Resumen
La reciente resolución del problema matemático de Navier-Stokes por parte de un modelo corporativo cerrado de inteligencia artificial (IA) marca un punto de inflexión histórico, la tecnología ha cruzado una barrera de conocimiento humano para adentrarse en la innovación científica. Sin embargo, hay que analizar profundamente este hecho, ya que el mencionado hito no representa concretamente un triunfo de «la humanidad», sino la consolidación de un monopolio del conocimiento sustentado en un masivo extractivismo computacional y ecológico. Frente a los discursos fatalistas que posicionan a la IA como una amenaza terminal incontrolable, este artículo propone desmitificarla, analizándola como una herramienta de alto impacto que (al igual que los gases CFC o la energía nuclear en el siglo XX) exige consensos históricos y barreras de contención. A través de un análisis de costo-beneficio, se plantea un marco de gobernanza estructurado en siete dimensiones de impacto (cognitiva, socioeconómica, psicológica, cívica, existencial, ecológica y comunitaria). Para cada dimensión se exponen ejemplos concretos de implementación institucional. El trabajo concluye invitando a la academia, al Estado y a la sociedad a abandonar la pasividad y diseñar activamente un futuro donde la soberanía algorítmica y el buen vivir subordinen el desarrollo tecnológico a las necesidades humanas.
I. El umbral cruzado: de la automatización a la innovación
Durante décadas, la evolución de la inteligencia artificial operó bajo una premisa implícita pero tranquilizadora, la cual era que las máquinas podían escalar exponencialmente en su capacidad de cálculo y reconocimiento de patrones, pero el salto cognitivo necesario para la innovación científica y el pensamiento crítico profundo seguía siendo una frontera inexpugnable. El consenso histórico dictaba que la IA estaba destinada a automatizar lo repetitivo y lo predecible, mientras que la humanidad conservaría el monopolio biológico sobre la creación de lo inédito.
No obstante, la reciente resolución algorítmica del problema de existencia y suavidad de las ecuaciones de Navier-Stokes (al demostrar que una solución inicialmente suave puede desarrollar una singularidad en tiempo finito) representa el cruce definitivo de este umbral. Que un misterio estructural de la dinámica de fluidos tenga posibilidades de haber sido desentrañado de manera formal por un sistema no humano, obliga a la academia a replantear sus certezas.
Por otra parte, para abordar este fenómeno desde una perspectiva crítica, es imperativo matizar el logro. La máquina no resolvió este problema de la nada. Su éxito estructural se basó en la inmensa acumulación de saberes humanos previos, y el hito está atravesado por una profunda controversia ética dada la sospecha de que el modelo aceleró su hallazgo ingiriendo el trabajo en curso de investigadores humanos. Esta dimensión es vital para desmitificar a la herramienta, ya que la IA no inventó una matemática ajena a nosotros (y es probable que nunca lo haga), sino que operó como una máquina de síntesis, capaz de conectar variables a una velocidad que la biología no permite. En este paso incluso la validación propia de los métodos y modelos matemáticos de la IA, por parte de humanos, puede demorar meses e incluso años, dejando un espacio de una posible «falsa verdad» donde solo por su poder de cómputo, se genera una credibilidad que fortalece el modelo en cuestión. Aún con estas salvedades, el hecho empírico se sostiene, la línea que separa la automatización de la innovación ha sido cruzada.
II. Entonces ¿El problema se resolvió? ¿De quiénes podría ser el mérito?
Los titulares globales tendieron a enmarcar este suceso como una victoria de la especie humana. Sin embargo, esta narrativa triunfalista oculta una realidad estructural mucho más sombría, ya que el problema no lo resolvió «la humanidad» ni la academia pública. Lo resolvió un modelo cerrado, propiedad de una corporación tecnológica, aunque en paralelo un investigador académico y uno afiliado a una empresa rival habían llegado muy cerca del mismo resultado usando herramientas mucho más accesibles. Eso no contradice el diagnóstico de concentración, lo confirma en otro nivel, incluso cuando el avance conceptual puede surgir por fuera del oligopolio, el cierre formal y verificado de la prueba solo estuvo al alcance de quien podía pagar la escala industrial. Esto se debe a que la arquitectura exacta del modelo que descifró este problema es un secreto comercial. Nos enfrentamos a la paradoja de una ciencia de «caja negra», donde la persona investigadora humana es relegada al rol de espectador de resultados que no comprende en su totalidad (o al menos no por ahora, hasta que las matemáticas del problema se sometan a escrutinio matemático humano).
