Vigilancia epistemológica de segundo orden:

las ciencias sociales ante la automatización de la producción de conocimiento

José Raúl Dubón Huezo

Sociólogo. Investigador independiente y consultor en investigación social aplicada

San Salvador, El Salvador — rauldubon.org

Manuscrito de trabajo · Versión 1.0 · Julio de 2026

Preparado con asistencia de IA bajo supervisión, verificación y responsabilidad intelectual del autor

Resumen

La expansión de la inteligencia artificial generativa ha transformado las condiciones sociales de producción, circulación y validación del conocimiento. Este artículo somete a escrutinio una hipótesis extendida —que dicha transformación incrementa la relevancia de las ciencias sociales y las humanidades— y la reformula en términos defendibles. Se argumenta que la automatización de la producción simbólica genera una necesidad funcional específica: la vigilancia epistemológica de segundo orden, definida como el conjunto institucionalizable de operaciones críticas aplicadas al conocimiento mediado por sistemas de inteligencia artificial. El concepto se construye a partir de la tradición de Bachelard y Bourdieu, se distingue de la vigilancia epistémica cognitiva de Sperber y colaboradores, y se especifica en cuatro operaciones: ruptura con la doxa automatizada, objetivación de las condiciones sociales de producción de los sistemas, crítica de la construcción del dato y reflexividad recursiva. El argumento se desarrolla a través de tres tensiones constitutivas —aceleración y reflexión, la doble hermenéutica extendida por el bucle algorítmico, y objetividad y compromiso normativo— y se pone a prueba en dos campos: la polarización mediada digitalmente y el uso de modelos generativos en la propia investigación social. El artículo examina cinco contraargumentos, distingue la necesidad funcional de la posición institucional de las disciplinas, y traduce la tesis en cuatro proposiciones evaluables que la sustraen del terreno del manifiesto.

Palabras clave: vigilancia epistemológica; inteligencia artificial; reflexividad; sociología del conocimiento; doble hermenéutica; epistemología de las ciencias sociales.

Abstract

The expansion of generative artificial intelligence has transformed the social conditions under which knowledge is produced, circulated, and validated. This article scrutinizes a widespread hypothesis —that this transformation increases the relevance of the social sciences and humanities— and reformulates it in defensible terms. It argues that the automation of symbolic production generates a specific functional need: second-order epistemological vigilance, defined as the institutionalizable set of critical operations applied to knowledge mediated by artificial intelligence systems. The concept builds on the tradition of Bachelard and Bourdieu, is distinguished from the cognitive epistemic vigilance of Sperber and colleagues, and is specified through four operations: rupture with automated doxa, objectivation of the social conditions of system production, critique of data construction, and recursive reflexivity. The argument unfolds through three constitutive tensions —acceleration and reflection, the double hermeneutic extended by the algorithmic loop, and objectivity and normative commitment— and is tested in two fields: digitally mediated polarization and the use of generative models within social research itself. The article examines five counterarguments, distinguishes functional necessity from the institutional position of the disciplines, and translates the thesis into four evaluable propositions that remove it from the terrain of the manifesto.

Keywords: epistemological vigilance; artificial intelligence; reflexivity; sociology of knowledge; double hermeneutic; epistemology of the social sciences.

1. Introducción: el problema y la tesis

Entre 2022 y 2026, los sistemas de inteligencia artificial generativa pasaron de ser objetos de laboratorio a infraestructuras ordinarias de la producción simbólica. Redactan informes, sintetizan literatura científica, clasifican poblaciones, moderan conversaciones públicas y responden preguntas que antes se dirigían a expertos, a bibliotecas o a otras personas. El hecho sociológico relevante no es la existencia de estas capacidades técnicas, sino su inserción en las cadenas sociales por las que el conocimiento se produce, circula y adquiere autoridad: la escuela, la prensa, la administración pública, el mercado laboral y la propia ciencia (Crawford, 2021; Zuboff, 2019). Cuando cambia la infraestructura de la producción de conocimiento, cambian también las condiciones de posibilidad del error, del sesgo y de la crítica.

Frente a esta transformación circula, en el debate público y académico, una hipótesis que este artículo toma como punto de partida y como objeto de escrutinio: la idea de que el desarrollo acelerado de la inteligencia artificial no disminuye la importancia de las ciencias sociales y las humanidades, sino que la incrementa, en virtud de su capacidad de producir reflexividad, vigilancia epistemológica, problematización conceptual, contextualización histórica y análisis crítico de los procesos sociales. La hipótesis es atractiva y, precisamente por eso, sospechosa: la formulan, en su mayoría, quienes se beneficiarían de su aceptación. Un argumento sobre la indispensabilidad de las ciencias sociales elaborado por científicos sociales incurre en un riesgo de circularidad corporativista que ninguna apelación a la buena fe puede disolver. La única salida rigurosa consiste en someter la hipótesis al mismo régimen de vigilancia que ella reclama para el conocimiento automatizado.

Ese es el propósito de este artículo. La pregunta de investigación se formula así: ¿qué función epistémica específica, si alguna, vuelve estructuralmente necesaria la automatización de la producción de conocimiento, y en qué condiciones las ciencias sociales y las humanidades pueden reclamar legítimamente su ejercicio? La respuesta que se defiende reformula la hipótesis inicial en dos movimientos. Primero, desplaza el argumento del plano gremial al plano funcional: lo que la automatización vuelve necesario no es una disciplina, sino una función, que aquí se denomina vigilancia epistemológica de segundo orden —el conjunto de operaciones críticas aplicadas al conocimiento cuya producción está mediada por sistemas de inteligencia artificial—. Segundo, distingue la necesidad funcional de la posición institucional: sostener que la función es más necesaria no equivale a predecir que las disciplinas que pueden ejercerla ganarán reconocimiento, financiamiento o autoridad. Ambas cosas pueden divergir, y esa divergencia es en sí misma un objeto de investigación, no un detalle incómodo.

La tesis resultante puede enunciarse en una oración: la automatización de la producción simbólica genera una demanda estructural de vigilancia epistemológica de segundo orden; las ciencias sociales y las humanidades concentran, por su historia teórica y metodológica, las herramientas para ejercerla, pero solo pueden reclamarla legítimamente si la aplican de manera recursiva sobre su propia práctica, incluida su propia adopción de estas tecnologías. La cláusula final no es retórica: convierte la tesis en un compromiso exigente, porque una disciplina que reclama la vigilancia sin ejercerla sobre sí misma pierde el fundamento de su reclamo.

