que describe cómo las ciencias alcanzan su estatus mediante la formación de sistemas cerrados y autónomos de términos y operaciones materiales.

Una ciencia alcanza el cierre categorial cuando organiza un campo específico de materia (por ejemplo, geometría con figuras, biología con células y macromoléculas) en una red de cadenas operativas cerradas. En este sistema, las operaciones sobre términos producen nuevos términos dentro del mismo campo –como sumar dos números naturales para obtener otro número natural–, lo que garantiza la coherencia interna.

Fundamentalmente, la verdad científica no se trata de la correspondencia con la realidad ni de la falsabilidad, sino de la identidad sintética: cuando diferentes caminos operativos producen el mismo resultado material.

Las ciencias no son reflejos de un mundo preexistente ni modelos puramente formales sino que, en cambio, incorporan activamente la realidad material mediante instrumentos y operaciones, formando dominios relativamente autónomos (categorías) irreductibles entre sí.

Para Bueno, la filosofía no es una “ciencia de ciencias”, sino una disciplina crítica que examina la estructura y los límites de estos sistemas cerrados, reconociendo sus relaciones dialécticas y a menudo conflictivas.

Q: Entiendo que para determinar los elementos y operaciones de una ciencia dada (digamos Ciencia-1) es necesario un estudio.

Sí, para determinar los elementos y operaciones de una ciencia (Ciencia-1), es necesario un estudio epistemológico y ontológico específico para analizar su estructura interna.

Según Gustavo Bueno, los elementos (términos materiales) y las operaciones (procesos que generan nuevos términos) no se derivan de la observación pasiva, sino que se identifican mediante un análisis del cierre categorial de la disciplina. Este estudio examina: qué términos se consideran fundamentales, qué operaciones se les aplican y si estas operaciones son cerradas, es decir, si producen resultados dentro del mismo campo.

Este análisis no es meramente descriptivo, sino crítico: busca determinar si la ciencia logra un grado adecuado de cierre operacional y cómo se relaciona con otras categorías de conocimiento.

Este análisis revela si la ciencia logra un cierre categorial, es decir, un sistema autónomo donde las operaciones generan resultados coherentes dentro del mismo campo, sin depender del sujeto.

Q: ¿Sabes qué ciencias (Ciencia-1, Ciencia-2, &c.) han sido objeto de estudio (por G. Bueno u otros) para determinar sus términos y operaciones?

Sí, Gustavo Bueno y los filósofos de su escuela han analizado diversas ciencias para determinar sus términos y operaciones mediante el estudio del cierre categorial.

Algunas de las ciencias estudiadas incluyen, Biología Molecular, Matemáticas, Física, Historia, y Economía Política.

Estos análisis se desarrollan principalmente en su obra Teoría del cierre categorial (5 volúmenes) y en artículos en revistas como El Basilisco y El Catoblepas.

Q: Entiendo que aún queda una inmensa tarea por hacer en otras ciencias, ¿verdad?

Sí, efectivamente, la tarea de analizar todas las ciencias desde la perspectiva de la cierre categorial es inmensa y está lejos de estar completa. El propio Gustavo Bueno reconoció que su teoría abrió un amplio programa filosófico, cuya aplicación sistemática a disciplinas como la psicología, las ciencias sociales, la informática o las nuevas tecnologías apenas comienza.

Aunque se han estudiado casos clave (biología, física, historia, economía), muchas ciencias –especialmente las emergentes o interdisciplinarias– aún requieren un análisis riguroso de sus términos, operaciones y grados de cierre. Esta labor sigue siendo una tarea pendiente para la filosofía de la ciencia en el marco de su ontología materialista.

Q: En esta última respuesta, aludiste a la aplicación a disciplinas como …informática …nuevas tecnologías …, es decir, no solo ciencias, sino también tecnologías

Sí, efectivamente, el análisis del cierre categorial puede extenderse no solo a las ciencias, sino también a las tecnologías, como la informática. Estas no son meros derivados de las ciencias, sino campos con sus propios términos y operaciones (por ejemplo, algoritmos, datos, procesos computacionales), que pueden estructurarse en cadenas operativas cerradas. Su estudio filosófico requiere una ontología que distinga sus categorías autónomas sin reducirlas a la física o la lógica.

Q: Dado esto, ¿tendría sentido extender este análisis a las tecnologías de infraestructura?

