La organización que aprende [II]

¿Cuándo se transforma una organización?

1. Introducción

Como se ha visto, recibir una inversión no implica que sus objetivos declarados tengan viabilidad práctica. Aun asumiendo que estos objetivos coinciden con las intenciones manifestadas, la infraestructura receptora puede no estar preparada para cumplirlos. De la misma manera que comprar material deportivo no garantiza ganar una maratón, comprar un Ferrari no convierte a nadie en piloto experto o comprar un libro de física no convierte a nadie en investigador, una máquina puede instalarse, un sistema informático puede ponerse en funcionamiento, un programa de formación puede completarse o un proyecto puede alcanzar sus objetivos y, sin embargo, la capacidad de la organización para resolver problemas, coordinarse y aprender puede permanecer prácticamente inalterada.

¿Cuáles son esos impedimentos? La razón es que una empresa no está constituida únicamente por trabajadores, máquinas y recursos financieros. Está constituida también por los vínculos entre estos ámbitos: acumula conocimiento sobre sus procesos, sobre la forma de resolver problemas, sobre las relaciones entre sus distintas áreas, sobre sus proveedores y sobre las modificaciones que permiten mejorar su funcionamiento. Una parte de ese conocimiento permanece en las personas; otra se incorpora a procedimientos, rutinas, sistemas de información y formas de coordinación. Cuando puede sobrevivir a las personas concretas que lo generaron y ser utilizado por otros miembros de la organización, se convierte en una capacidad colectiva.

Esta dimensión resulta especialmente importante cuando una organización incorpora nuevas tecnologías. Adquirir una máquina o un sistema no significa adquirir automáticamente la capacidad para aprovecharlo. La tecnología debe incorporarse a una organización que ya posee determinados conocimientos, procesos y formas de trabajo. Por eso, la cuestión no es únicamente qué tecnología se incorpora, sino qué ocurre dentro de la organización cuando esa tecnología llega.

Pero esta cuestión introduce un problema adicional: el conocimiento necesario para transformar una organización no se encuentra necesariamente en el mismo lugar que la autoridad para tomar las decisiones. El problema puede resumirse en una pregunta:

¿Qué tiene que ocurrir dentro de una organización para que una inversión o un proyecto no produzca solamente un resultado, sino una capacidad que permanezca?

2. El capital organizativo que no se activa con un botón

Como se comentaba, una empresa es algo más que trabajadores, máquinas y dinero. También acumula conocimiento sobre cómo funcionan sus procesos, cómo se solucionan los problemas, qué información resulta relevante, cómo se coordinan los departamentos, qué proveedores son fiables, qué errores son recurrentes y qué modificaciones pueden mejorar un procedimiento.

Ese conocimiento no tiene una única localización. Una parte permanece en los individuos que forman la organización; otra se incorpora a procedimientos, rutinas, relaciones de trabajo, sistemas de información y formas de coordinación. Cuando estas formas de conocimiento sobreviven a las personas concretas que las generaron y pueden ser utilizadas por otros miembros de la organización, pasan a formar parte de una capacidad colectiva. En la literatura económica, esta segunda dimensión se ha estudiado bajo conceptos como capital organizativo.

La importancia del concepto está en que introduce una capa intermedia entre el capital físico o tecnológico y el resultado productivo. Una máquina puede incorporarse a una empresa en un momento determinado; la capacidad para utilizarla eficazmente depende, en cambio, de conocimientos y rutinas que pueden haberse acumulado durante años [4].

La OCDE considera el capital organizativo una dimensión importante de los activos intangibles necesarios para aprovechar las nuevas tecnologías [5]. Esto permite formular el problema de la productividad española de una manera más precisa: no se trataría únicamente de cuánto se invierte en tecnología, sino de la capacidad de las organizaciones para incorporar esa tecnología a un sistema productivo que ya posee conocimientos, rutinas y relaciones internas.

Esto resulta especialmente visible en los procesos de transformación tecnológica. Instalar un sistema de visión artificial, por ejemplo, requiere mucho más que desarrollar el algoritmo. Hay que determinar qué debe medirse, en qué punto del proceso, con qué parámetros, cómo deben almacenarse los datos, cómo se conecta el sistema con la infraestructura informática existente, qué permisos necesita y cómo se integra en el proceso productivo.

El componente tecnológico suele ser visible y atribuible a un proyecto concreto. El conocimiento necesario para integrarlo puede estar, en cambio, distribuido entre técnicos, ingenieros, responsables de proceso y trabajadores con años de experiencia. Aquí aparece una distinción fundamental:

Adquirir una tecnología no equivale a adquirir el conocimiento organizativo necesario para aprovecharla

Una organización puede incorporar una máquina, un programa informático o un sistema de inteligencia artificial y, al mismo tiempo, conservar prácticamente intacta su capacidad anterior para detectar problemas, compartir información, coordinar decisiones y aprender de los resultados. La transformación productiva depende entonces de algo más que de la incorporación de tecnología. Depende de que la organización sea capaz de absorber, integrar y acumular conocimiento.

3. El problema del conocimiento interno

En muchas organizaciones, ese conocimiento puede estar perfectamente identificado. La cuestión más difícil es otra:

¿Hasta qué punto coincide el lugar donde se encuentra el conocimiento con el lugar donde se toman las decisiones?

Una organización puede disponer de trabajadores capaces de detectar problemas, interpretar procesos y proponer soluciones sin que esas capacidades tengan una correspondencia directa con la estructura formal de autoridad. Esto introduce una diferencia entre poseer conocimiento y tener capacidad para utilizarlo en la decisión.

La investigación sobre organizaciones ha estudiado precisamente la relación entre conocimiento distribuido, centralización y rendimiento. En una muestra de 164 grandes empresas españolas se encontró una relación negativa entre centralización y rendimiento del conocimiento, mientras que determinadas formas de complejidad organizativa podían favorecerlo [4]. Este resultado plantea una cuestión más concreta: una estructura puede conocer dónde reside una determinada capacidad y, sin embargo, no disponer de mecanismos adecuados para incorporarla al proceso de decisión.

El World Management Survey ha mostrado que determinadas prácticas de gestión —seguimiento sistemático, establecimiento de objetivos, incentivos y evaluación— están asociadas con mejores resultados productivos [6]. Estas prácticas permiten introducir otra dimensión en el problema: no basta con que una organización posea conocimiento; también necesita sistemas capaces de convertirlo en información utilizable para la gestión.