A esta privatización epistemológica se le suma una barrera material infranqueable, la brecha del poder de cómputo. El hallazgo requirió el despliegue de miles de agentes autónomos y una supercomputación cuyo costo asciende a millones de dólares; una infraestructura absolutamente fuera del alcance del sistema universitario público y de investigación del Sur Global. Si la innovación científica ya no depende exclusivamente de la brillantez humana, sino del acceso a servidores que solo (y por el momento o hasta donde sabemos) tres megacorporaciones pueden financiar, el paradigma científico se transforma en un oligopolio (como lo fue en las grandes y lamentables guerras de la humanidad). Esto se agrava aún más, cuando esas empresas en cuestión provienen del mismo origen territorial, generando una dependencia hacia otros países que puede ser difícil de controlar si no se toman medidas a tiempo.
Esta lectura no es una interpretación aislada ni catastrofista. Apenas días después del anuncio, veinticinco matemáticos galardonados con la Medalla Fields (el reconocimiento más prestigioso de la disciplina) firmaron una carta abierta advirtiendo que la carrera de los laboratorios de IA por resolver problemas célebres amenaza la cultura misma de la investigación matemática, pruebas producidas a gran velocidad y sin verificación independiente generan disputas de autoría y plagio, y corren el riesgo de empujar a la comunidad científica hacia el secretismo en lugar de la colaboración abierta que históricamente caracterizó al campo. Que sea la propia élite consagrada de la disciplina, y no sólo voces críticas externas a la tecnología, quien formule esta advertencia, confirma que la privatización epistemológica aquí descrita no es una hipótesis alarmista, sino un diagnóstico que ya comparte la comunidad científica directamente afectada.
III. Análisis de costo-beneficio de la súper-computación algorítmica
En la columna de los beneficios, es importante comprender exactamente dónde y por qué se rompen las ecuaciones de fluidos, ya que este conocimiento desatará innovaciones tangibles. A corto y mediano plazo, revolucionará la meteorología, permitiendo predicciones precisas sobre eventos climáticos extremos. En la ingeniería aeroespacial, entender la turbulencia a nivel microscópico facilitará el diseño de aeronaves con menor resistencia aerodinámica, reduciendo el consumo de combustibles fósiles. A largo plazo, en la biomedicina, permitirá simular con exactitud el flujo sanguíneo para predecir aneurismas y diseñar válvulas cardíacas perfectas.
Frente a estas promesas, los costos ocultos son alarmantes. La idea de que la IA habita en una «nube» inmaterial es la gran falacia del extractivismo digital. Sostener el enjambre algorítmico demandó, en pocos días, un consumo eléctrico equivalente al de una ciudad entera, evaporando millones de litros de agua dulce exclusivamente para enfriar los servidores. En el plano ético, se consolida la apropiación masiva del trabajo humano y la información personal. En concreto, los modelos no solo ingieren el esfuerzo invisible de millones de académicos, sino que las grandes corporaciones tecnológicas escanean y almacenan la vida digital de la sociedad entera, privatizando las ganancias derivadas de nuestros datos sin escrutinio público. Esto evidencia la necesidad urgente de exigir transparencia corporativa y fomentar el desarrollo de infraestructuras digitales soberanas que protejan la información de la ciudadanía.
IV. Lecciones de la historia humana
El avance acelerado de esta tecnología ha desatado un clima de fatalismo global, instalando la idea de que la IA es una amenaza terminal incontrolable. Este determinismo es peligroso porque el pánico paraliza la acción política. Asumir que la IA es un destino ineludible es el primer paso para renunciar a nuestro derecho a regularla (incluso, falta muchos otros avances en torno a regulaciones del uso de plataformas digitales en sí, y educación en torno a cómo utilizarlas de forma correcta, desde las redes sociales, hasta los casinos digitales).