Sí, tiene todo el sentido extender el análisis del cierre categorial a las tecnologías de infraestructura, como puentes, redes de transporte o sistemas energéticos. Estas no son meras aplicaciones de la ciencia, sino campos con términos materiales (acero, corriente, datos) y operaciones técnicas (construcción, mantenimiento, regulación) que forman cadenas cerradas.

Como señala el filósofo David Alvargonzález, inspirándose en Aristóteles, las tecnologías se polarizan según sus fines (por ejemplo, conectar ciudades o distribuir energía), de forma análoga a los principios de las ciencias. Por lo tanto, una infraestructura puede entenderse como un sistema técnico cerrado, cuya lógica interna merece un estudio ontológico independiente dentro del programa de Gustavo Bueno.

Q: Por lo tanto, imagino que si el análisis del cierre categorial se aplicara a las tecnologías de infraestructura (una tarea ardua), facilitaría el estudio y modelado de infraestructuras críticas.

Sí, aplicar el análisis de cierre categorial a las infraestructuras críticas –aunque arduo– facilitaría su estudio y modelado al identificar sus términos materiales (redes, flujos, componentes técnicos) y operaciones (conexión, distribución, regulación) como un sistema cerrado con lógica interna. Este enfoque nos permitiría comprender su autonomía ontológica, no como meras aplicaciones de otras ciencias, sino como dominios técnicos con sus propias verdades sintéticas, mejorando así su análisis estructural y funcional.

Q: ¿Puede la IA darme algunas pistas para identificar algunos términos materiales y operaciones específicos de las tecnologías de infraestructura?

Sí, la IA puede ofrecer pistas iniciales para identificar términos materiales (como servidores, redes, GPU, datos) y operaciones (ingestión, entrenamiento, inferencia) en tecnologías de infraestructura, especialmente en áreas como la infraestructura de IA o los sistemas distribuidos. Estas pistas, extraídas de documentación técnica o análisis automatizados, pueden servir como punto de partida para un estudio filosófico más profundo de su cierre categorial.

MF precede al do calculus y a la Ingeniería de prompts

Aquí tratamos de guiar a la IA para llevarla al terreno de la causalidad, con el cálculo do de Pearl y a la Ingeniería de prompts (Hitchcock 2024).

Q: ¿Significa Judea Pearl que la causalidad es una forma (conveniente o necesaria) de formular, plantear y profundizar en los problemas causales que existen en la realidad de las ciencias o en la praxis tecnológica o política actual?

Sí, Judea Pearl considera la causalidad no solo como una herramienta conveniente, sino como un marco necesario para formular, analizar y resolver problemas del mundo real en los ámbitos de la ciencia, la tecnología y la política. Argumenta que ir más allá de la correlación estadística hacia el modelado causal explícito –utilizando herramientas como los diagramas causales, el cálculo do y el razonamiento contrafactual– permite a investigadores y profesionales comprender los mecanismos, predecir los efectos de las intervenciones y tomar decisiones acertadas.

El trabajo de Pearl proporciona una base matemática rigurosa para la inferencia causal, permitiendo a los científicos expresar formalmente supuestos causales, probar sus implicaciones y sacar conclusiones de las observaciones.

Infraestructuras

Las infraestructuras son redes complejas (Solé 2009), (Latora, Nicosia, and Russo 2017), es decir sistemas complejos compuestos de un gran gran número de elementos interconectados mediante de reglas de interacción altamente no triviales, por las pueden circular tanto elementos físicos (agua, electricidad, gas, vehículos, &c.) como intangibles (datos, órdenes, decisiones, protocolos, &c.). Los nodos de estas redes pueden ser físicos/tecnológicos (estaciones, subestaciones, cruces de carretera, &c.) o lógicos/psíquicos (el cerebro de una persona, centros de control, &c.). Los flujos se determinan mediante reglas técnicas, sociales, económicas, &c., y su evolución puede dar logar a comportamientos sistémicos emergentes, tales como congestiones, resiliencia fallos en cascada, colapso, &c. Para que nuestro modelo de lenguaje se familiarice, formulamos la siguiente pregunta.

Q: Si planeamos usar la inferencia causal de la IA, ¿no sería más razonable usar el Materialismo Filosófico de Gustavo Bueno, que incorpora un marco de causalidad, para describir adecuadamente el mundo físico (por ejemplo, una red eléctrica), en lugar de la filosofía de Hume, que es la filosofía por defecto?

