La inteligencia artificial como vector hegemónico en la transformación de las ciudades (y II)

5. Objetos diseñados con IA e inteligencia ambiental en el espacio físico

Los objetos diseñados con IA (OIA) dejaron de ser herramientas pasivas o simplemente automatizadas: son artefactos dotados de una incómoda agencia algorítmica que aprenden, mutan y modifican su comportamiento según el entorno y la interacción con las personas. Como analizan Teresa de la Hera y Joost Raessens, estos objetos incorporan reglas persuasivas pensadas para moldear de forma invisible las conductas humanas.

Esta transformación del espacio físico se apoya en los avances de la visión por computadora y el diseño ambiental:

• Comprensión del entorno urbano. Àgata Lapedriza demuestra cómo los modelos de deep learning son capaces de descifrar el contexto de una escena visual compleja, entendiendo las relaciones entre objetos y prediciendo movimientos humanos.
• Modelado del comportamiento espacial. La aplicación de la IA a la arquitectura permite que los espacios físicos se reconfiguren dinámicamente según las predicciones de uso que hace la máquina.

Sin salvaguardas éticas e institucionales drásticas, la fusión de la IA con la realidad extendida (XR por sus siglas en inglés) y la inteligencia ambiental invisible amenaza con convertir la ciudad en una «prisión de cristal» hiperoptimizada: un entorno en el que el ciudadano pierde el derecho fundamental a la impredecibilidad, al error y a la opacidad emocional. Una ciudad que nunca te sorprende es, sencillamente, una ciudad vigilada con un buen diseño de interfaz.

6. Tipología de los fallos del diseño algorítmico urbano: usos malos, ineficaces y perversos

Para prevenir los estragos de esta automatización ciega, conviene clasificar las patologías del diseño algorítmico en tres categorías de riesgo que exigen respuestas regulatorias contundentes:

• Usos malos (coerción y control), sistemas diseñados con la intención abierta de vigilar masivamente, aplicar profiling predictivo y reprimir el disenso político. Aquí también se encuadra la explotación laboral automatizada en la gig economy, en la que algoritmos totalmente opacos imponen tarifas, asignan tareas y aplican sanciones disciplinarias a los trabajadores sin la menor mediación humana.
• Usos ineficaces (sobreventa y fetiche tecnológico), aplicaciones vendidas como milagrosas que fracasan en el mundo real debido a la deriva de datos (data drift), lo que genera un despilfarro económico y ecológico insostenible. El ejemplo sangrante son las herramientas de policía predictiva: no reducen los delitos, pero encarecen la gestión e intensifican la hipervigilancia en los barrios más vulnerables (de nuevo, casualmente, los mismos de siempre).
• Usos perversos (consecuencias no intencionadas), diseños concebidos con buenas intenciones cuya aplicación sistémica destruye el tejido urbano. Sobresale aquí la tiranía de la optimización: la prisa por maximizar las métricas de velocidad en las plataformas de delivery destroza el espacio público, satura las aceras y precariza el trabajo, al tiempo que engendra adicción digital y atrofia nuestras capacidades cognitivas y de orientación espacial.

7. La materialidad del silicio: ecología urbana, huella de carbono e «IA sobria»

Frente a la trampa narrativa que nos presenta a la IA como una nube vaporosa, incorpórea y limpia, el diseño tecnopolítico debe denunciar su aplastante materialidad ecológica. Mantener esta infraestructura computacional exige un atraco deenergía y de recursos naturales sin precedentes.

La huella ambiental del silicio se articula en dos dimensiones devastadoras:

• Consumo energético y huella de carbono. El entrenamiento y la inferencia diarios de los modelos de lenguaje de gran tamaño (LLM por sus siglas en inglés) y de las redes profundas devoran una cantidad insólita de electricidad. Strubell et al. calculan que entrenar un solo modelo avanzado de procesamiento de lenguaje puede emitir tanto CO₂ como el ciclo de vida completo de cinco automóviles, fabricación y combustible incluidos. Además, la instalación masiva de centros de datos está asfixiando las redes hídricas y eléctricas locales (el cloud siempre resulta estar muy en la tierra).
• Extracción de recursos y residuos. La fabricación de microprocesadores depende de la extracción salvaje de litio, cobalto y tierras raras en el Sur Global, dejando un rastro de pasivos ambientales y guerras geopolíticas. A esto se suma una feroz obsolescencia programada que alimenta montañas de residuos electrónicos (e-waste).