El artículo es teórico y su método es el de la construcción y prueba conceptual: revisa los debates internacionales pertinentes, construye el concepto articulador a partir de una tradición epistemológica precisa, lo desarrolla a través de tres tensiones constitutivas, lo aplica a dos campos de prueba, examina sistemáticamente los contraargumentos más sólidos y, finalmente, traduce la tesis en proposiciones evaluables. La sección 2 reconstruye el estado de la cuestión organizado por debates. La sección 3 elabora el marco conceptual. La sección 4 desarrolla las tres tensiones. La sección 5 presenta los campos de prueba. La sección 6 discute cinco objeciones. La sección 7 formula el programa de investigación y la sección 8 concluye.

2. Estado de la cuestión: cuatro debates y un vacío

La literatura pertinente no forma un campo unificado. Se distribuye en al menos cuatro debates que rara vez dialogan entre sí, y el vacío que este artículo busca ocupar se encuentra precisamente en su intersección.

2.1. El fin de la teoría y las epistemologías de los datos

El primer debate se abrió con la provocación de Anderson (2008), según la cual el diluvio de datos volvería obsoleto el método científico: con suficiente correlación, la teoría sobraría. La réplica académica fue inmediata y sustantiva. boyd y Crawford (2012) mostraron que los grandes volúmenes de datos no hablan por sí mismos: son producidos, seleccionados y limpiados bajo decisiones que incorporan supuestos teóricos no declarados. Kitchin (2014) sistematizó la discusión distinguiendo entre un empirismo ingenuo, que cree operar sin teoría, y una ciencia guiada por datos que reconoce que todo dato es una construcción. En paralelo, la ciencia social computacional se consolidó como programa (Lazer et al., 2009; Lazer et al., 2020; Salganik, 2018), demostrando que las huellas digitales permiten observar procesos sociales a escalas antes inaccesibles, pero también que su aprovechamiento exige diseño, teoría y ética de investigación. Este debate estableció un resultado que el presente artículo asume: la predicción sin comprensión es posible, pero la comprensión sin construcción teórica del objeto no lo es.

2.2. La crítica estructural de la inteligencia artificial como formación social

El segundo debate desplazó la mirada del dato al sistema. Una década de estudios críticos documentó que los sistemas algorítmicos no son artefactos neutrales sino formaciones sociales: reproducen y amplifican desigualdades de raza, género y clase (Noble, 2018; Eubanks, 2018; O'Neil, 2016; Benjamin, 2019), operan bajo regímenes de opacidad que dificultan su auditoría (Pasquale, 2015; Burrell, 2016), extraen valor de la experiencia humana convertida en dato (Zuboff, 2019; Couldry y Mejias, 2019) y descansan sobre cadenas materiales de minería, energía y trabajo precarizado (Crawford, 2021). Fourcade y Healy (2024) sintetizaron la transformación resultante en el concepto de sociedad ordinal: una sociedad en la que la medición, la clasificación y el puntaje automatizados estructuran las oportunidades vitales y producen nuevas formas de capital. Desde América Latina, esta crítica conecta con la discusión sobre la colonialidad del saber (Quijano, 2000; de Sousa Santos, 2009): los corpus y las categorías con que se entrenan los sistemas dominantes se producen mayoritariamente en el Norte global, y el Sur participa sobre todo como fuente de datos y como receptor de clasificaciones. Este debate aporta al presente argumento la evidencia de que las condiciones sociales de producción de los sistemas son parte constitutiva de su comportamiento epistémico.

2.3. La inteligencia artificial dentro de la ciencia y de las ciencias sociales

El tercer debate, el más reciente, examina qué ocurre cuando los sistemas generativos ingresan a la propia práctica de investigación. Una posición identifica oportunidades sustantivas: los modelos de lenguaje pueden simular muestras humanas con fidelidad sorprendente en ciertos dominios (Argyle et al., 2023), asistir la codificación y el análisis de texto a gran escala, y transformar el ciclo completo de la investigación social (Grossmann et al., 2023; Bail, 2024; Davidson, 2024). Una posición crítica documenta los riesgos: los datos generados por modelos heredan y ocultan los sesgos de sus corpus y de sus procesos de alineamiento, lo que compromete su validez como sustituto de datos humanos (Rossi et al., 2024); el entrenamiento recursivo sobre datos sintéticos degrada la diversidad distribucional de los propios modelos (Shumailov et al., 2024); y, en el plano epistémico, la delegación de tareas cognitivas produce ilusiones de comprensión y favorece monocultivos científicos en los que ciertas preguntas y métodos desplazan a los demás (Messeri y Crockett, 2024). Este debate suministra al artículo su material de prueba más directo: muestra que la necesidad de vigilancia no es externa a la ciencia sino interna a ella.

2.4. La agencia de los sistemas: sociología de los algoritmos

El cuarto debate discute el estatuto de los sistemas como entidades sociales. La tradición de los estudios de ciencia y tecnología había mostrado que los hechos científicos se producen en cadenas sociotécnicas donde los instrumentos participan activamente (Latour y Woolgar, 1986). Sobre esa base, Rahwan et al. (2019) propusieron estudiar el comportamiento de las máquinas con métodos conductuales, como se estudia el de animales y humanos; Airoldi (2022) formuló, desde Bourdieu, la noción de machine habitus: los sistemas de aprendizaje automático incorporan disposiciones culturales sedimentadas en sus datos de entrenamiento y las reproducen prácticamente, en bucles de retroalimentación con los agentes humanos. Esposito (2022) reformuló el problema en términos de comunicación: lo que los algoritmos producen no es inteligencia sino comunicación artificial, y su eficacia social no depende de que comprendan. Suchman (2007) y Collins (2018) delimitaron, desde la interacción y desde el conocimiento tácito, lo que estos sistemas no pueden hacer. Este debate obliga a abandonar los dualismos simples entre sujetos y objetos, con consecuencias directas para la tesis, como se verá en la sección 4.2.

2.5. El vacío

Cada debate aporta piezas, pero ninguno articula el problema completo. La tradición de la vigilancia epistemológica —central en la formación metodológica iberoamericana— no ha sido reconstruida sistemáticamente como marco para el conocimiento mediado por inteligencia artificial; los estudios críticos de algoritmos rara vez se formulan en el lenguaje de la epistemología de las ciencias sociales; y la literatura sobre inteligencia artificial en la investigación tiende a producir listas de riesgos y recomendaciones sin un principio teórico unificador. El vacío es, entonces, doble: falta un concepto que unifique las operaciones críticas dispersas en estas literaturas, y falta una formulación de la tesis de la relevancia de las ciencias sociales que sea algo más que una declaración de parte. Las secciones siguientes intentan ambas cosas. Conviene declarar el alcance de esta revisión: es una revisión crítica dirigida, orientada por el problema teórico, no una revisión sistemática exhaustiva; sus criterios de selección privilegian los trabajos que estructuran los debates identificados, y su cobertura de la literatura más reciente se limita a lo verificable al momento de escritura.