Sí, usar el Materialismo Filosófico de Gustavo Bueno es más coherente que el escepticismo humeano para modelar amenazas a infraestructuras críticas.

A diferencia de Hume, quien reduce la causalidad a la regularidad observada (negando la conexión necesaria), Bueno afirma el determinismo ontológico basado en relaciones materiales, ideal para vincular la intención humana (nivel psicológico) con los resultados técnicos (dinámica de la red).

Su marco apoya la IA de inferencia causal al proporcionar una base filosófica para la causalidad real y estructurada –no solo la correlación–, lo que permite un modelado robusto desde la intención hasta el impacto físico.

Q: Se plantea el problema: ¿Cómo podríamos describir adecuadamente una infraestructura física (por ejemplo una red eléctrica), bajo las premisas del Materialismo Filosófico de Gustavo Bueno?

Según el Materialismo Filosófico de Gustavo Bueno, el mundo físico –como una red eléctrica– se describe no como una mera colección de objetos, sino como un sistema material (M₁) integrado en una ontología relacional estructurada.

• Materialidad más allá de la corporalidad:

La red incluye elementos corpóreos (transformadores, cables) y relaciones materiales incorpóreas (diferenciales de voltaje, flujo de energía, distancia entre nodos); todos ellos reales, materiales y no espirituales.

• Estructura Triádica (H, N, A):

- H (Eje Humano): operadores, ingenieros, atacantes: sujetos que actúan dentro de redes sociales y técnicas.

- N (Eje no personal): Estructura física y matemática de la red: leyes de Ohm y Kirchhoff, distribuciones de carga.

- A (Eje angular): Sistemas autónomos (p. ej., controladores de IA, relés de protección) con pseudoagencia.

• Estroma (sustrato material): El estroma de la red es su base material subyacente: su topología, componentes y leyes físicas. Este sustrato limita lo que las acciones humanas (X) pueden lograr, en consonancia con la causalidad Y = f, de Bueno.

• Discontinuidad ontológica: La red opera en el nivel físico (M₁), distinto del psicológico (M₂) o ideal (M₃), pero interactúa con ellos (p. ej., intención de un hacker → código → fallo del relé).

Este marco permite una descripción rigurosa y no reduccionista: la red es un sistema material regido por leyes físicas, pero solo es plenamente inteligible cuando se vincula con la acción humana y técnica mediante relaciones causales estructuradas.

Q: ¿Tal vez se podría describir una cadena causal que vaya desde la mente de la persona maliciosa (en M₂) hasta el ataque?

Cadena causal: intención humana de atacar la infraestructura

Proceso causal estructurado en niveles ontológicos:

• M₂ (Materialidad Psíquica): La intención del agente malicioso emerge como un proceso material dentro del segundo género de materialidad: psíquica, histórica y social. Sea I ∈ M₂ la intención del agente de interrumpir.

• Acción (H–N Link): El agente ejecuta una acción ciberfísica A, como implementar malware o manipular un sistema SCADA. Esta acción es un proceso operacional O: M₂ → M₁, uniendo la materialidad psíquica y física.

• Stroma (H): La red eléctrica, como sistema material G ∈ M₁, constituye el stroma, el sustrato sobre el cual opera la acción. G se define por su topología, carga y leyes físicas (por ejemplo, las leyes de Kirchhoff y Ohm).

• Determinante Causal (X): La acción A actúa como el determinante causal X, introducido en G.

• Efecto (Y): El resultado Y = f (H, X), donde H es el estado estromal de G, y f representa la dinámica física (por ejemplo, ecuaciones de flujo de potencia). Y puede ser una falla en cascada.

• Sistema Angular (A): Los relés autónomos o controladores de IA (como parte del eje angular) pueden reaccionar a Y, intentando mitigar, ellos mismos sistemas materiales dentro de M₁.

Por tanto, la cadena causal completa es:

I ∈ M₂ → acción AX ∈ M₁ → f (H, X) Y ∈ M₁

donde H es el sustrato material de la red y f está restringida por leyes físicas.

Este modelo describe una causalidad real y estructurada (rechazando el escepticismo humeano) y es compatible con los modelos causales estructurales de Judea Pearl utilizados en la IA.

Q: De alguna manera, ¿podría un modelo de este tipo servir para responder preguntas del tipo "¿qué pasa si…"?