La autoridad no solo distribuye responsabilidades; también determina qué información puede llegar a qué nivel, quién puede proponer modificaciones, quién puede contradecir una decisión y qué conocimiento resulta relevante para modificarla. El problema de la organización consiste en hacer compatible la estructura de autoridad con la distribución efectiva del conocimiento.

4. La participación como mecanismo de transmisión

El caso alemán ofrece un mecanismo institucional concreto para abordar este problema. El sistema alemán dispone de los Betriebsräte, consejos de empresa que ejercen derechos de información, consulta y, en determinadas materias, codeterminación. Su interés para este problema no es solamente que exista un canal para transmitir información, sino que ese canal pueda aportar una perspectiva que no dependa exclusivamente de la propia cadena de gestión corporativa.

La investigación reciente encuentra que los works councils alemanes pueden actuar como gatekeepers de las prácticas de gestión. Un estudio basado en datos vinculados de empresas y trabajadores encontró que las empresas con Betriebsrat tenían una mayor probabilidad de que determinadas prácticas implantadas formalmente por la empresa llegaran a aplicarse efectivamente en los niveles intermedios de dirección. Esto permite distinguir entre implantación formal e implantación efectiva [7].

La investigación sobre los Betriebsräte permite observar que sus efectos no se reducen necesariamente a una intervención directa sobre la productividad. Un estudio reciente con datos del German Management and Organizational Practices Survey encuentra que la presencia de un works council fortalece específicamente el efecto de largo plazo de determinadas prácticas de gestión sobre la productividad [8].

Esta evidencia desplaza la cuestión desde la mera existencia de representación hacia la función que desempeña dentro del sistema organizativo. En particular, resulta relevante que la representación pueda favorecer la cooperación necesaria para que determinadas prácticas de gestión se mantengan y produzcan efectos a largo plazo. La cuestión pasa así de preguntar si existe representación a analizar qué mecanismos permiten que la información y las prácticas de gestión circulen efectivamente por la organización.

Incluso en la digitalización alemana los resultados dependen del contexto. Una investigación sobre works councils y adopción de tecnologías digitales encontró que su mera existencia podía estar asociada a menores niveles de equipamiento digital, pero que en establecimientos con elevada presencia de trabajadores dedicados a actividades físicamente exigentes los works councils favorecían la adopción tecnológica [9].

Por tanto, el interés de esta institución para nuestro problema reside en que introduce un mecanismo institucionalizado de transmisión de información desde los niveles donde se desarrolla el trabajo hacia los niveles donde se toman determinadas decisiones, y puede contribuir a que las prácticas de gestión se incorporen efectivamente a los niveles intermedios de la organización.

5. Un mecanismo diferente: la employee voice

Estados Unidos proporciona otro contraste útil porque no dispone de un equivalente general al sistema alemán de Betriebsrat. La literatura anglosajona sobre organizaciones utiliza con frecuencia el concepto de employee voice: la capacidad de los trabajadores para expresar problemas, propuestas y sugerencias.

Una investigación de la Federal Reserve Bank of New York basada en establecimientos estadounidenses encontró que determinadas prácticas de organización del trabajo estaban asociadas con mayor productividad y que la participación de los empleados tenía efectos particularmente positivos cuando se combinaba con establecimientos sindicalizados [10]. Otra investigación —canadiense— sobre employee voice también encuentra que las prácticas que facilitan tanto la expresión de problemas (prohibitive voice) como la propuesta de mejoras (promotive voice) están asociadas positivamente con la innovación organizativa [11].

En Estados Unidos pueden intervenir diferentes canales de transmisión y presión organizativa. Algunos operan directamente dentro de la empresa, mediante la comunicación de problemas y propuestas; otros actúan a través del mercado laboral, como la competencia por trabajadores, la movilidad laboral o los incentivos individuales. La posibilidad de abandonar una organización cuando el conocimiento del trabajador no es reconocido o utilizado adecuadamente introduce así una forma de presión distinta de la representación institucionalizada.

Una investigación publicada en 2026 sobre la llamada worker voice gap encuentra que casi tres cuartas partes de los trabajadores estadounidenses desean tener mayor influencia de la que actualmente tienen sobre cuestiones como remuneración, condiciones de trabajo y utilización de nuevas tecnologías [12]. La comparación permite así distinguir dos arquitecturas diferentes. Alemania institucionaliza una parte de la participación dentro de la empresa mediante representación y codeterminación; Estados Unidos depende en mayor medida de mecanismos organizativos, contractuales y de mercado.

España dispone de sindicatos y mecanismos de representación laboral, pero la cuestión relevante para este análisis es hasta qué punto esos mecanismos consiguen transmitir el conocimiento específico de los trabajadores técnicos y de los niveles intermedios hacia los procesos donde se toman las decisiones. Esta cuestión resulta especialmente importante cuando las decisiones implican inversiones destinadas a transformar procesos productivos: la capacidad para identificar qué necesita ser transformado no tiene por qué coincidir con la capacidad formal para decidir dónde se invierten los recursos. Incorporar ese conocimiento al proceso de decisión no constituye, por tanto, simplemente una forma de participación laboral, sino también un mecanismo mediante el cual la organización puede identificar mejor qué necesita ser transformado.

6. Temporalidad, formación y acumulación de conocimiento

La relación entre duración del empleo y formación empresarial proporciona una primera evidencia relevante para España: un estudio de 2026 analiza 3,1 millones de ofertas de empleo españolas entre 2018 y 2024 y utiliza la reforma laboral de 2022 como experimento cuasi-natural. Las ocupaciones más expuestas anteriormente a la temporalidad experimentaron, tras la reforma, un aumento de 4,3 puntos porcentuales en la formación anunciada por las empresas. Los autores encuentran además un aumento estadísticamente significativo de la participación en formación formal en los datos de encuesta [13].

El resultado puede explicarse por un mecanismo sencillo: una relación laboral de mayor duración aumenta el tiempo durante el cual una empresa puede recuperar los costes de formar a un trabajador. La estabilidad laboral puede influir, por tanto, en la disposición de las empresas a invertir en el desarrollo de conocimientos y competencias.

Sin embargo, el aumento de la formación no permite determinar por sí solo qué ocurre posteriormente con ese conocimiento. Una competencia puede aumentar la capacidad individual de un trabajador sin convertirse necesariamente en una capacidad acumulada de la organización. La cuestión de cómo el conocimiento individual se conserva, se utiliza y llega a incorporarse a una capacidad colectiva requiere observar otros mecanismos que van más allá de la mera inversión en formación.