3. De la vigilancia epistemológica clásica a la vigilancia de segundo orden

3.1. La tradición: obstáculo, ruptura, reflexividad

La vigilancia epistemológica tiene una genealogía precisa. En Bachelard (2000), el conocimiento científico no se construye sobre la experiencia inmediata sino contra ella: el obstáculo epistemológico es la opinión sedimentada, la imagen familiar, la generalización prematura que se interpone entre la experiencia primera y el concepto. La ciencia comienza con una ruptura, y la vigilancia es la disposición que impide recaer en la comodidad de lo ya sabido. Bourdieu, Chamboredon y Passeron (2002) trasladaron este programa a las ciencias sociales con una radicalización necesaria: en el estudio de la sociedad, el obstáculo no es solo la percepción ingenua sino la sociología espontánea, el conocimiento práctico que los propios agentes producen sobre su mundo y que se presenta con la evidencia de lo natural. De ahí la jerarquía de los actos epistemológicos —ruptura, construcción, comprobación— y la insistencia en que el hecho científico se conquista contra la ilusión del saber inmediato, se construye teóricamente y se comprueba empíricamente, en ese orden.

El último Bourdieu (2003) añadió la pieza que completa el dispositivo: la reflexividad entendida no como introspección del investigador sobre sus sesgos personales, sino como objetivación sistemática de las condiciones sociales de producción del conocimiento —la posición en el campo, los intereses que orientan la agenda, las categorías heredadas con que se piensa—. La vigilancia, en esta tradición, no es una virtud psicológica: es una organización social del trabajo intelectual, encarnada en el oficio, en la crítica entre pares y en las instituciones del campo científico. Esta precisión importa porque anticipa la forma del argumento contemporáneo: si la vigilancia clásica fue la respuesta institucional al obstáculo del sentido común, la pregunta es qué respuesta exige un obstáculo de nueva escala.

3.2. Una distinción necesaria: vigilancia epistemológica y vigilancia epistémica

Antes de definir el concepto propuesto conviene despejar una homonimia. En ciencias cognitivas, Sperber et al. (2010) denominan epistemic vigilance al conjunto de mecanismos psicológicos evolucionados con que los individuos evalúan la información comunicada: calibración de la confianza según la fuente, chequeo de coherencia, detección de engaño. Se trata de una capacidad individual, espontánea y orientada a la comunicación interpersonal. La vigilancia epistemológica de la tradición bachelardiana es otra cosa: una disciplina metodológica, adquirida, institucional, orientada a la producción de conocimiento y no solo a su recepción. La distinción no es escolástica. Los sistemas generativos producen contenido optimizado para resultar plausible, fluido y seguro de sí; ese es precisamente el perfil de señal ante el cual la vigilancia epistémica individual rinde peor, porque las heurísticas de confianza —fluidez, coherencia superficial, tono asertivo— son las que el sistema satisface por diseño. Cuando la producción de plausibilidad se industrializa, la respuesta no puede ser solo cognitiva e individual; tiene que ser metodológica e institucional. Ese es el espacio del concepto que sigue.

3.3. Definición: la vigilancia epistemológica de segundo orden

Se propone denominar vigilancia epistemológica de segundo orden al conjunto institucionalizable de operaciones críticas aplicadas al conocimiento cuya producción, circulación o validación está mediada por sistemas de inteligencia artificial. Es de segundo orden en un sentido preciso: la vigilancia clásica se ejerce sobre la relación entre el investigador y su objeto; la de segundo orden se ejerce, además, sobre los sistemas que ahora median esa relación —sobre sus datos, sus arquitecturas, sus condiciones de producción y sus efectos—. No reemplaza a la primera: la presupone y la extiende. El concepto se especifica en cuatro operaciones.

Primera operación: ruptura con la doxa automatizada. Bachelard (2000) sostenía que la opinión piensa mal porque no piensa: traduce necesidades en conocimientos. Un modelo de lenguaje entrenado sobre corpus masivos de texto humano es, en términos bachelardianos, una máquina de recombinar opinión sedimentada: sintetiza lo ya dicho, con las regularidades estadísticas de lo ya dicho, incluidas sus prenociones. Esto no lo vuelve inútil —también la doxa contiene saber práctico—, pero desplaza el obstáculo epistemológico de la psicología del investigador a la infraestructura misma: la prenoción llega ahora con formato de respuesta experta, sintaxis impecable y disponibilidad inmediata. La primera operación consiste en tratar todo output generativo como material que registra el estado de la opinión —un dato sobre la doxa—, nunca como conocimiento construido, y en exigir para cualquier afirmación relevante el circuito completo de construcción y comprobación.

Segunda operación: objetivación de las condiciones sociales de producción de los sistemas. Un análisis bourdieusiano del campo de la inteligencia artificial registra concentración extrema de capital económico y de infraestructura de cómputo, dependencia de la investigación académica respecto de recursos corporativos, cadenas globales de trabajo de datos y una posición estructuralmente heterónoma de la ciencia frente al mercado (Crawford, 2021; Zuboff, 2019; Couldry y Mejias, 2019). La segunda operación consiste en incorporar sistemáticamente esta objetivación al juicio epistémico: preguntar quién produjo el sistema, con qué datos, bajo qué incentivos, con qué exclusiones, y qué relación guarda todo ello con lo que el sistema puede y no puede decir. La geografía de esa producción importa: cuando los corpus, las categorías y los criterios de alineamiento se definen mayoritariamente en el Norte global, la colonialidad del saber deja de ser una metáfora y se vuelve una propiedad técnica de los sistemas (Quijano, 2000; de Sousa Santos, 2009).

Tercera operación: crítica de la construcción del dato. La sociología de la cuantificación demostró que toda estadística incorpora convenciones de equivalencia, categorías administrativas e historias institucionales (Porter, 1995; Desrosières, 1998; Espeland y Stevens, 2008). Los conjuntos de datos con que se entrenan y evalúan los sistemas son preconstrucciones sociales en este sentido fuerte: deciden qué existe, qué se agrega, qué queda fuera. La tercera operación traslada a los datos de entrenamiento y de evaluación el mismo escrutinio que la tradición aplicó a las estadísticas oficiales: reconstruir su genealogía, sus categorías, sus poblaciones ausentes y las operaciones de limpieza y etiquetado que los produjeron (boyd y Crawford, 2012; Bender et al., 2021).