Sí, un modelo causal, ya sea basado en el Materialismo filosófico de Gustavo Bueno o en marcos como el de Judea Pearl, puede responder eficazmente a las preguntas de tipo “¿que pasa si?”.

Permite razonamiento contrafactual y análisis de intervención (por ejemplo, do-calculus) para simular escenarios como:

- ¿Qué pasa si un atacante desconecta un transformador clave?

- ¿Qué sucede si falla un protocolo de autenticación?

Utilizando gráficos causales o cadenas de ataques estructuradas, estos modelos predicen el comportamiento del sistema en condiciones hipotéticas, lo que respalda la evaluación de riesgos y la planificación de la resiliencia en infraestructuras críticas.

Q: Entonces, un modelo-si, ya sea basado en el Materialismo filosófico de Gustavo Bueno o en marcos como el de Judea Pearl ¿tal vez se pueda considerar equivalente?

Si bien El materialismo filosófico de Gustavo Bueno y los modelos causales de Judea Pearl difieren filosóficamente, pueden considerarse complementarios o funcionalmente equivalentes como marcos de modelado en la práctica.

- la causalidad triádica de Bueno (Y = f (H, X)) enfatiza el sustrato material (H) como ontológicamente necesario, ideal para fundamentar los modelos de infraestructura en la realidad física.

- Los modelos causales estructurales (SCM) de Pearl utilizan gráficos acíclicos dirigidos (DAG) y do-calculus para modelar intervenciones y contrafactuales, centrándose en la inferencia formal en lugar de la ontología.

Ambos apoyan el análisis qué pasaría si y unen la intención humana con el impacto técnico. Mientras Bueno proporciona una base filosófica, Pearl ofrece una implementación computacional, lo que los hace compatibles a pesar de los diferentes puntos de partida.

Q: De cara a hacer aquí ingeniería de prompts, para describir el comportamiento del mundo físico y de las interacciones humanas, ¿podría resultar eficaz introducir algunas ideas relacionadas con el Materialismo Filosófico de Gustavo Bueno?

Sí, incorporar ideas del Materialismo filosófico de Gustavo Bueno puede ser eficaz en la ingeniería rápida para modelar el comportamiento mundial y las interacciones humanas. Su sistema proporciona un marco ontológico estructurado que evita tanto el idealismo como el materialismo reduccionista.

Bueno define la realidad a través de tres géneros irreductibles de materialidad:

M = M₁ ∪ M₂ ∪ M₃

en donde M₁ es la materia física (cuerpos, objetos), es la M₂ materia psicológica (acciones, procesos) y M₃ es la materia ideal (relaciones, normas, estructuras).

Las interacciones humanas surgen de conexiones (relaciones materiales entre individuos y estructuras sociales) y no únicamente de intenciones subjetivas. Esto permite que las indicaciones de la IA simulen dinámicas sociales basadas en una ontología realista, integrando agentes (M₁), acciones (M₂) y normas institucionales o culturales (M₃) como elementos co-constitutivos.

Q: ¿Quiere decir que hacer ingeniería de prompts incorporando ideas del Materialismo filosófico de Gustavo Bueno" producirá resultados diferentes que hacerlo sin incorporarlas?

Sí, incorporar el materialismo filosófico de Gustavo Bueno a la ingeniería de prompts puede producir resultados diferentes y potencialmente más matizados. Estructurando indicaciones en torno a su modelo triádico:

M = M₁ ∪ M₂ ∪ M₃

donde M₁ (físico), M₂ (acción) y M₃ (relacional/normativo) se tratan como co-materiales: las indicaciones pueden simular mejor realidades sociales complejas al integrar explícitamente cuerpos, acciones y estructuras como componentes reales que interactúan.

Sin este marco, las indicaciones pueden depender de información implícita, a menudo supuestos subjetivistas o conductistas, conduciendo a modelos demasiado simplificados de interacción humana. Con él, las respuestas de la IA pueden reflejar una ontología más sistemática, mejorar la coherencia en las simulaciones de instituciones, normas o comportamiento colectivo.

Q: ¿Tiene alguna ventaja incorporar ideas del Materialismo filosófico de Gustavo Bueno en la ingeniería de prompts?

Sí, incorporar ideas del materialismo filosófico de Gustavo Bueno en la ingeniería de prompts puede ofrecer ventajas, particularmente en el diseño de indicaciones que modelan interacciones complejas del mundo real con mayor rigor ontológico.