7. Proyectos temporales y conocimiento permanente

Los programas de prácticas introducen entonces una forma particular de experimentación organizativa. El estudiante puede aportar conocimientos recientes, trabajar junto a empleados con experiencia y desarrollar una solución que la organización quizá no habría explorado mediante sus recursos ordinarios. Pero el resultado del proyecto depende también de lo que ocurra con el conocimiento generado una vez finalizado.

Podemos distinguir así entre el proyecto que se ejecuta y la capacidad que permanece:

problema ➡️ proyecto ➡️ resultado

frente a:

problema ➡️ proyecto ➡️ resultado ➡️ integración ➡️ transferencia ➡️ capacidad organizativa.

La diferencia puede ser decisiva. El primer proceso produce una solución localizada; el segundo incorpora conocimiento al funcionamiento permanente de la organización.

En Estados Unidos existe información sistemática sobre la conversión de prácticas en empleo. La National Association of Colleges and Employers registró en 2026 una tasa media de conversión de becarios a empleados a tiempo completo del 63,1 %, la más alta de los cinco años anteriores. Esta información permite observar las prácticas también como un mecanismo de selección y entrada en la organización [14].

En Alemania existe una infraestructura institucional de observación de las organizaciones que permite abordar este tipo de cuestiones desde una perspectiva longitudinal. El IAB Establishment Panel, desarrollado por el Institut für Arbeitsmarkt- und Berufsforschung, recoge desde 1993 información anual directamente de los establecimientos sobre empleo, estructura y movimientos de personal, contratación, formación, inversiones e innovación. Sus datos pueden además vincularse con información administrativa sobre las trayectorias laborales de los trabajadores [15]. La existencia de una infraestructura de este tipo permite plantear una cuestión adicional: hasta qué punto el conocimiento generado durante la incorporación de nuevos trabajadores o en proyectos temporales llega posteriormente a integrarse en las capacidades de la empresa.

En España existen observatorios universitarios y mecanismos de seguimiento de las prácticas y de la inserción laboral, aunque la información aparece distribuida entre distintas universidades e instituciones. En 2025, el Subgrupo de Observatorios Universitarios de Empleo de la CRUE impulsó el estudio Talento Universitario y Empresa, elaborado con la participación de más de cincuenta universidades y basado en la perspectiva de casi 7.000 empresas españolas sobre formación, competencias, contratación y relación universidad-empresa [16]. La aparición reciente de una iniciativa de este alcance resulta significativa: sugiere que la necesidad de observar de manera más integrada la relación entre el talento universitario y las organizaciones ha adquirido una importancia suficiente como para impulsar un esfuerzo coordinado de mayor escala.

Sin embargo, no hemos encontrado una estadística agregada comparable que permita seguir sistemáticamente el destino de los proyectos realizados por becarios o estudiantes: cuántos se implantan, cuántos continúan desarrollándose después de la estancia, cuánto tiempo permanecen las soluciones en funcionamiento o qué proporción de sus resultados se incorpora al conocimiento organizativo. En definitiva, no se trata solo de mostrar la ejecución o la implantación de un proyecto, sino de observar su impacto sobre la capacidad organizativa una vez se apagan los focos.

8. Conclusión

Una inversión o un proyecto no se convierte automáticamente en capacidad productiva por el hecho de alcanzar sus objetivos. Entre el recurso utilizado y la capacidad que finalmente queda en la organización existe un proceso de incorporación de conocimiento que depende de cómo está organizada la empresa.

La organización necesita poder identificar los problemas, hacer llegar el conocimiento allí donde se toman las decisiones, integrar las soluciones en sus procesos y conservar aquello que se ha aprendido. Para ello importan tanto las estructuras formales de autoridad como los mecanismos que permiten transmitir información desde los niveles donde se genera el conocimiento. También importan las condiciones que hacen posible invertir en las personas y mantener dentro de la organización los conocimientos adquiridos.

La formación puede aumentar las competencias individuales, pero no garantiza por sí sola que esas competencias se conviertan en conocimiento colectivo. Del mismo modo, un proyecto puede producir una solución eficaz sin que esta llegue a incorporarse a las rutinas, procedimientos y capacidades permanentes de la empresa. Por eso, la cuestión relevante no es únicamente si una organización ejecuta una inversión, completa una formación o desarrolla con éxito un proyecto. Es qué puede hacer después que antes no podía hacer, o qué puede hacer ahora de una manera que antes no era posible.

La transformación organizativa comienza cuando el resultado de una inversión deja de ser solamente un resultado y pasa a formar parte de la capacidad de la organización.

9. Bibliografía

[4] Claver-Cortés, E., Pertusa-Ortega, E. M., y Zaragoza-Sáez, P. C. (2008). «Organizational design and knowledge performance: An empirical study». Intangible Capital, 4(3), 166–190. https://doi.org/10.3926/ic.80 [volver]

[5] Organisation for Economic Co-operation and Development (OECD). (2019). «Digitalisation and productivity: A story of complementarities». En OECD Economic Outlook, Volume 2019 Issue 1. OECD Publishing. https://doi.org/10.1787/b2e897b0-en [volver]

[6] Bloom, N. y Van Reenen, J. (2010). «Why Do Management Practices Differ across Firms and Countries?» Journal of Economic Perspectives, 24(1), 203–224. https://doi.org/10.1257/jep.24.1.203 [volver]

[7] Grund, C., Sliwka, D. y Titz, K. (2024). «Works Councils as Gatekeepers: Codetermination, Management Practices, and Job Satisfaction». Labour Economics, 90, 102563. https://doi.org/10.1016/j.labeco.2024.102563 [volver]

[8] Jirjahn, U., Laible, M.-C. y Mohrenweiser, J. (2024). «Management practices and productivity: Does employee representation play a moderating role?». Human Resource Management Journal, 34(1), 236–254. https://doi.org/10.1111/1748-8583.12526 [volver]

[9] Genz, S., Bellmann, L. y Matthes, B. (2019). «Do German Works Councils Counter or Foster the Implementation of Digital Technologies? First Evidence from the IAB-Establishment Panel». Jahrbücher für Nationalökonomie und Statistik, 239(3), 523–564. https://doi.org/10.1515/jbnst-2017-0160 [volver]