Cuarta operación: reflexividad recursiva. La vigilancia de segundo orden incluye, como condición de legitimidad, su aplicación a la propia práctica de las disciplinas que la ejercen. Las ciencias sociales que adoptan sistemas generativos para revisar literatura, codificar datos o redactar resultados quedan expuestas a los mismos riesgos que diagnostican en otros: ilusiones de comprensión, homogeneización de preguntas y métodos, delegación inadvertida de decisiones epistémicas (Messeri y Crockett, 2024; Rossi et al., 2024). La cuarta operación exige protocolos explícitos de uso, trazabilidad de lo delegado y evaluación crítica de cada salida —una extensión del programa de Bourdieu (2003) a la relación de la disciplina con sus nuevos instrumentos (Dubón Huezo, 2026).

Dos precisiones cierran la definición. Primera: la vigilancia de segundo orden no es una actitud sino una función, y como toda función puede institucionalizarse en dispositivos concretos —estándares editoriales, auditorías sociotécnicas, requisitos de documentación de modelos y datos, formación metodológica, marcos regulatorios—. Segunda: el concepto no prejuzga quién la ejerce. Que las ciencias sociales y las humanidades concentren las herramientas pertinentes es una afirmación que debe argumentarse, no asumirse; las secciones 4 a 6 asumen esa carga.

4. Tres tensiones constitutivas

El concepto propuesto adquiere contenido cuando se lo hace trabajar sobre las tensiones que la automatización del conocimiento agudiza. Se examinan tres. En cada caso se evita la formulación cómoda de la tensión —la que halaga a las ciencias sociales— y se adopta la formulación exigente.

4.1. Aceleración de la producción, asincronía de la reflexión

La teoría social contemporánea ha descrito la modernidad tardía como un régimen de aceleración: técnica, del cambio social y del ritmo de vida (Rosa, 2016). La inteligencia artificial generativa intensifica ese régimen en el dominio simbólico: el costo marginal de producir texto con apariencia de conocimiento tiende a cero, mientras el costo de evaluarlo críticamente permanece alto y humano. Esta asimetría de costos es el núcleo del problema, y conviene formularla así antes que en el lenguaje nostálgico de la lentitud. No se trata de que pensar despacio sea virtuoso per se —esa versión romántica es un blanco fácil—, sino de que la evaluación crítica es una operación temporalmente costosa cuya omisión no se nota en el producto: un texto no verificado y uno verificado pueden ser indistinguibles en superficie. Cuando la producción se acelera y la evaluación no, el sistema de conocimiento acumula un pasivo invisible.

La evidencia disponible sugiere que el pasivo ya se está acumulando. Messeri y Crockett (2024) muestran que la adopción de herramientas de inteligencia artificial en la investigación, incluso funcionando como se espera, favorece ilusiones de comprensión —los investigadores creen entender más de lo que entienden— y monocultivos científicos en los que se privilegian las preguntas tratables por los instrumentos disponibles. Shumailov et al. (2024) documentan, en el plano técnico, que el entrenamiento recursivo sobre datos generados degrada la diversidad de los propios modelos: la aceleración sin control de calidad erosiona la variedad de la que se alimenta. Wajcman (2015) había mostrado, además, que la promesa de que la tecnología libera tiempo para lo importante rara vez se cumple: el tiempo liberado se reinvierte en más producción. La función de la vigilancia en esta tensión no es desacelerar el mundo, objetivo tan vano como el de detener la imprenta, sino institucionalizar fricción epistémica selectiva: puntos de control obligatorios —verificación de fuentes, revisión de decisiones delegadas, trazabilidad— allí donde el costo del error es alto, aceptando explícitamente el costo temporal que ello implica. La desaceleración pertinente no es la de la vida; es la del tránsito entre el output y su aceptación como conocimiento.

4.2. Objetos que interpretan: la doble hermenéutica extendida

La segunda tensión exige corregir una formulación heredada. El argumento clásico de la especificidad de las ciencias sociales sostiene que estudiar la sociedad difiere de estudiar la naturaleza porque los objetos sociales son sujetos: interpretan su mundo, y esas interpretaciones son constitutivas de los hechos que se estudian (Winch, 1958; Taylor, 1971; Geertz, 2003). Giddens (1976) lo condensó en la doble hermenéutica: las ciencias sociales interpretan un mundo ya interpretado, y sus propias interpretaciones retornan a él, modificándolo. Tal como suele enunciarse —objetos naturales mudos de un lado, sujetos interpretantes del otro— el argumento invita a un dualismo que el estado actual de la técnica desborda. Los sistemas generativos no encajan en ninguna de las dos casillas: no son sujetos —carecen de la relación reflexiva con el propio acto de conocer que la tradición exige a un actor epistémico (Searle, 1980; Collins, 2018)—, pero tampoco son objetos mudos, porque están hechos de interpretaciones humanas sedimentadas y producen clasificaciones que operan socialmente como interpretaciones (Esposito, 2022; Rahwan et al., 2019).

La reformulación correcta no debilita la tesis: la fortalece y la precisa. Lo que la inteligencia artificial introduce es una extensión del circuito hermenéutico, que puede describirse como un bucle hermenéutico algorítmico: los sistemas se entrenan sobre autointerpretaciones humanas (texto, imágenes, trazas de conducta); condensan esas interpretaciones en disposiciones clasificatorias —lo que Airoldi (2022) llama machine habitus—; devuelven al mundo social clasificaciones, recomendaciones y descripciones; y los agentes humanos incorporan esas devoluciones a la interpretación de sí mismos, generando los datos de la siguiente iteración. La performatividad que la sociología económica documentó para los modelos financieros —modelos que no describen el mercado sino que lo formatean (MacKenzie, 2006)— se generaliza aquí a la cultura: la sociedad ordinal de Fourcade y Healy (2024) es un mundo en el que las categorías de las máquinas se vuelven categorías de la experiencia. Estudiar este bucle requiere exactamente la caja de herramientas de las ciencias sociales interpretativas y estructurales —teoría de la clasificación, análisis de la performatividad, etnografía de infraestructuras, crítica de las categorías—, pero aplicada a un circuito del que las máquinas forman parte. La frontera relevante ya no separa dos tipos de objetos; separa dos preguntas: qué hace el sistema, pregunta técnica, y qué hace el sistema en el mundo social que lo produce y lo incorpora, pregunta irreductiblemente sociológica.