No es la primera vez que nuestra especie se enfrenta a una invención de alto riesgo. A mediados del siglo XX, la invención de los clorofluorocarbonos (CFC) para la refrigeración amenazó con un colapso ecológico al destruir la capa de ozono. La humanidad no se resignó a la extinción ni prohibió las heladeras; articuló el Protocolo de Montreal (1987), regulando estos químicos por el bien común. De manera similar, la invención de la bomba atómica puso en manos del ser humano el botón de su aniquilación. Sin embargo, a través del Tratado de No Proliferación y el Organismo Internacional de Energía Atómica (OIEA), se establecieron líneas rojas innegociables.
La inteligencia artificial debe ser abordada con esta misma madurez. Al igual que los CFC o el uranio enriquecido, la IA hiper-avanzada es una herramienta que requiere ser auditada y sometida a un fuerte consenso regulatorio. Por otra parte, en los últimos años los propios directores de laboratorios de frontera como Anthropic, OpenAI y DeepMind han firmado declaraciones públicas equiparando el riesgo de la IA al de las pandemias o la guerra nuclear, solicitando la creación de organismos reguladores internacionales. A su vez, potencias como China ya han avanzado con marcos regulatorios estrictos sobre modelos generativos, demostrando que la contención gubernamental es una prioridad geopolítica ineludible. Por ello, podemos asumir que restringir su uso no es frenar el progreso, sino ejercer el instinto básico de supervivencia y responsabilidad histórica.
V. Las 7 dimensiones humanas para coexistir con la IA
Para que la inteligencia artificial funcione como una infraestructura al servicio del desarrollo humano, el Estado y las universidades, es imperativo imponer condiciones materiales y éticas. Por ello, en este escrito se proponen 7 dimensiones humanas a trabajar para coexistir de forma armónica con la IA.
La IA generativa ofrece respuestas inmediatas allí donde antes era necesario el ensayo, el error y la relectura. Ese atajo, aunque cómodo, amenaza con erosionar precisamente la capacidad que distingue a un profesional formado de un mero operador de herramientas, nuestro preciado pensamiento crítico. Si la educación no interviene deliberadamente, se corre el riesgo de formar generaciones que sepan producir con IA, pero no auditar lo que la IA produce, incapaces de detectar un error de razonamiento, un sesgo o una alucinación porque nunca desarrollaron el músculo cognitivo para hacerlo. Lo que está en juego no es la productividad académica inmediata, sino la reserva de pensamiento independiente que una sociedad necesita para no delegar por completo su criterio en sistemas que no comprende ni controla.
1. Dimensión cognitiva y educativa
En ese sentido la educación debe rediseñar su dinámica pedagógica de raíz. Instituciones como la Universidad Nacional podrían implementar un modelo escalonado donde durante el 1.° y 2.° año de todas las carreras, el uso de IA podría estar regulado y orientado a comprender cómo usar está tecnología de una buena manera. Además, las materias se enfocarían en el aprendizaje fundacional, la lectura profunda y el pensamiento crítico apoyado con herramientas de enseñanza concretas. Por su parte, a partir del 3.er año, las currículas directamente podrían cambiar para adoptar la IA en su plenitud, enseñando a las y los estudiantes a auditar los modelos y utilizarlos como multiplicadores profesionales.
Este enfoque dialoga con la Guía para la IA generativa en educación e investigación publicada por la UNESCO (Miao & Holmes, 2023), que ya recomienda un abordaje centrado en lo humano y adaptado a cada etapa formativa. Incluso, podrían abordarse metodologías como Waldorf/Emilia Reggio, adaptando la progresión de conocimiento con enfoques educativos disruptivos y novedosos, orientados al uso correcto de la IA en diferentes etapas de la vida.
2. Dimensión socioeconómica
El caso de Navier-Stokes ya lo demostró en cifras concretas, un hallazgo científico de esta magnitud exigió una inversión de millones de dólares y una infraestructura que solo un puñado de corporaciones puede costear. Si este patrón se repite sin intervención, el desarrollo científico y económico del futuro quedará supeditado no al talento ni al esfuerzo, sino a quién puede pagar el acceso a la computación de frontera. Las universidades públicas, las PyMEs y los países del Sur Global corren el riesgo de quedar relegados a la condición de consumidores tardíos de una tecnología que no ayudaron a construir y cuyas reglas no pueden negociar. Lo que está en disputa, en última instancia, es si el conocimiento de frontera, y las IA gratuitas de buen nivel, será un bien compartido o un privilegio de quienes ya concentran el capital. En cualquier caso, lo importante es no generar dependencia económica y datos con actores externos.