[10] Black, S. E. y Lynch, L. M. (2001). «What’s Driving the New Economy? The Benefits of Workplace Innovation». Federal Reserve Bank of New York Staff Reports, n.º 118. Federal Reserve Bank of New York. [volver]

[11] Shin, D., Woodwark, M. J., Konrad, A. M. y Jung, Y. (2022). «Innovation Strategy, Voice Practices, Employee Voice Participation, and Organizational Innovation». Journal of Business Research, 147, 392–402. https://doi.org/10.1016/j.jbusres.2022.04.015 [volver]

[12] Hertel-Fernandez, A. y Kochan, T. A. (2026). «The Worker Voice Gap: How Much Say Do Workers Want—and How Much Do They Actually Experience?». Upjohn Institute Policy Papers, n.º 2026-041. W. E. Upjohn Institute for Employment Research. https://doi.org/10.17848/pol2026-041  [volver]

[13] Adrjan, P., Jessen, J. y Victoria Lanzón, C. (2026). «Restricting Temporary Contracts Increases Firm-Provided Training: Evidence from Spain». CESifo Working Paper, n.º 12594. CESifo, Munich. https://doi.org/10.65864/nwcierg85i [volver]

[14] Gray, K. (2026, 3 de abril). «Intern Conversion Rate Hits Highest Mark in Five Years». National Association of Colleges and Employers (NACE). [volver]

[15] Bellmann, L., Gensicke, M., Kohaut, S., Möller, I., Schwengler, B., Tschersich, N. y Umkehrer, M. (2024). «IAB-Betriebspanel (IAB-BP) 1993–2023». FDZ-Datenreport, 10/2024. Institut für Arbeitsmarkt- und Berufsforschung (IAB). https://doi.org/10.5164/IAB.FDZD.2410.de.v1 [volver]

[16] Borrás Talavera, M. D. y Ramírez Romero, J. M. (coords.). (2025). Talento universitario y empresa: valoración de perfiles, contratación y futuro del empleo en España. McGraw Hill. [volver]

Extracto del artículo publicado originalmente en la plataforma LinkedIn ampliado y adaptado al formato blog.

Leer más

Los límites de la computación y la capacidad humana

El modelo no es la realidad

En una era en la que inteligencia artificial está sustituyendo a cada vez más humanos en tareas que hace poco más de un siglo se consideraban propias de nuestra especie y que, en aquel entonces, se explicaban por una «esencia humana» de origen cercano a lo divino; resulta tentador especular con una creación tecnológica que haya adquirido consciencia y cuya inteligencia sea cercana o incluso superior a la humana. No solo que sea posible, sino que esté a la vuelta de la esquina. 

Pero este optimismo tecnológico no es un fenómeno aislado. El ser humano se ha sorprendido de sus propias creaciones, a veces se atemoriza de ellas, otras por el contrario, cree que puede jugar a ser un dios con ellas. Los avances científicos han tardado en aparecer, necesitando derribar antiguos paradigmas. Pero cuando lo hacen, los colectivos humanos especulan abiertamente con ellos y se imaginan superando las ataduras a sus limitaciones físicas. Anhelan haber hallado por fin una explicación universal que les libere de la incertidumbre, de la duda eterna que ha atenazado a los seres humanos desde que son conscientes de su existencia. 

Esta tendencia recurrente en cuanto a extrapolar más allá de lo que realmente permite el nuevo paradigma, ha sido un patrón histórico bastante característico y, me atrevería a decir, la mayoría de las veces equivocado de maneras catastróficas. Por supuesto, la culpa no es ni de los científicos ni de la ciencia. Es una trampa en la que el ser humano cae, consecuencia de sus propias capacidades pero también, de sus limitaciones, cuando creemos haber dado solución a misterios que nos angustiaban. El primer ejemplo significativo de esta tendencia histórica tuvo como protagonista a la formulación de la Ley de la gravitación universal de Isaac Newton.  

A nadie se le ocurriría culpar al célebre científico británico por haber dado explicación a una parte fundamental del funcionamiento del universo. Sin embargo, la sorprendente capacidad del inglés para articular una serie de formulaciones de carácter matemático y preciso sobre el universo al que se tenía acceso con los medios de la época, tuvo importantes efectos filosóficos, sociales y políticos. En primer lugar, las corrientes de pensamiento idealistas, representadas mayoritariamente por filósofos alemanes, asistían sorprendidos a cómo una visión materialista y mecanicista «ponía orden» en el universo. Otra de las consecuencias fue que, dado el sorprendente éxito del nuevo marco de conocimiento, se inició una tendencia a buscar «leyes universales» que explicaran diversos aspectos de la realidad. 

Uno de los casos más paradigmáticos fue el del Karl Marx que, como reacción a los abusos que en el ámbito laboral se estaban dando, «gracias» de nuevo a los descubrimientos tecnológicos de la Revolución Industrial, creyó ver una ley fundamental que explicaba «el motor de la historia», cuya corriente filosófica se le llamó materialismo histórico y que lo reducía todo a la «lucha de clases». Otro caso fue el de Sigmund Freud, que deseando dar respuesta a los males que afectaban a la mente humana al tener que vivir en un mundo cada vez más alejado del que vio nacer a la especie de la que forma parte, analizó casos particulares de individuos coetáneos y los interpretó como universales a todo el género humano y parte fundamental de su naturaleza. 

Estos marcos ontológicos compartían la característica de ser herméticos y difícilmente refutables dentro de su propio ámbito. Sin embargo, este aparente logro se alcanzaba ignorando todo lo que no encajaba dentro de él o reinterpretándolo de manera que sí lo hiciera. Por ejemplo, Freud zanjaba las criticas a su modelo respecto a la pulsión de muerte o culpa por «matar al padre» diciendo que «no lo recordaban». En el  caso de la filosofía materialista, las criticas se interpretaban como «idealismo» o incluso, «materialismo vergonzante».

Varios sucesos ocurrieron posteriormente que cuestionaban la posibilidad de que un marco cerrado de este tipo pudiera servir como modelo preciso de la realidad. Un aviso fue protagonizado por el matemático y filósofo británico Bertrand Russell al formular su famosa paradoja. Con ella, se advertía de ciertos límites intrínsecos de la lógica formal. Esta limitación no fue inconveniente, sino que más bien fue estímulo, para que el matemático alemán David Hilbert pretendiera elaborar lo que llamó programa de fundamentación completa de Hilbert, un conjunto finito de axiomas que contuviera todas las matemáticas. Es decir, que cualquier formulación matemática que se propusiera podía ser realizada dentro o a partir de dicho conjunto de axiomas. Una de las particularidades de dicho programa era el concepto de «decibilidad» o la posibilidad de poder decidir a partir de dicho conjunto de axiomas si un problema dado cualquiera tenía solución o no. Nota importante: no se trata de la dificultad en encontrar la solución a un problema, sino en poder determinar para todo problema dado si la solución es posible no no.