4.3. Objetividad y compromiso normativo

La tercera tensión es interna a la hipótesis inicial, que reclama para las ciencias sociales tanto la objetividad de la vigilancia como el compromiso con una orientación responsable del desarrollo tecnológico. La tradición weberiana advertiría el riesgo: quien vigila y a la vez milita puede terminar usando la autoridad de la ciencia para contrabandear preferencias (Weber, 1982). La objeción es seria y no debe resolverse por decreto. La salida disponible no es la neutralidad —que la historia de la objetividad muestra como un ideal históricamente variable y nunca autoejecutable (Daston y Galison, 2007)— sino la explicitación reglada de la posición: la objetividad fuerte de Harding (1991) y el conocimiento situado de Haraway (1988) sostienen que declarar el punto de vista, lejos de contaminar el conocimiento, es condición de su control crítico. Aplicado al caso: una auditoría de equidad algorítmica presupone una definición normativa de equidad; ocultar esa definición bajo tecnicismos es el error señalado por Selbst et al. (2019) como trampa de la abstracción, y explicitarla es lo que distingue una auditoría científica de una operación de relaciones públicas. La ética relacional de Birhane (2021) y la distinción de Burawoy (2005) entre los tipos de conocimiento sociológico ofrecen el vocabulario para mantener separadas, sin divorciarlas, la función de vigilancia y la función pública: la primera somete los medios y las afirmaciones a control metodológico; la segunda somete los fines a deliberación explícita. La vigilancia de segundo orden exige las dos cosas y exige, sobre todo, no confundirlas: los fines se argumentan, no se miden; los medios y los efectos se miden, no se decretan (Flyvbjerg, 2001).

5. Dos campos de prueba

Un concepto teórico se evalúa por su rendimiento. Se examinan dos campos en los que la vigilancia de segundo orden puede mostrarse en acto, elegidos porque en ambos la tentación de la prenoción es máxima y la evidencia disponible la contradice en aspectos decisivos.

5.1. La polarización mediada digitalmente

Pocas prenociones contemporáneas son tan robustas como la que atribuye la polarización política a las cámaras de eco: las plataformas encerrarían a cada quien con los suyos, y de ese aislamiento nacería la hostilidad. La hipótesis es intuitiva, mediáticamente exitosa y, en su versión fuerte, empíricamente frágil. La investigación sobre exposición selectiva encontró que las dietas informativas de la mayoría de los usuarios son más diversas de lo que el modelo supone (Bruns, 2019); un experimento de campo influyente mostró que exponer a usuarios partidistas a voces del bando contrario no redujo la polarización sino que, en ciertos grupos, la aumentó (Bail et al., 2018); y la síntesis de la literatura sobre polarización afectiva sitúa sus raíces en el alineamiento de identidades sociales más que en el aislamiento informativo (Iyengar et al., 2019). Sobre esa base, Törnberg (2022) propuso un mecanismo alternativo: los medios digitales no polarizan por encerrar sino por conectar a escala translocal, acelerando el ordenamiento partidista de las diferencias —el sorting— que fusiona identidades diversas en dos megabloques mutuamente hostiles. Bail (2021) llegó, por vía experimental y etnográfica, a un diagnóstico convergente: las plataformas operan menos como cámaras de eco que como prismas que distorsionan la percepción del adversario y del propio grupo.

El episodio ilustra las cuatro operaciones con precisión casi didáctica. Ruptura: la explicación espontánea —tecnológicamente determinista y moralmente satisfactoria— debió ser suspendida contra la evidencia de su plausibilidad. Construcción: el objeto real no era el aislamiento informativo sino el alineamiento identitario; sin teoría social de la identidad y del conflicto, los datos de plataformas no lo habrían revelado. Comprobación: experimentos de campo, modelos y trabajo cualitativo, no la acumulación de anécdotas. Y reflexividad: buena parte de la investigación temprana dependía de datos cedidos por las propias plataformas bajo condiciones que limitaban qué podía preguntarse —una restricción estructural que solo la objetivación de las condiciones de producción del dato permite ver. Para el diseño institucional la diferencia no es académica: si el problema fuera la cámara de eco, la solución sería mezclar audiencias; si el problema es el sorting identitario, esa solución puede agravar el daño, como el experimento de Bail et al. (2018) sugiere. Diagnósticos equivocados producen regulaciones equivocadas, y la función que evita el diagnóstico equivocado es exactamente la que este artículo conceptualiza.

5.2. Los modelos generativos dentro de la investigación social

El segundo campo es interno. La propuesta del silicon sampling —usar modelos de lenguaje para simular muestras humanas— mostró que, bajo condicionamientos sociodemográficos adecuados, las distribuciones de respuesta de un modelo pueden aproximar las de subpoblaciones reales en ciertos dominios actitudinales (Argyle et al., 2023). El hallazgo es genuinamente relevante y su recepción entusiasta, comprensible: promete pilotos baratos, pretests instantáneos, acceso a escenarios contrafácticos. La crítica posterior estableció los límites: los datos generados heredan los sesgos del corpus y del alineamiento del modelo, tienden a comprimir la varianza, rinden peor precisamente en las poblaciones subrepresentadas en el entrenamiento y carecen de la relación referencial con sujetos situados que define al dato social (Rossi et al., 2024). Grossmann et al. (2023) y Bail (2024) delimitan el espacio razonable: instrumentos poderosos para tareas auxiliares y para el estudio de los propios sistemas, sustitutos inadmisibles del contacto con el mundo social cuando lo que se investiga es ese mundo y no su reflejo estadístico.

La vigilancia de segundo orden convierte este debate en criterio de demarcación operativo. Primera operación: un output de modelo es un dato sobre la doxa registrada en su corpus; puede estudiarse como tal —y ese estudio es una línea de investigación legítima y creciente—, pero no puede citarse como si fuera la voz de una población. Segunda: ningún uso serio sin objetivación del sistema usado —de quién es, con qué se entrenó, qué políticas de alineamiento lo gobiernan—, porque esas condiciones son variables explicativas de sus salidas. Tercera: los conjuntos de evaluación con que se valida un uso deben someterse a la misma crítica que cualquier instrumento de medición. Cuarta: los equipos que adoptan estas herramientas documentan qué delegan, verifican lo delegado y reportan su uso, del mismo modo en que se reporta cualquier decisión metodológica consecuente. Nada de esto prohíbe; todo esto demarca. La alternativa —adopción sin protocolo— ya tiene diagnóstico en la literatura: más producción, menos comprensión (Messeri y Crockett, 2024).

6. Contraargumentos

Una tesis vale lo que valen las objeciones que sobrevive. Se examinan cinco, formuladas en su versión más fuerte.