Ante semejante panorama, se vuelve éticamente obligatorio adoptar los principios de una «IA sobria» (Sober AI o Green AI): priorizar modelos algorítmicos pequeños y eficientes, exigir la auditoría pública del consumo energético de los servidores y aplicar la economía circular al hardware en las licitaciones municipales. Lo demás es greenwashing con GPU.

8. La hibridación del rol del diseñador urbano: de la forma física a la arquitectura de la realidad

La irrupción de la IA volatiliza las fronteras del diseño tradicional. El diseñador del futuro ya no puede ser un simple moldeador de formas físicas ni un decorador de interfaces; debe transformarse en arquitecto de sistemas de poder algorítmico y curador crítico de la realidad.

Este nuevo perfil profesional requiere cuatro competencias fundamentales:

• Alfabetización algorítmica y prompt engineering, dominar la lógica interna del machine learning, comprender cómo se construyen los datos de entrenamiento y usar la instrucción (prompt) como verdadero material de proyecto.
• Pensamiento sistémico en bucle cerrado, entender que un producto urbano basado en IA no es un objeto acabado, sino un sistema vivo que muta continuamente a través de bucles de retroalimentación (feedback loops) entre el despliegue, el uso y el reentrenamiento (ex ante e in medias res).
• Codiseño e inclusión social, desplegar metodologías participativas con colectivos históricamente invisibilizados desde la concepción del proyecto (De la Hera et al.), garantizando siempre la supervisión humana (human-in-the-loop) y la protección proactiva de la privacidad visual (como apunta Lapedriza).
• Mediación tecnopolítica, servir de puente y traductor interdisciplinar entre las métricas de la ingeniería, los mandatos de derechos del marco regulatorio del EU AI Act y las necesidades de la ciudadanía a pie de calle.

Conclusión

La inteligencia artificial ha redefinido las bases ontológicas y políticas del diseño urbano. En nuestras ciudades, el reto prioritario no consiste en acelerar la automatización ciega en nombre de una eficiencia abstracta o mercantil, sino en subordinar la potencia computacional a la soberanía democrática, a la equidad social y a la sostenibilidad ecológica del planeta. La responsabilidad histórica del diseñador contemporáneo pasa por trascender la optimización ciega y asumir un compromiso ético ineludible: codificar la justicia, entrenar la equidad y diseñar infraestructuras transparentes al servicio del bien común. Todo lo demás es, de nuevo, tecnofeudalismo con buen branding.

Para saber más:

NOBLE, Safiya Umoja (2018). Algorithms of Oppression: How Search Engines Reinforce Racism. NYU Press.

DE LA HERA, Teresa; RAESSENS, Joost (2021). «Looking Beyond Persuasion Through Rule-Based Representations in Digital Games: Designing Games to Shape, Reinforce, or Change Attitudes». En T. de la Hera, J. Jansz, J. Raessens, & B. Schouten (eds.). Persuasive Gaming in Context, págs. 61-74. Amsterdam University Press. DOI: https://doi.org/10.1515/9789048543939-005

DE LA HERA, Teresa; JANSZ, Jeroen; JACOBS, Ruud; SCHOUTEN, Ben; RAESSENS, Joost; KORS, Martijn (2021). «Persuasive Gaming: From Theory-Based Design to Validation and Back. An Introduction». En T. de la Hera, J. Jansz, J. Raessens, & B. Schouten (eds.). Persuasive Gaming in Context, pàgs. 7-24. Amsterdam University Press. DOI: https://doi.org/10.2307/j.ctv1hw3z1d.3

KOSTI, Ronak, ALVAREZ, Jose M., RECASENS, Adrià; LAPEDRIZA, Àgata (2020). «Context Based Emotion Recognition using EMOTIC Dataset». IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, n.º 11, págs. 2755-2766. DOI: https://doi.org/10.1109/TPAMI.2019.2916866

STRUBELL, Emma; GANESH, Ananya; McCALLUM, Andrew (2019). «Energy and Policy Considerations for Deep Learning in NLP». En: Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, págs. 3645-3650). Association for Computational Linguistics. DOI: https://doi.org/10.18653/v1/P19-1355

Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Ley de IA / EU AI Act).

Imagen de portada:

Ilustración creada por ChatGPT a partir del prompt «Crea una imagen sencilla y sin texto que permita ilustrar un artículo con una visión crítica sobre el tema “La inteligencia artificial como vector hegemónico en la transformación de las ciudades”». Fuente: OpenAI (10 de octubre de 2026).

Citación recomendada

FOGLIA, Efraín. «La inteligencia artificial como vector hegemónico en la transformación de las ciudades (y II)». COMeIN [en línea], octubre 2026, no. 169. ISSN: 1696-3296. DOI: https://doi.org/10.7238/c.n169.2667