Algo más tarde apareció el austriaco Kurt Gödel, que con su teorema de la incompletitud acabo tirando por tierra —probablemente sin proponérselo— todo intento de normalizar y formalizar la realidad en un conjunto de axiomas aritméticos. Gödel demostró que ningún sistema formal suficientemente axiomatizado como para ser completamente coherente puede llegar a ser completo a la vez. Es decir, que para ser coherente y completo es necesaria una validación externa a todo marco ontológico. ¿Qué ocurre con la Ley de la Gravedad? ¿Acaso se ha demostrado que es falsa? No, lo que se evidenció es que la famosa ley no explica toda la realidad y que es necesaria otra teoría para llegar a ciertas partes de ella, como fue la de la relatividad de Albert Einstein. Así mismo, la teoría del científico de origen alemán tampoco explica toda la realidad, como también quedo patente con la mecánica cuántica.

Curiosamente, a pesar de todas estas lecciones históricas, el ser humano parece repetir cabezonamente tendencias similares sin mantener la cautela necesaria. Cuando Alan Turing desarrolló la teoría de la computación que hoy define todos los sistemas de tal ámbito, prácticamente de inmediato surgió la posibilidad de explicar «toda» la inteligencia y la capacidad humana, lo que incluiría también la consciencia, la creatividad, la intuición o el pensamiento simbólico, en términos de dicha teoría de la computación. Dicho de otra manera: existía una voluntad ontológica en caracterizar la inteligencia humana en algo intrínsecamente computable. El propio Turing consideró esta posibilidad y para ello propuso un hipotético test para establecer cuando un sistema computacional habría alcanzado una capacidad equivalente a la humana.

Sin embargo, si bien la computación parecía sugerir una capacidad similar a la mente humana al poder realizar tareas que hasta ese momento solo un humano podía acometer, de esto no puede deducirse que sea computable en su totalidad. Que la computación nos permita modelizar o crear «conjuntos de axiomas», también llamados algoritmos dentro de la teoría de la computación, que realizan actividades que hasta ese momento solo podía hacer un ser humano, no implica en absoluto que todo lo que la mente humana puede realizar esté incluido dentro de dicho conjunto de axiomas o que pueda diseñarse uno que la incluya. Es decir, la mente humana hace muchas cosas, algunas —incluso probablemente la mayoría— son computables, pero no todas las que hace o sobre todo, las que puede llegar a hacer —los límites de la mente humana todavía están por definir— tienen por qué serlo.

A pesar de ello, esto es precisamente lo que los defensores de la inteligencia artificial fuerte defienden, simplemente porque la computación puede explicar que ciertos procesos algorítmicos realizan funciones similares a algunas que hasta ahora solo el cerebro humano podía hacer. El resto de las características humanas que continúan fuera de las posibilidades de esta tecnología no son tenidas en cuenta como un verdadero obstáculo y responden con frases del tipo: «se logrará en el futuro» ¿Les suena de algo esto? En definitiva, no solo no se puede afirmar que la mente es «computable», sino que no se tiene ningún motivo para pensar que sea así. El computacionalismo se convierte de esta manera en un marco ontológico hermético y difícilmente falsable, y por ello mismo, insuficiente para lo que cree poder alcanzar.

De la misma manera que la gravedad nunca explicó todo lo que ocurre en el universo —a pesar de lo extraordinariamente precisa que era para aquello que sí podía explicar—, la teoría de la computación tampoco tiene por qué explicar un fenómeno singular y único como es el de la consciencia humana. Que la mente parece estar ubicada en el órgano cerebral —cosa que no está nada clara, menos todavía la consciencia—, el hecho de ser un sistema físico como lo es también un computador, no implica que sea el mismo fenómeno físico el que explique ambos. Un órgano evolucionado durante millones de años puede responder a paradigmas de funcionamiento muy diferentes al de un sistema diseñado en el garaje de una vivienda durante el fin de semana. 

Los límites de la computación

Llegados a este punto, con un contexto aproximado lo suficientemente preciso que el medio y sobre todo, la limitada capacidad de su autor permiten, es factible preguntarse ¿Qué sabemos acerca de los límites de la computación? Si la mente no es necesariamente computable entonces debería ser posible formalizar los límites de la actual teoría de la computación que señalen esa frontera. Algunos ya se han indicado, como el teorema de la incompletitud de Gödel: si un sistema algorítmico puede definirse como un conjunto finito de axiomas, este nunca podrá ser completo y coherente a la vez. Ahora bien, la pregunta siguiente sería ¿lo es la mente humana? Es difícil responder a esta cuestión, pero todavía más lo es responder a la de si puede un sistema informático desarrollar la demostración del teorema de la incompletitud de Gödel, «sabiendo» qué es lo que ha demostrado.

Si estas cuestiones resultan abrumadoras puede empezarse por algo más modesto. Precisamente, el propio Turing descubrió que las máquinas que llevan su nombre, la base de toda la teoría de la computación actual —incluida la computación cuántica y la inteligencia artificial— tienen un límite muy preciso. El matemático británico se dio cuenta que para una serie de problemas de un tipo concreto, un sistema computacional basado en la máquina de Turing no podía decidir si había alcanzado una solución o por el contrario, esta no existía. 

Si recordamos el concepto de decibilidad que pretendía Hilbert, consistía en determinar si un problema  cualquiera tiene solución o no dentro de un conjunto de axiomas dado. Turing comprobó que no existe un algoritmo general que pueda concluir, para un problema cualquiera dado, si este tiene solución o no. A este tipo de problemas se les llama indecidibles y el llamado problema de la parada constituye el ejemplo más conocido en el ámbito de la computación. Este se da cuando una máquina de Turing ha de resolver uno de estos problemas y nunca llega a una solución porque en efecto, esta no existe. Nótese de nuevo que aquí la dificultad no radica en encontrar solución a un problema, ya que por definición, este tipo de problemas no la tienen, no hay solución a la que llegar. El «problema», o más bien habría que decir «metaproblema», consiste en identificar precisamente que no tienen solución y dar como resultado dicha conclusión. 