6.1. La objeción de la sustitución

Primera objeción: la inteligencia artificial hará mejor ciencia social que las ciencias sociales; la predicción a escala vuelve superflua la comprensión. Es la tesis de Anderson (2008) actualizada. La respuesta tiene tres capas. Empírica: los sistemas actuales fallan sistemáticamente donde el conocimiento social es tácito, contextual e indexical, precisamente los dominios que Collins (2018) y Suchman (2007) identificaron como constitutivos de la socialidad. Epistemológica: predecir no es comprender; una correlación estable puede sostener decisiones y a la vez ocultar el mecanismo, y sin mecanismo no hay crítica posible del propio predictor (Kitchin, 2014; Salganik, 2018). Reflexiva, y es la capa decisiva: en un mundo donde los sistemas median la conducta que ellos mismos predicen, la predicción se vuelve parcialmente performativa —el modelo participa en producir lo que anticipa (MacKenzie, 2006)—, y evaluar ese circuito exige un punto de vista externo al circuito. Debe concederse, sin embargo, lo que la objeción tiene de razón: la ciencia social que ignore estas herramientas quedará empíricamente disminuida. La respuesta a la sustitución no es la trinchera disciplinar sino la hibridación vigilada que la ciencia social computacional seria practica (Lazer et al., 2020).

6.2. La objeción del corporativismo

Segunda objeción: la tesis es un alegato de parte; toda profesión amenazada descubre razones por las que resulta indispensable. La objeción debe aceptarse como restricción metodológica permanente, no refutarse. Tres compromisos la incorporan al argumento. Primero, la tesis se formula sobre la función y no sobre el gremio: si otras comunidades —ingeniería crítica, periodismo de investigación, auditoría independiente— desarrollan las cuatro operaciones, la función queda cubierta y la tesis satisfecha; lo que se defiende es la necesidad de la vigilancia, no un monopolio profesional. Segundo, la tesis se paga con reformas internas: la cláusula de reflexividad recursiva obliga a las ciencias sociales a estándares de transparencia, verificación y documentación de su propio uso de estas tecnologías, es decir, encarece la posición de quien la enuncia. Tercero, la tesis se somete a evaluación empírica en la sección 7: un alegato corporativista no especifica las condiciones bajo las cuales estaría equivocado; este artículo lo hace.

6.3. La objeción de la ineficacia histórica

Tercera objeción: las humanidades y las ciencias sociales llevan décadas ejerciendo la crítica sin impedir ninguna de las patologías que diagnostican; postular que ahora serán decisivas confunde deseo con pronóstico. La objeción acierta contra la versión ingenua de la hipótesis y por eso este artículo no la defiende. La distinción introducida en la sección 1 hace aquí su trabajo: la tesis afirma necesidad funcional, no eficacia garantizada ni ascenso institucional. Es perfectamente posible —y la evidencia presupuestaria de varios países lo sugiere— que la demanda objetiva de vigilancia crezca mientras la posición institucional de las disciplinas que podrían ejercerla se deteriora. Esa asimetría no refuta la tesis: la convierte en diagnóstico de un riesgo. Las funciones necesarias pueden quedar vacantes; la historia de la salud pública y de la regulación financiera ofrece precedentes de funciones críticas subfinanciadas hasta la crisis siguiente. Señalar la vacancia posible es distinto de profetizar la relevancia, y es lo único que el argumento autoriza.

6.4. La objeción de la redundancia

Cuarta objeción: la ética de la inteligencia artificial, la filosofía de la técnica y la propia comunidad de aprendizaje automático ya cubren este terreno; el concepto propuesto rebautiza lo existente. La respuesta es una delimitación, no una descalificación. La ética de la IA se ocupa centralmente de fines, principios y daños; la literatura técnica sobre equidad y robustez, de propiedades formales de los sistemas. La vigilancia de segundo orden se ocupa de algo que ninguna de las dos toma como objeto sistemático: las condiciones sociales de producción del conocimiento mediado —campo, capital, categorías, corpus, bucles de retroalimentación con la estructura social—. La operación segunda y la tercera son sociológicas en sentido estricto; sin ellas, la ética flota sobre principios sin sociología y la técnica optimiza métricas cuya construcción social no examina (Selbst et al., 2019; Birhane, 2021). El concepto no sustituye esas literaturas: nombra la función que las articula y señala la caja de herramientas que la tradición epistemológica de las ciencias sociales ya tenía preparada para ejercerla.

6.5. La objeción de la incoherencia performativa

Quinta objeción: los propios científicos sociales usan sistemas generativos —este manuscrito se preparó con asistencia de uno—; predicar vigilancia mientras se los adopta es incoherente. La objeción confunde abstinencia con vigilancia. La tradición nunca exigió renunciar a los instrumentos —la estadística fue y sigue siendo un instrumento cargado de teoría y de Estado (Desrosières, 1998; Porter, 1995)— sino objetivarlos, protocolizar su uso y mantener la decisión epistémica del lado humano. La incoherencia existiría si el uso fuera opaco y la delegación, inadvertida. Por eso la cuarta operación tiene el estatuto de condición de legitimidad y por eso este artículo declara su propio proceso de producción: la coherencia no consiste en no usar la herramienta, sino en que el uso quede sometido al mismo régimen de vigilancia que el texto defiende. El caso está tratado con mayor extensión en Dubón Huezo (2026).

7. De la hipótesis al programa: cuatro proposiciones evaluables

Una tesis teórica que no especifica sus condiciones de fracaso es un manifiesto. Para sustraerse a ese destino, la tesis se traduce en cuatro proposiciones de rango medio, cada una con indicadores posibles y con la observación que la debilitaría.

P1 (homogeneización epistémica). A mayor integración no protocolizada de sistemas generativos en un campo de investigación, mayor convergencia de temas, métodos y marcos en su producción publicada. Es la traducción evaluable del diagnóstico de monocultivos de Messeri y Crockett (2024). Indicadores: medidas bibliométricas de diversidad temática y metodológica en ventanas comparables de adopción. La debilitaría: evidencia de que campos con alta adopción sin protocolos mantienen o aumentan su diversidad epistémica.

P2 (doxa automatizada). Ante preguntas sobre el mundo social, los sistemas generativos reproducen las distribuciones de posición dominantes en sus corpus, con subrepresentación sistemática de posiciones periféricas, lenguas minorizadas y perspectivas del Sur global. Indicadores: auditorías comparadas de outputs contra distribuciones de encuestas y corpus regionales. La debilitaría: auditorías robustas que muestren representación equilibrada sin intervención correctiva específica.

P3 (bucle hermenéutico algorítmico). La exposición sostenida a clasificaciones y descripciones generadas por sistemas desplaza las autodescripciones de los agentes hacia las categorías de los sistemas. Es la versión evaluable de la extensión de la doble hermenéutica (sección 4.2) y de la mecánica de la sociedad ordinal (Fourcade y Healy, 2024). Indicadores: diseños longitudinales y experimentales sobre vocabularios de autopresentación e identidad en poblaciones con distinta exposición. La debilitaría: estabilidad de las autodescripciones bajo alta exposición, o adaptación de los sistemas a los vocabularios de los agentes sin efecto recíproco.