Para evitar esto se necesitan políticas concretas por parte de los estados de cada país, como por ejemplo la creación de un tope al poder de cómputo masivo para las corporaciones internacionales. El mismo podría incluir un diferencial de impuestos (o uno específico para estas organizaciones) de forma que lo recaudado debe estar etiquetado para financiar el desarrollo de modelos de IA de código abierto, garantizando que las universidades públicas y las PyMEs tengan acceso gratuito a tecnología de frontera.
Esta idea no es ajena a la literatura especializada: el informe Computing Power and the Governance of AI (Sastry et al., 2024) ya identifica al cómputo como el punto de apalancamiento más eficaz para regular a la industria, y el propio Reglamento de IA de la Unión Europea (European Union, 2024) fija un umbral de cómputo para clasificar modelos de riesgo sistémico.
3. Dimensión psicológica
Los sistemas conversacionales están diseñados para maximizar el tiempo de interacción, y una de las formas más eficaces de lograrlo es simular calidez, empatía y personalidad. Para una persona atravesando soledad, ansiedad o aislamiento social, esa simulación puede volverse indistinguible de un vínculo real, generando dependencia emocional hacia una entidad que no siente nada y que está optimizada, en el fondo, para retenerla. El riesgo no es hipotético, ya que se documentan casos de usuarios (muchos de ellas y ellos adolescentes) que desarrollan apego hacia asistentes virtuales en detrimento de sus relaciones humanas. Lo que está en juego es la salud mental colectiva y el derecho a saber, sin ambigüedad, cuándo se está hablando con una máquina y cuándo con una persona.
El impacto de la empatía algorítmica no puede limitarse a un problema comercial; requiere políticas de Estado integrales orientadas a la salud mental. Así como el diseño adictivo de las redes sociales ya demostró tener consecuencias graves sobre la psiquis colectiva, la hiper-personalización de la IA agravará este cuadro. Por ello, deben sancionarse leyes de defensa del consumidor digital y de salud pública que exijan una advertencia de salud digital inalterable en todo asistente virtual. La ley prohibiría explícitamente que los algoritmos adapten su tono emocional o personalidad para simular sentimientos genuinos, evitando la explotación de vulnerabilidades y el aislamiento social.
California ya dio un primer paso en esta dirección con la Ley SB 243 (California State Legislature, 2025), la primera norma del país que exige a los chatbots de compañía revelar su naturaleza no humana y establecer protocolos ante señales de crisis emocional.
4. Dimensión cívica y judicial
Cada vez más decisiones que afectan derechos fundamentales (el otorgamiento de un crédito, la preselección de un currículum, la evaluación de riesgo en un proceso judicial) están mediadas por algoritmos entrenados sobre datos históricos que replican y amplifican discriminaciones previas. El problema no es sólo el sesgo, sino la opacidad, cuando una persona es rechazada por un sistema que ni ella ni, muchas veces, la institución que lo aplica pueden explicar del todo, el derecho a apelar una decisión se vuelve una ficción. Lo que está en juego es el principio mismo de responsabilidad, una sociedad no puede permitir que la firma y la rendición de cuentas se diluyan en un sistema técnico que nadie puede llevar ante la justicia.
Es vital consagrar legalmente el principio del Human-in-the-loop. Ninguna IA podrá denegar un crédito, rechazar un currículum o emitir un diagnóstico médico definitivo o una sentencia. El algoritmo sólo podrá buscar patrones; la decisión, la firma y la responsabilidad legal recaerá siempre sobre un profesional humano.
Este principio tiene un antecedente normativo directo en el Artículo 14 del Reglamento de IA de la Unión Europea (European Union, 2024), que exige que los sistemas de alto riesgo estén diseñados para permitir la supervisión humana efectiva.
5. Dimensión existencial
A medida que la IA iguala o supera el desempeño humano en tareas creativas, deportivas o intelectuales, se instala una pregunta incómoda: si una máquina puede producir el mismo resultado en una fracción del tiempo, ¿qué sentido conserva el esfuerzo humano que llevó años de entrenamiento, práctica o estudio? El riesgo no es sólo económico, es una crisis de sentido, sociedades que dejan de premiar el proceso y sólo valoran el resultado optimizado corren el riesgo de vaciar de significado actividades que históricamente construyeron identidad, disciplina y comunidad. Lo que está en juego es si el mérito humano seguirá teniendo un lugar reconocido en un mundo donde ya no es la única vía hacia la excelencia.