La capacidad humana

Con el conocimiento actual, ni tan siquiera un número infinito de máquinas de Turing —que según la propia teoría seguiría siendo otra máquina de Turing— serían capaces de identificar que un problema es indecidible y por tanto, no emplear ni un solo ciclo de reloj en intentar solucionarlo. Turing sí que pudo no solo identificarlo, sino además demostrar que ninguna máquina de Turing podía hacerlo. Gödel también pudo demostrar que a veces hace falta una validación externa. Einstein, amigo de Gödel, descubrió la relatividad gracias a dejar atrás el concepto newtoniano de la física y a sus experimentos mentales. Según el famoso físico alemán:

«no podemos resolver un problema si razonamos de la misma manera en la que lo creamos»

¿Sabe una máquina de Turing cuando ha de razonar fuera de su propio marco definido? Según la indecibilidad de Turing y el principio de incompletitud de Gödel, no parece que un sistema algorítmico pueda cambiar de marco cognitivo e incluso crear uno nuevo si el conocido no es suficiente. Newton, Turing, Gödel, Einstein y muchos otros, salvo noticia de última hora, eran todos humanos. Ellos pudieron hacerlo. Por tanto, el ser humano, en determinadas condiciones, es potencialmente capaz de realizar actividades que no pueden ser explicadas a la luz actual de la teoría de la computación. La cuestión no es si todos los humanos podemos hacerlo —probablemente no a voluntad— la cuestión es: ¿Cuál es ese mecanismo que puede identificar la necesidad de cambio de marco cognitivo para resolver un problema?

Estos obstáculos no parecen importar a los defensores del computacionalismo fuerte, asumiendo de manera ontológica que cualquier tipo de procesamiento es reducible a la teoría de la computación. Tal vez argumenten que el procedimiento para averiguar si un problema es indecidible puede ser computable. Y tendrán probablemente razón: una vez hallado, el proceso de demostración puede ser formalizado. Pero de nuevo, en este punto se corre el riesgo de pasar por alto el «metaproblema»: no es «identificar un problema indecidible», sino, dado un problema cualquiera, desarrollar el método necesario para identificar si es decidible o no. Dicho método sería el resultado, pero el proceso para lograr ese método constituye el verdadero reto para el que no existe un método algorítmico válido.

Hasta donde alcanza el conocimiento actual, no disponemos de ningún procedimiento efectivo general que describa ese proceso. Si existe, permanece desconocido; si no existe, el computacionalismo fuerte tendría que afrontar una profunda revisión. Para entender la envergadura de esta acción es necesario hacer el siguiente planteamiento: hasta ahora se han definido algunos de los límites matemáticos a la computación pero no se ha mencionado nada acerca de la naturaleza de lo computable. Esta cuestión se recoge en la llamada tesis de Church-Turing, que sostiene que todo procedimiento efectivo —todo método que pueda descomponerse en pasos sucesivos, por numerosos o complicados que sean— es computable, es decir, que existe un algoritmo que puede llevar a cabo dicha tarea. Aquí es donde el computacionalismo fuerte introduce una premisa adicional que no se deriva de la teoría de la computación ni de la tesis de Church-Turing: que todo proceso cognitivo humano constituye, en último término, un procedimiento efectivo. Sin embargo, esa afirmación nunca ha sido demostrada. 

La cuestión no es si un procedimiento efectivo puede ejecutar un razonamiento previamente formalizado. La cuestión es si el proceso mediante el cual un investigador reconoce la insuficiencia de un marco conceptual y construye otro nuevo puede describirse, él mismo, mediante un procedimiento efectivo general. Mientras no se describa un procedimiento de este tipo, la computabilidad completa de la mente humana seguirá siendo una hipótesis filosófica y un programa de investigación, no una consecuencia establecida de la teoría de la computación..

Frente a esta situación, la postura metodológicamente más prudente consiste en distinguir entre aquello que hoy sabemos describir mediante procedimientos efectivos y aquello para lo que todavía no disponemos de una descripción semejante. Si bien es legitimo intentar modelizar la mente humana hasta alcanzar los límites que la teoría de la computación puede ofrecer, actuar como si esa fuera la única explicación físicamente plausible, tiene el riesgo de descartar de antemano otras posibilidades que, siendo también hoy especulativas, podrían abrir nuevos caminos para ampliar los límites del conocimiento científico. 

Este artículo no cuestiona la posibilidad de que algún día pueda construirse un sistema artificial con capacidades equiparables a las humanas, sino que la teoría actual de la computación baste, por sí sola, para justificar que la cognición humana sea completamente computable. Si algún día se lograra modelizar la mente humana de alguna forma, probablemente requerirá ampliar de manera sustancial el marco conceptual actual, ya fuera mediante una nueva noción de procedimiento efectivo o mediante un paradigma todavía desconocido. Afirmar desde hoy que la mente humana será necesariamente computable, cuando todavía se desconocen los principios que harían posible esa explicación, constituye un salto lógico que corre el riesgo de convertir la tesis en difícilmente falsable. 

Este tipo de posiciones epistemológicamente cerradas —hayan adoptado la forma de positivismo, cientificismo, determinismo mecanicista o cualquier otro marco que pretenda abarcar la realidad desde una única perspectiva— rara vez han ampliado el conocimiento. Con mayor frecuencia han contribuido a retrasar el reconocimiento de fenómenos que no podían describirse mediante las herramientas conceptuales disponibles en su tiempo. La historia de la ciencia muestra precisamente lo contrario: los grandes avances han surgido cuando se ha reconocido que un marco explicativo había agotado su capacidad para responder a nuevas preguntas y ha sido necesario construir otro más amplio. Ningún modelo debe confundirse con la realidad que intenta describir, ni el éxito extraordinario de una teoría autoriza a convertirla en una ontología universal. Si el ser humano llega a construir una mente artificial, será porque primero habrá comprendido con precisión qué explica la teoría actual y qué deja sin explicar.