P4 (asimetría funcional-institucional). La demanda de funciones de vigilancia —auditoría, evaluación de impacto algorítmico, gobernanza de datos, integridad de la información— crece más rápido que el reconocimiento institucional y el financiamiento relativo de las disciplinas sociales y humanísticas. Indicadores: series de financiamiento público comparado, composición disciplinar de los organismos creados por marcos como la Recomendación de la UNESCO (2021) y el Reglamento europeo de inteligencia artificial (Unión Europea, 2024), y mercados laborales de esas funciones. La debilitaría: convergencia sostenida entre demanda funcional y posición institucional. Esta proposición es la que da contenido empírico a la distinción central del artículo: si P4 se confirma, la tesis funcional es compatible con el declive institucional, y el problema práctico se vuelve el de la vacancia de la función.

Las cuatro proposiciones no agotan la tesis, pero la anclan: señalan dónde mirar, qué contaría en contra y qué agenda de investigación se sigue. Ninguna es trivial y ninguna está, al momento de escritura, resuelta.

8. Conclusiones

Este artículo partió de una hipótesis atractiva y deliberadamente la maltrató. De ese maltrato sobrevive una tesis más estrecha y más firme que la original. No es verdad, en el sentido fuerte que la hipótesis inicial sugería, que la inteligencia artificial incremente la relevancia de las ciencias sociales: la relevancia es una posición institucional que se gana o se pierde en luchas que ningún silogismo decide. Lo que sí puede sostenerse, con la evidencia y los argumentos revisados, es que la automatización de la producción simbólica genera una necesidad funcional nueva en escala aunque no en naturaleza —la vigilancia epistemológica de segundo orden—, que esa función tiene contenido operativo preciso —ruptura con la doxa automatizada, objetivación de las condiciones de producción, crítica de la construcción del dato, reflexividad recursiva—, y que la tradición epistemológica y metodológica de las ciencias sociales constituye, hoy por hoy, el repertorio más desarrollado para ejercerla, a condición de que acepte el costo de ejercerla también sobre sí misma.

La agenda que se sigue es doble. De investigación: las cuatro proposiciones de la sección 7 definen un programa empírico sobre homogeneización, doxa automatizada, bucles hermenéuticos y asimetría funcional-institucional, al que este artículo aporta el marco y no los resultados. De institucionalización: si la función es necesaria y su ejercicio no está garantizado, la pregunta práctica es qué dispositivos la encarnan —formación metodológica que incluya la crítica de sistemas y de datos, estándares editoriales de declaración y verificación de usos, auditoría sociotécnica con posición explícita, participación disciplinar en los marcos de gobernanza existentes (UNESCO, 2021; Unión Europea, 2024; Acemoglu y Johnson, 2023)—. La historia de la vigilancia epistemológica enseña que nunca fue una virtud individual sino una organización social del rigor. Su segunda época, si llega a existir, tampoco lo será.

Queda declarado el límite mayor del ejercicio: este es un artículo teórico escrito desde una posición interesada, con una revisión dirigida y no exhaustiva, y su valor se decidirá donde se deciden estas cosas: en la crítica de los pares y en el rendimiento empírico de sus proposiciones. Eso no es una concesión final; es la tesis aplicada a sí misma.

Referencias

Acemoglu, D., y Johnson, S. (2023). Power and progress: Our thousand-year struggle over technology and prosperity. PublicAffairs.

Airoldi, M. (2022). Machine habitus: Toward a sociology of algorithms. Polity.

Anderson, C. (2008, 23 de junio). The end of theory: The data deluge makes the scientific method obsolete. Wired.

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., y Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337–351.

Bachelard, G. (2000). La formación del espíritu científico (23.ª ed.). Siglo XXI. (Obra original publicada en 1938).

Bail, C. A. (2021). Breaking the social media prism: How to make our platforms less polarizing. Princeton University Press.

Bail, C. A. (2024). Can generative AI improve social science? Proceedings of the National Academy of Sciences, 121(21), e2314021121.

Bail, C. A., Argyle, L. P., Brown, T. W., Bumpus, J. P., Chen, H., Hunzaker, M. B. F., Lee, J., Mann, M., Merhout, F., y Volfovsky, A. (2018). Exposure to opposing views on social media can increase political polarization. Proceedings of the National Academy of Sciences, 115(37), 9216–9221.

Bender, E. M., Gebru, T., McMillan-Major, A., y Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). ACM.

Benjamin, R. (2019). Race after technology: Abolitionist tools for the New Jim Code. Polity.

Birhane, A. (2021). Algorithmic injustice: A relational ethics approach. Patterns, 2(2), 100205.

Bourdieu, P. (2003). El oficio de científico: Ciencia de la ciencia y reflexividad. Anagrama. (Obra original publicada en 2001).

Bourdieu, P., Chamboredon, J.-C., y Passeron, J.-C. (2002). El oficio de sociólogo: Presupuestos epistemológicos. Siglo XXI. (Obra original publicada en 1968).

boyd, d., y Crawford, K. (2012). Critical questions for big data. Information, Communication & Society, 15(5), 662–679.

Bruns, A. (2019). Are filter bubbles real? Polity.

Burawoy, M. (2005). For public sociology. American Sociological Review, 70(1), 4–28.

Burrell, J. (2016). How the machine 'thinks': Understanding opacity in machine learning algorithms. Big Data & Society, 3(1).

Collins, H. (2018). Artifictional intelligence: Against humanity's surrender to computers. Polity.

Couldry, N., y Mejias, U. A. (2019). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

Daston, L., y Galison, P. (2007). Objectivity. Zone Books.

Davidson, T. (2024). Start generating: Harnessing generative artificial intelligence for sociological research. Socius, 10.

De Sousa Santos, B. (2009). Una epistemología del Sur: La reinvención del conocimiento y la emancipación social. Siglo XXI / CLACSO.

Desrosières, A. (1998). The politics of large numbers: A history of statistical reasoning. Harvard University Press. (Obra original publicada en 1993).

Dubón Huezo, J. R. (2026, julio). Reflexividad e inteligencia artificial: El oficio del investigador social ante la automatización del saber. rauldubon.org.

Espeland, W. N., y Stevens, M. L. (2008). A sociology of quantification. European Journal of Sociology, 49(3), 401–436.

Esposito, E. (2022). Artificial communication: How algorithms produce social intelligence. MIT Press.

Eubanks, V. (2018). Automating inequality: How high-tech tools profile, police, and punish the poor. St. Martin's Press.

Flyvbjerg, B. (2001). Making social science matter: Why social inquiry fails and how it can succeed again. Cambridge University Press.

Fourcade, M., y Healy, K. (2024). The ordinal society. Harvard University Press.

Geertz, C. (2003). La interpretación de las culturas. Gedisa. (Obra original publicada en 1973).

Giddens, A. (1976). New rules of sociological method: A positive critique of interpretative sociologies. Hutchinson.