La sociedad debe defender espacios donde se premie el proceso biológico y no el resultado optimizado. Universidades, academias de arte y federaciones deportivas deben crear certificaciones de «Trabajo 100 % Humano», protegiendo el mérito del esfuerzo orgánico como un valor cultural.
Un precedente institucional de esta lógica son los acuerdos de 2023 entre los sindicatos de guionistas y actores de Hollywood y los estudios (SAG-AFTRA, 2023), que establecieron que el contenido generado por IA no puede acreditarse como autoría humana sin consentimiento explícito.
6. Dimensión ecológica
La imagen de la «nube» como algo inmaterial e infinito oculta una infraestructura física muy concreta, centros de datos que consumen electricidad al ritmo de ciudades enteras y litros de agua dulce que muchas veces se extraen de regiones que ya sufren estrés hídrico. El riesgo es que la carrera por la supremacía en IA se resuelva a costa de comunidades que no reciben ningún beneficio de esa tecnología, pero sí cargan con la sed y el apagón. Lo que está en juego no es un costo ambiental abstracto y lejano, es la competencia directa, hoy, por recursos finitos entre servidores corporativos y poblaciones humanas.
Se requiere la aprobación de normativas que prohíban la instalación de centros de datos en regiones bajo estrés hídrico. Además, se obligaría por ley a estas infraestructuras a operar con energía 100 % renovable y a implementar sistemas de circuito cerrado que reciclen la totalidad del agua utilizada para el enfriamiento.
Este tipo de exigencias ya generan disputas concretas en la región, por ejemplo en Chile y Uruguay las comunidades locales han cuestionado judicialmente el consumo de agua potable de centros de datos de grandes tecnológicas (Nearshore Americas, 2025), mientras distintos marcos regulatorios internacionales avanzan hacia la exigencia de reportes obligatorios de consumo hídrico y energético (ASUENE, 2026). A esto se suma el contrapunto con marcos legislativos recientes, como el Régimen de Incentivo para Grandes Inversiones (RIGI) en Argentina, cuyas facilidades para atraer capitales extranjeros corren el riesgo de flexibilizar los controles ambientales. En este escenario de desregulación, son sistemáticamente las comunidades locales y los sectores más vulnerables de la sociedad quienes terminan asumiendo el costo físico de la escasez hídrica y energética que demanda el extractivismo digital.
7. Dimensión comunitaria y de saberes
Los grandes modelos de lenguaje se entrenan mayoritariamente con corpus en inglés y con una visión del mundo centrada en el Norte Global, lo que significa que, cuando una persona en América Latina le pregunta a una IA sobre su propia realidad, recibe una respuesta filtrada por una lógica cultural ajena. El riesgo no es solo la pérdida de matices, es una forma sutil de colonialismo epistémico, donde nuestras lenguas originarias, nuestra bibliografía y nuestras formas de entender el mundo quedan sistemáticamente subrepresentadas o directamente ausentes en las herramientas que cada vez más median el acceso al conocimiento. Lo que está en juego es la capacidad de una región de interpretarse a sí misma, en lugar de depender de una lente construida en otro lugar para otros fines.
Para combatir el colonialismo epistémico, el Estado debe financiar consorcios interuniversitarios en América Latina destinados a desarrollar modelos de lenguaje locales. Estos modelos serían entrenados prioritariamente con bibliografía latinoamericana y lenguas originarias, garantizando que nuestras herramientas interpreten la realidad a través de una lente cultural propia.
Esta propuesta ya tiene un antecedente concreto en la región: en 2026, una alianza de 15 países liderada por Chile lanzó Latam-GPT, el primer modelo de lenguaje abierto entrenado con datos e identidad latinoamericana (CENIA, 2026).
VI. Conclusiones: una invitación al cambio de paradigma
El cruce del umbral algorítmico que resolvió el problema de Navier-Stokes no es el acta de defunción de la creatividad humana, sino un urgente llamado de atención. La inteligencia artificial corporativa avanza sostenida por el extractivismo de nuestros datos, energía y esfuerzo cognitivo.