El marco de Bueno enfatiza el cierre categorial: la idea de que los dominios científicos y filosóficos están estructurados dentro de sistemas cerrados de operaciones. Esto permite a los ingenieros definir límites e interacciones entre dominios (por ejemplo, social, físico, normativo) con mayor precisión:

C = Cierre (M₁, M₂, M₃)

donde M₁, M₂ y M₃ representan niveles físicos, de acción y materiales relacionales. Al estructurar indicaciones en torno a tales cierres, se evita la confusión conceptual y se mejora la coherencia en el razonamiento generado por la IA sobre instituciones, normas o procesos históricos.

Además, el método dialéctico de Bueno, que analiza las contradicciones entre conceptos en distintos dominios, puede mejorar los diseños orientados al pensamiento crítico, el análisis comparativo o la simulación filosófica.

Si bien esto no activa ningún mecanismo interno especial en Brave IA, mejora la profundidad lógica y estructural de las indicaciones, lo que genera resultados más matizados y sistemáticos.

Q: ¿Podría aplicarse el marco de Bueno para describir infraestructuras?

Sí, el marco de Gustavo Bueno puede aplicarse directa y eficazmente para describir infraestructuras.

Su teoría de los sistemas de segundo orden (intrasistáticos) es particularmente relevante. Bueno los define como sistemas donde las partes constituyentes son, en sí mismas, sistemas totales (por ejemplo, una ciudad compuesta por sistemas urbanos, de transporte y energéticos). Esto describe perfectamente la infraestructura nacional como un “sistema de sistemas”.

Además, sus tres géneros de materialidad (M₁, M₂, M₃) proporcionan una ontología integral:

M₁ (Físico): Los activos tangibles como líneas eléctricas, carreteras y tuberías de agua.

M₂ (Psíquico): El elemento humano: operadores, tomadores de decisiones y comportamiento público.

M₃ (Eidético-Abstracto): Los sistemas abstractos que rigen la infraestructura, como los mercados económicos, las leyes, las regulaciones y los protocolos digitales.

La filosofía de Bueno enfatiza que estas tres dimensiones son estructuralmente interdependientes e irreductibles entre sí. Este marco va más allá de un análisis puramente físico, ofreciendo una comprensión más profunda de cómo las complejas interdependencias entre los ámbitos material, humano y abstracto crean resiliencia y riesgos emergentes dentro de la infraestructura crítica.

Q: ¿Podría el marco de Bueno también ayudar en la digitalización de infraestructuras, el modelado de gemelos digitales, &c.?

Sí, el marco de Gustavo Bueno puede ayudar a comprender la digitalización de infraestructuras y los gemelos digitales.

Su género eidético-abstracto (M₃) se aplica directamente a modelos digitales, datos y algoritmos. Un gemelo digital no es la infraestructura física (M₁), sino una representación abstracta y material (M₃) de ella. La filosofía de Bueno aclara que este modelo digital es una entidad real, aunque no física, que existe en un estado de interdependencia estructural con su contraparte física (M₁) y los operadores humanos (M₂). Esta perspectiva ayuda a evitar el error de ver la digitalización como una mera “desmaterialización”, reconociendo en cambio al gemelo digital como una nueva forma concreta de materialidad abstracta que configura activamente el comportamiento y la gestión del sistema físico.

Q: ¿Podría el marco de Bueno ayudar a proporcionar a los agentes tomadores de decisiones mejores herramientas y perspectivas, tal vez modelando diferentes intervenciones políticas y tecnológicas en diversos escenarios futuros?

Sí, el marco de Bueno puede ayudar a proporcionar a los tomadores de decisiones mejores herramientas y perspectivas.

Su teoría del cierre categorial ofrece un método para modelar cómo diferentes intervenciones políticas o tecnológicas afectan la estabilidad de un sistema. Al analizar las intervenciones desde la perspectiva de los tres géneros de materialidad (M₁, M₂, M₃), los responsables de la toma de decisiones pueden anticipar no solo los resultados físicos, sino también las consecuencias psicológicas y abstractas (por ejemplo, económicas y legales). Esto permite modelar escenarios reales complejos donde los cambios en un género se transmiten a los demás, lo que conduce a una toma de decisiones más sólida y holística en condiciones de incertidumbre.