Grossmann, I., Feinberg, M., Parker, D. C., Christakis, N. A., Tetlock, P. E., y Cunningham, W. A. (2023). AI and the transformation of social science research. Science, 380(6650), 1108–1109. https://doi.org/10.1126/science.adi1778

Haraway, D. (1988). Situated knowledges: The science question in feminism and the privilege of partial perspective. Feminist Studies, 14(3), 575–599.

Harding, S. (1991). Whose science? Whose knowledge? Thinking from women's lives. Cornell University Press.

Iyengar, S., Lelkes, Y., Levendusky, M., Malhotra, N., y Westwood, S. J. (2019). The origins and consequences of affective polarization in the United States. Annual Review of Political Science, 22, 129–146.

Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big Data & Society, 1(1).

Latour, B., y Woolgar, S. (1986). Laboratory life: The construction of scientific facts (2.ª ed.). Princeton University Press.

Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A.-L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D., y Van Alstyne, M. (2009). Computational social science. Science, 323(5915), 721–723.

Lazer, D. M. J., Pentland, A., Watts, D. J., Aral, S., Athey, S., Contractor, N., Freelon, D., González-Bailón, S., King, G., Margetts, H., Nelson, A., Salganik, M. J., Strohmaier, M., Vespignani, A., y Wagner, C. (2020). Computational social science: Obstacles and opportunities. Science, 369(6507), 1060–1062.

MacKenzie, D. (2006). An engine, not a camera: How financial models shape markets. MIT Press.

Messeri, L., y Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627(8002), 49–58. https://doi.org/10.1038/s41586-024-07146-0

Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. New York University Press.

O'Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.

Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press.

Porter, T. M. (1995). Trust in numbers: The pursuit of objectivity in science and public life. Princeton University Press.

Quijano, A. (2000). Colonialidad del poder, eurocentrismo y América Latina. En E. Lander (Ed.), La colonialidad del saber: Eurocentrismo y ciencias sociales (pp. 201–246). CLACSO.

Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J.-F., Breazeal, C., … Wellman, M. (2019). Machine behaviour. Nature, 568(7753), 477–486.

Rosa, H. (2016). Alienación y aceleración: Hacia una teoría crítica de la temporalidad en la modernidad tardía. Katz.

Rossi, L., Harrison, K., y Shklovski, I. (2024). The problems of LLM-generated data in social science research. Sociologica, 18(2), 145–168. https://doi.org/10.6092/issn.1971-8853/19576

Salganik, M. J. (2018). Bit by bit: Social research in the digital age. Princeton University Press.

Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424.

Selbst, A. D., boyd, d., Friedler, S. A., Venkatasubramanian, S., y Vertesi, J. (2019). Fairness and abstraction in sociotechnical systems. En Proceedings of the Conference on Fairness, Accountability, and Transparency (pp. 59–68). ACM.

Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., y Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759.

Sperber, D., Clément, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., y Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359–393.

Suchman, L. (2007). Human-machine reconfigurations: Plans and situated actions (2.ª ed.). Cambridge University Press.

Taylor, C. (1971). Interpretation and the sciences of man. The Review of Metaphysics, 25(1), 3–51.

Törnberg, P. (2022). How digital media drive affective polarization through partisan sorting. Proceedings of the National Academy of Sciences, 119(42), e2207159119. https://doi.org/10.1073/pnas.2207159119

UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. UNESCO.

Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea.

Wajcman, J. (2015). Pressed for time: The acceleration of life in digital capitalism. University of Chicago Press.

Weber, M. (1982). El sentido de la “neutralidad valorativa” de las ciencias sociológicas y económicas. En Ensayos sobre metodología sociológica. Amorrortu. (Obra original publicada en 1917).

Winch, P. (1958). The idea of a social science and its relation to philosophy. Routledge & Kegan Paul.

Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.

Notas editoriales (no forman parte del manuscrito a enviar)

1. Estatuto de las referencias. Todas las obras citadas existen: son clásicos verificados o publicaciones recientes confirmadas mediante búsqueda documental el 21 de julio de 2026 (Messeri y Crockett 2024; Grossmann et al. 2023; Bail 2024; Törnberg 2022; Fourcade y Healy 2024; Airoldi 2022; Rossi et al. 2024; Argyle et al. 2023; Shumailov et al. 2024). No se inventó ninguna referencia.

2. Verificaciones pendientes antes del envío (detalle bibliográfico fino, no existencia). Confirmar en Zotero o en la fuente original: (a) lista completa y orden de autores de Argyle et al. (2023), Bail et al. (2018), Lazer et al. (2009, 2020) y Rahwan et al. (2019) —esta última se cita abreviada con puntos suspensivos por tener más de veinte autores—; (b) páginas exactas de Shumailov et al. (2024) y de Espeland y Stevens (2008); (c) datos de la edición de Amorrortu del ensayo de Weber y de la edición de Katz de Rosa (2016); (d) DOI faltantes. Ninguna de estas verificaciones afecta la existencia de las obras, solo el detalle de asiento.

3. Alcance de la revisión. La revisión de literatura es crítica y dirigida por el problema teórico; no es una revisión sistemática (sin protocolo PRISMA, sin búsqueda exhaustiva multibase). Si la revista objetivo exige estado del arte exhaustivo, ampliar la sección 2 con una búsqueda estructurada (Scopus/WoS, 2022–2026, términos: epistemological vigilance, reflexivity AND artificial intelligence, LLMs AND social science methodology).

4. FUENTE REQUERIDA. La afirmación de la sección 6.3 sobre “evidencia presupuestaria de varios países” respecto del financiamiento relativo de humanidades y ciencias sociales requiere respaldo documental específico (series OCDE, Eurostat, RICYT u homólogas) o debe reformularse en condicional. Es el único punto del texto que descansa en conocimiento general no citado.

5. Revistas sugeridas. (a) En inglés (mayor probabilidad de cuartil alto en sociología/teoría): Big Data & Society (SAGE; especializada exactamente en este cruce); Theory, Culture & Society; Current Sociology (ISA). Requeriría traducción profesional. (b) En español (indexadas en Scopus, cuartil variable según año; verificar en Scimago antes de decidir): Revista Española de Investigaciones Sociológicas (REIS), Revista Mexicana de Ciencias Políticas y Sociales, Convergencia. Precaución de honestidad: no puedo garantizar el cuartil vigente de ninguna revista; verificar en scimagojr.com el año en curso.

6. Declaración de uso de IA. Varias revistas exigen declarar asistencia de IA en la preparación del manuscrito. La portada ya lo declara; adaptar la fórmula a la política editorial de la revista elegida. La sección 6.5 convierte esta circunstancia en argumento, no en debilidad.