El cultivo de la creatividad

Resulta paradójico que el computacionalismo fuerte adopte como punto de partida su propio marco sin cuestionar si es suficiente para el objetivo que pretende respecto a la cognición humana. Precisamente, cuestionar la suficiencia del marco vigente fue una de las actitudes intelectuales decisivas que permitieron a Gödel y Turing formular sus teoremas. El hecho de que los defensores del computacionalismo fuerte insistan en proponer un marco que deja de lado el argumento clave que puede cuestionarlo, nos hacer volver la vista hacía el otro protagonista: el ser humano y sus propios límites. No todas las personas podemos identificar o determinar si un problema es indecidible, ni las que son capaces lo han sido siempre. Afortunadamente, cada ser humano es único, no es producto de una cadena de fabricación en serie como lo son los sistemas computacionales. Las personas somos el resultado, no solo de un proceso evolutivo de millones de años, sino que cada individuo lo es de una vida llena de experiencias, de aprendizaje, de conocimiento interior, de vicisitudes y de traumas. 

En algunas ocasiones, trabajando como afirmaba Pablo Picasso —creador del cubismo— la inspiración llega a nuestra mente. En otras viene paseando o mientras se realiza cualquier otra actividad. En cualquier caso, no parece que el proceso de creatividad responda a lo que se ha definido como «procedimiento efectivo». No hay una lista de pasos, una receta para lograrla, aunque ha sido objeto de leyendas y mitos conseguirla. El arte, la filosofía, incluso las matemáticas y la ciencia, no son el resultado de un procedimiento efectivo, sino probablemente de todo lo contrario. A veces las ideas llegan incluso en los sueños. 

Más bien se trata de una cualidad que ha de ser cultivada. Un proceso laborioso y paciente cuyos resultados no pueden determinarse hasta que aparecen. Dicho cultivo puede incluir prácticas como la meditación, las artes marciales y en general, un aprendizaje lento y pausado. Todo aprendiz puede que se haya preguntado alguna vez sobre la utilidad de sus materias de estudio. Y tendrá razón en preguntárselo, porque el resultado no se sabe ni cuando ni cómo llega. Solo se sabe que, a veces, ocurre.

Leer más

El individualismo contra el individuo

Cuando la individualidad destruye al individuo

Es muy común pensar que, dado que el «pensamiento único» conduce a una limitación de la diversidad, la inteligencia colectiva reside en el desacuerdo. La variedad de opiniones permitiría que la mejor idea terminara imponiéndose. Esta intuición contiene una parte importante de verdad: sin diversidad de perspectivas no puede haber evaluación de opciones. Sin embargo, detener el análisis en ese punto supone dejar incompleto el propio mecanismo que hace posible la inteligencia colectiva.

La diversidad constituye únicamente el comienzo del proceso. Para que un grupo sea realmente inteligente no basta con que existan hipótesis diferentes; es necesario que esas hipótesis puedan compararse, coordinarse provisionalmente alrededor de una estrategia común y, sobre todo, ser revisadas posteriormente a la luz de sus consecuencias. 

La evolución selecciona. La inteligencia colectiva aprende. Confundir ambos procesos conduce a interpretar las sociedades humanas como si debieran funcionar del mismo modo que el proceso evolutivo que les dio origen. La inteligencia colectiva no consiste únicamente en seleccionar una alternativa, sino en desarrollar la capacidad del grupo para aprender de la experiencia. Por ello, se manifiesta en un ciclo continuo de diversidad, coordinación y autocorrección mediante el contraste con la realidad.

Ciclo de tres fases: diversidad de perspectivas, acción coordinada y contraste con la realidad.
(Fuente: elaboración propia usando ChatGPT)

Este punto resulta especialmente importante porque modifica completamente la interpretación evolutiva de la cooperación. La teoría evolutiva y la teoría de juegos muestran que la cooperación constituye la principal estrategia adaptativa sobre la que se ha construido la evolución humana. No porque elimine el desacuerdo, sino precisamente porque permite aprovecharlo. La cooperación no consiste en pensar todos igual; consiste en transformar diferencias cognitivas en una estrategia colectiva susceptible de ser corregida posteriormente por la realidad. 

El desacuerdo nunca desaparece. Se convierte simplemente en el punto de partida de un proceso adaptativo continuo. Sin embargo, este mecanismo requiere una condición previa: la capacidad de abandonar provisionalmente la propia posición cuando la evidencia lo exige. Precisamente esta condición parece cada vez más difícil en un contexto donde las posiciones políticas e ideológicas funcionan como identidades. Cambiar de postura choca entonces con la necesidad de defender convicciones que percibimos como propias, aunque con frecuencia sean marcos ideológicos difundidos y posteriormente interiorizados.

Este fenómeno tiene una explicación evolutiva que, paradigmáticamente, también explica por qué lo que ahora es un problema, en el entorno evolutivo donde surgieron nuestras disposiciones era funcional: en los grupos relativamente reducidos donde surgieron dichas predisposiciones humanas, la deliberación constante y la competencia mutua era una estrategia muy ineficiente. La evolución no favoreció únicamente individuos más competitivos. Favoreció también grupos capaces de coordinar mejor el conocimiento distribuido entre sus miembros, identificando entre ellos a las personas que demostraban habilidades en tareas concretas. Esta reputación percibida, posible en aquellos grupos reducidos donde se convivía permanentemente, funcionaba como indicador de selección de líderes. El grupo, aún albergando disparidad de opiniones y habilidades, seguía al considerado mejor preparado. Si se equivocaba de manera reiterada, la reputación percibida quedaba mermada y emergía un nuevo líder.

Sin embargo, los modelos contemporáneos oscilan dicotómicamente entre la confianza ciega en un líder que parece tener siempre todas las respuestas y determinadas concepciones anarcoliberales que aceptan la coordinación únicamente cuando emerge espontáneamente de acuerdos voluntarios, mientras contemplan con profunda desconfianza cualquier mecanismo institucional diseñado para producirla. El desacuerdo pasa así a convertirse no en el origen sino en el destino final del sistema. La competencia permanente entre estrategias individuales sustituye cualquier mecanismo explícito de aprendizaje colectivo. Se espera que sea la propia selección competitiva quien determine retrospectivamente cuál era la mejor estrategia.

Este modelo posee una simplicidad atractiva. Pero precisamente esa simplicidad puede ocultar una dinámica sistémica mucho más problemática que suele pasar desapercibida: seleccionar un vencedor no equivale a que un sistema haya aprendido. Confundir ambos procesos constituye uno de los errores conceptuales más persistentes de nuestro tiempo. Los sistemas que únicamente seleccionan vencedores pueden sobrevivir durante largos periodos sin llegar a comprender por qué tuvieron éxito ni por qué terminan fracasando. Sin aprendizaje colectivo, los mismos errores tienden a reproducirse bajo formas distintas. Quizá por eso la historia parece repetirse: no como un destino inevitable, sino como un continuo intento de adaptación a un mundo cuyas condiciones ya han cambiado. Esta interpretación se desarrolla con mayor profundidad en El motor de la historia como desajuste evolutivo en ResearchGate.