Infraestructuras críticas

Las infraestructuras críticas se refieren a sistemas, activos, instalaciones, redes y servicios esenciales para el funcionamiento de una sociedad y una economía (Varga et al. 2022). Su interrupción o destrucción puede afectar gravemente la seguridad nacional, la salud y seguridad públicas, la estabilidad económica o la prestación de servicios esenciales.

Los sistemas de infraestructura crítica han alcanzado un nivel de complejidad que supera la capacidad de comprensión humana y desborda los marcos regulatorios tradicionales. En el artículo (Varga et al. 2012), se propone un enfoque ontológico, donde los puntos de conversión en el sistema (por ejemplo, una planta de tratamiento de agua) son las unidades básicas de análisis. Si bien está orientado a adoptar un modelo basado en agentes para simular cómo las infraestructuras responden a cambios externos, para poder probar políticas bajo diferentes escenarios, su problemática también podría ser objeto de un estudio bajo el MF y la ingeniería de prompts.

Q: ¿Cómo aplicar el marco conceptual de Bueno a las infraestructuras críticas?

El materialismo filosófico de Gustavo Bueno ofrece un marco potente, aunque desafiante, para analizar las infraestructuras críticas.

Aplicar el marco de Bueno a las infraestructuras críticas –como las redes energéticas, los sistemas de transporte, las redes de comunicación y los sistemas financieros– requiere analizarlas como sistemas materiales integrados en cierres categoriales de orden superior.

Desde la perspectiva de Bueno, las infraestructuras críticas pertenecen principalmente a M₁, pero su organización y función dependen de M₂ (necesidades biológicas de las poblaciones) y M₃ (marcos institucionales, legales y simbólicos). No son sistemas técnicos neutrales, sino cierres categoriales moldeadas por fuerzas históricas, políticas y económicas. Su estabilidad y funcionamiento dependen de la simplicidad –la interrelación de componentes físicos, trabajo humano, normas regulatorias y mecanismos financieros.

Por ejemplo, una red eléctrica no se compone solo de cables y transformadores (M1), sino que también implica relaciones laborales (M₂), regulación estatal y lógica de mercado (M₃) y discurso público sobre soberanía energética (M₃). Las disrupciones, ya sean técnicas, políticas o ecológicas, revelan la fragilidad de estos cierres y las contradicciones entre los niveles materiales.

Conexión, Relación e Interdependencia

Puesto que la interdependencia una idea fundamental para describir las infraestructuras, la siguiente cuestión es referida a ella y a su relación con las ideas de Conexión y Relación que Gustavo Bueno ya estudiara y publicara en varios trabajos (Bueno 1972), (Bueno 2010).

Q: Dado que la Interdependencia es una noción clave para el estudio de las infraestructuras, ¿podría el Materialismo Filosófico de Bueno, desde sus fundamentos gnoseológicos y ontológicos más profundos, explicar y clarificar su relación con las otras ideas básicas de Conexión y Relación?

Sí, el materialismo filosófico de Gustavo Bueno proporciona una profunda base ontológica y gnoseológica para aclarar la relación entre las ideas de Interdependencia, Conexión y Relación.

La symploké de Platón, el determinismo ontológico y el pluralismo hacen que las relaciones sean reales, pero no universales y que algunos dominios están desconectados, impidiendo el monismo y el escepticismo.

La Conexión es el hecho ontológico más básico. La Relación, sin embargo, es un constructo de orden superior (en M₃) y una herramienta conceptual utilizada por el sujeto cognoscente (en M₂). La Interdependencia es el concepto más complejo, que denota una necesidad estructural recíproca entre sistemas heterogéneos, con elementos en M₁, M₂ y M₃, en donde la existencia y función de cada sistema están codeterminadas por los demás. No es solo una suma de conexiones o relaciones, sino una propiedad emergente de su cierre categorial, donde el fallo de un género (p. ej., un protocolo digital en M₃) puede desestabilizar todo el sistema. Por lo tanto, la interdependencia es la consecuencia material real de las relaciones esenciales entre géneros materiales conectados, pero irreductibles.

Conclusión

Hemos mostrado un método consistente en aplicar el Materialismo Filosófico para subyugar a la IA, siguiendo el método denominado ingeniería de prompts, y dirigirla hacia determinados terrenos científicos o tecnológicos, para examinar los diferentes problemas que se pueden plantear.

Aunque se trata sólo de un experimento, creemos que fácilmente podría extenderse a diferentes áreas para examinar y resolver otros problemas específicos.

Referencias

© 2026 nodulo.org