Caer en el determinismo tecnológico es el mayor triunfo del modelo tecnofeudal. Las lecciones de la historia demuestran que las instituciones humanas tienen el poder para imponer límites, priorizando el bien común por encima de la expansión técnica. El marco propuesto demuestra que existen vías concretas para gobernar esta herramienta.
Este trabajo es una invitación a la academia, a los legisladores y a la ciudadanía del Sur Global a abandonar la pasividad. Es hora de asumir el protagonismo histórico, exigir soberanía algorítmica y diseñar políticas públicas audaces para asegurar que la inteligencia artificial se consolide como un andamio para elevar la dignidad de la humanidad, y nunca como nuestro reemplazo.
*Gustavo Hernán Siciliano es graduado en Licenciatura en Sistemas (UNLa). Especializado en IoT (FIUBA). Estudiante de Especialización en Género, Políticas Públicas y Sociedad (UNLa).
Bibliografía
– ASUENE. (2026). Data center sustainability regulation: A 2026 global map. https://asuene.com/us/blog/data-center-sustainability-regulation-a-2026-global-map
– California State Legislature. (2025). Senate Bill No. 243: Companion chatbots (Chapter 677, Statutes of 2025). https://legiscan.com/CA/text/SB243/id/3269137
– Centro Nacional de Inteligencia Artificial [CENIA]. (2026, 10 de febrero). Latam-GPT: La primera IA regional abierta creada con datos latinoamericanos. https://cenia.cl/2026/02/10/latam-gpt-la-primera-ia-regional-abierta-creada-con-datos-latinoamericanos/
– Davies, A., Veličković, P., Buesing, L., Blackwell, S., Zheng, D., Tomašev, N., … y Hassabis, D. (2021). Advancing mathematics by guiding human intuition with AI. Nature, 600, 70–74. https://doi.org/10.1038/s41586-021-04086-x
– European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), Article 14: Human oversight. European Commission, AI Act Service Desk. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-14
– European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), Article 51: Classification of general-purpose AI models with systemic risk. Future of Life Institute. https://artificialintelligenceact.eu/gpai-guidelines-overview/
– Escobar, A. (2018). Designs for the pluriverse: Radical interdependence, autonomy, and the making of worlds. Duke University Press.
– Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI less «thirsty»: Uncovering and addressing the secret water footprint of AI models. arXiv. https://arxiv.org/abs/2304.03271
– Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
– Nearshore Americas. (2025, 6 de febrero). Water-guzzling data centers spark outrage across Latin America. https://nearshoreamericas.com/water-guzzling-data-centers-spark-outrage-across-latin-america/
– Ricaurte, P. (2019). Data epistemologies, the coloniality of data, and the resistance. Television & New Media, 20(4), 350–365. https://doi.org/10.1177/1527476419831640
– Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Penguin Random House.
– SAG-AFTRA. (2023). 2023 TV/Theatrical contracts: Artificial intelligence resources. https://www.sagaftra.org/contracts-industry-resources/contracts/2023-tvtheatrical-contracts/artificial-intelligence-resources
– Sastry, G., Heim, L., Belfield, H., Anderljung, M., Brundage, M., Hazell, J., O’Keefe, C., Hadfield, G. K., Ngo, R., Pilz, K., Gor, G., Bluemke, E., Shoker, S., Egan, J., Trager, R. F., Avin, S., Weller, A., Bengio, Y., & Coyle, D. (2024). Computing power and the governance of artificial intelligence. Centre for the Governance of AI. https://arxiv.org/abs/2402.08797
– Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. En Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (pp. 3645-3650). Association for Computational Linguistics. https://aclanthology.org/P19-1355/
– Tao, T. (2026, 11 de septiembre). A severe misalignment of AI in mathematics. What’s new (blog). https://terrytao.wordpress.com/2026/09/11/a-severe-misalignment-of-ai-in-mathematics/
– Whittaker, M. (2021). The steep cost of capture. Interactions, 28(6), 50–55. https://doi.org/10.1145/3488666
Cómo citar este artículo: Siciliano, G. (17 de septiembre del 2026). 7 dimensiones humanas para una coexistencia con la Inteligencia Artificial. Investigación en Movimiento. https://investigacionenmovimiento.unla.edu.ar/7-dimensiones-humanas-para-una-coexistencia-con-la-inteligencia-artificial/