Muchas de esas dinámicas tienen su equivalente en diversos modelos matemáticos, como el Yard-Sale Model, al mostrar que sistemas donde la acumulación puede perpetuarse tienden espontáneamente a concentrar riqueza mediante mecanismos de selección preferencial y realimentación positiva. El resultado son distribuciones de tipo ley de potencia, donde pequeñas diferencias iniciales terminan amplificándose hasta concentrar una parte muy importante de los recursos en un número reducido de nodos. En todo sistema con capacidad de acumulación persistente, la tendencia a la concentración —de riqueza, en este caso— constituye así una propiedad emergente del propio sistema. 

De ello no se deduce, sin embargo, que esa dinámica sea deseable, pues conduce también a una pérdida progresiva de diversidad efectiva. Lo verdaderamente significativo es que dicha concentración no requiere una intervención deliberada para producirse; emerge espontáneamente de la propia dinámica del sistema. Son precisamente los mecanismos de compensación —institucionales, jurídicos, educativos o de cualquier otra naturaleza— los que requieren un diseño consciente para limitar esa tendencia.

La conclusión resulta paradójica: quienes defienden la eliminación de mecanismos institucionales de coordinación suelen hacerlo en nombre de la libertad, la diversidad y la espontaneidad. Sin embargo, si la propia dinámica del sistema conduce a concentraciones crecientes de riqueza, poder, información o capacidad de decisión, entonces esas mismas condiciones terminan destruyendo precisamente aquello que pretendían preservar. La concentración reduce la diversidad efectiva del sistema así como las posibilidades de cooperación entre iguales y, en definitiva, la propia capacidad adaptativa o inteligencia colectiva del conjunto.

La paradoja consiste en que un modelo construido para proteger la «libre competencia» tiende, según varios modelos matemáticos así como la propia realidad de todos los días, a concentrar poder, opinión e influencia en nodos opacos que se protegen y perpetúan a sí mismos. Internet, un cibermundo abierto a todos, se ha convertido en el principal medio a través del cual esos mismos procesos de concentración se extienden desde la riqueza hacia la información, la atención pública y la capacidad de influencia, reduciendo la diversidad cognitiva necesaria para que la inteligencia colectiva pueda seguir aprendiendo y adaptándose a nuevos desafíos.

La pregunta entonces pasar a ser qué modelo resulta, al menos, tan funcional como lo era el de aquellos grupos humanos que aprendían de la experiencia y de los errores en lugar de cuál ideología es «mejor». Las instituciones no deberían evaluarse por su tamaño, sino por su capacidad para impedir dinámicas de concentración que destruyan la diversidad cognitiva necesaria para la inteligencia colectiva. Toda cooperación auténtica es necesariamente voluntaria. Precisamente por ello, el problema no se soluciona «obligando a cooperar», sino diseñando condiciones donde la cooperación continúe siendo una estrategia viable y evolutivamente estable frente a dinámicas acumulativas que terminan dificultándola hasta hacerla prácticamente inviable.

No se trata pues de entender la cooperación por un supuesto «valor moral» sino por su valor para convertirse en una propiedad adaptativa del sistema. La evolución explica cómo surgió nuestra capacidad para cooperar, no se sigue de ello que una sociedad inteligente deba limitarse a reproducir mecánicamente el proceso competitivo mediante el cual esa capacidad apareció. El objetivo no ha de consistir únicamente en producir mejores resultados económicos o de reducir el sufrimiento humano —aunque ambas cuestiones sean relevantes— sino, precisamente, de que la cooperación constituye una innovación evolutiva porque permite aprender antes de que sea la selección quien elimine las alternativas.

La inteligencia colectiva no consiste en esperar a que sobreviva el vencedor. Consiste en preservar la capacidad colectiva de aprender antes de que la concentración del poder reduzca las alternativas disponibles. La evolución selecciona. Una sociedad inteligente aprende.

Bibliografía relacionada

• Axelrod, Robert. La evolución de la cooperación. Madrid: Alianza Editorial, 1986. (Ed. original: The Evolution of Cooperation, Basic Books, 1984).
• Barabási, Albert-László, y Réka Albert. «Emergence of Scaling in Random Networks». Science 286, n.º 5439 (1999): 509-512. Disponible en: https://web.archive.org/web/20120417112354/http://www.nd.edu/~networks/Publication%20Categories/03%20Journal%20Articles/Physics/EmergenceRandom_Science%20286,%20509-512%20(1999).pdf
• Boghosian, Bruce M., Adrian Devitt-Lee y Hongyan Wang. «The Growth of Oligarchy in a Yard-Sale Model of Asset Exchange: A Logistic Equation for Wealth Condensation». Proceedings of the 1st International Conference on Complex Information Systems (2016), pp. 187-193. Preprint disponible en arXiv: https://doi.org/10.48550/arXiv.1608.05851.
• Hilbert, Martin. «Scale-free power-laws as interaction between progress and diffusion». Complexity 19, n.º 5 (2014): 10-17. Publicado online el 18 de diciembre de 2013. https://doi.org/10.1002/cplx.21485.
• Nowak, Martin A., y Roger Highfield. Supercooperadores. Barcelona: Ediciones B, 2012. (Ed. original: SuperCooperators, Free Press, 2011).
• Ostrom, Elinor. El gobierno de los bienes comunes. La evolución de las instituciones de acción colectiva. México: Fondo de Cultura Económica, 2000. (Ed. original: Governing the Commons, Cambridge University Press, 1990).
• Von Neumann, John, y Oskar Morgenstern. Teoría de juegos y comportamiento económico. México: Fondo de Cultura Económica. (Ed. original: Theory of Games and Economic Behavior, Princeton University Press, 1944).

Conceptos relacionados

• Yard-Sale Model (modelo de intercambio patrimonial).
• Selección preferencial (Preferential Attachment).
• Distribuciones de ley de potencia (Power-law distributions).
• Teoría de juegos evolutiva.
• Inteligencia colectiva.
• Cooperación evolutiva.

Leer más