Filosofía de la IA: La Competencia Innegociable del Desarrollador Post-Código

Belem Anderson Costa — Sun, 22 Feb 2026 00:00:00 +0000

Texto base público: WLC + Nestle 1904. Traducción: Traducción bíblica Belem-2025.

Escribir código ha dejado de ser un diferencial competitivo. Las herramientas de inteligencia artificial generan, refactorizan y despliegan software con una velocidad y volumen que ningún humano puede igualar. Ante esta realidad, este artículo propone que la verdadera competencia del desarrollador moderno no es técnica — es filosófica. Argumentamos que la Filosofía de la IA, entendida no como disciplina académica abstracta, sino como competencia aplicada de comprensión ontológica, epistemológica y teleológica del comportamiento de agentes de inteligencia artificial, es el punto de inflexión entre el profesional que comanda la máquina y el que es sustituido por ella. Presentamos el framework S/I/M (Sentimiento, Instrucción, Memoria) como modelo mínimo viable para la construcción de agentes comportamentales, y reclasificamos el fenómeno de la alucinación — convencionalmente tratado como defecto de la IA — como síntoma de incompetencia filosófica del operador humano.

Palabras clave: Filosofía de la IA, competencia profesional, agentes comportamentales, ontología de la IA, alucinación, framework S/I/M, ingeniería de inteligencia

1. La Muerte del Código como Diferencial

Hubo un tiempo en que saber programar era poder. La persona que dominaba un lenguaje — que entendía loops, punteros, recursión, patrones de diseño — ocupaba un lugar privilegiado en el mercado laboral. Ese tiempo terminó.

No terminó porque programar se volvió irrelevante. Terminó porque programar se volvió commodity. GitHub Copilot, Cursor, Claude Code, Gemini Code Assist — la lista crece cada trimestre. Estas herramientas no “ayudan” al programador. Programan. Generan funciones completas, escriben tests, refactorizan bases de código enteras, interpretan stack traces y proponen correcciones. Hacen en segundos lo que antes llevaba horas. Hacen en horas lo que antes llevaba semanas.

El estudio conocido como “The 70% Problem” (Addy Osmani, 2024) documentó un fenómeno revelador: los desarrolladores que utilizan asistentes de IA aceptan aproximadamente el 70% del código generado sin comprensión plena de lo que fue producido. No porque sean negligentes. Porque la velocidad de generación supera la velocidad de comprensión humana. El código es correcto — funciona, pasa los tests, resuelve el problema. Pero el desarrollador que lo acepta no sabe por qué funciona.

Eso no es asistencia. Es dependencia. Y dependencia sin comprensión es la definición operacional de vulnerabilidad profesional.

El nuevo analfabeto funcional del desarrollo de software no es quien no sabe escribir código. Es quien no sabe pensar sobre lo que hace la máquina que escribe código.

2. El Listón Subió

Es necesario ser honesto aquí, sin catastrofismo y sin falsa tranquilidad.

No es que el turno del ser humano haya pasado definitivamente a la máquina, como si fuera el fin del mundo. No cayó ningún meteorito. La IA no eliminó al humano. La IA eliminó al humano que no piensa.

Lo que ocurrió fue una elevación del listón. Quedarse en un rincón ejecutando tareas simples — ese CRUD, ese formulario, ese endpoint que sigue el mismo patrón de los últimos quince años — esa opción dejó de existir. No porque alguien decidió que ya no puede existir. Porque una máquina lo hace mejor, más rápido, más barato, y sin quejarse de una reunión a las seis de la tarde.

Lo que quedó — lo que solo quedó — es lo que solo los humanos son capaces de hacer: pensar.

No pensar en el sentido vago y motivacional de la palabra. Pensar en el sentido operacional: analizar contexto, evaluar consecuencias, tomar decisiones bajo ambigüedad, definir propósito, cuestionar premisas, entender límites. Pensar con rigor es lo que la tradición occidental llama filosofía. Y filosofía aplicada al dominio de la inteligencia artificial es lo que este artículo propone como competencia innegociable.

La capacidad de procesamiento de una IA y la cantidad de información acumulada en sus parámetros son tan superiores a las humanas que el límite del resultado de cualquier tarea lo define el humano, no la máquina. El techo es el piloto, no el avión. Un piloto mediocre en un F-22 pierde contra un as en un Cessna — no porque el Cessna sea mejor, sino porque el as sabe lo que está haciendo. Con la IA es idéntico. La herramienta es absurdamente capaz. La pregunta es si el operador está a la altura.

Esto no es una predicción. Es el presente. Y el presente está exigiendo de cada profesional que entregue, de hecho, aquello que solo los humanos son capaces de dar. No velocidad — la máquina es más rápida. No memoria — la máquina almacena más. No consistencia — la máquina no se cansa. Lo que queda es juicio. Discernimiento. Pensamiento.

Se le exigirá a cada humano que piense. Eso es listón elevado. Y es justo.

3. La Alucinación Es un Síntoma, No una Enfermedad

La narrativa dominante sobre la alucinación en los modelos de lenguaje es que se trata de un defecto de la IA. El modelo “inventa” información. El modelo “se equivoca”. El modelo “alucina”. El lenguaje es revelador: le atribuimos a la máquina una patología — alucinación — como si fuera un paciente con trastorno perceptivo.

Este artículo propone una reclasificación: la alucinación no es un defecto de la IA. Es un síntoma de incompetencia filosófica del operador humano.

Cuando un agente de IA produce información fabricada, la causa raíz no está en la arquitectura del modelo. Está en la configuración que el operador proporcionó — o, más precisamente, en la configuración que el operador no proporcionó porque no entendió qué debía configurar. Y no entendió porque le falta la competencia filosófica para comprender la naturaleza del sistema que opera.

Consideremos tres escenarios concretos:

Escenario 1 — La IA inventa hechos. El operador solicitó información que no está en la base de conocimiento del agente y no configuró restricciones epistemológicas. El agente, siguiendo su función de generar texto coherente, rellenó lagunas con plausibilidad estadística en lugar de conocimiento verificado. Eso no es un bug. Es un modelo probabilístico haciendo exactamente lo que fue diseñado para hacer — en ausencia de instrucción contraria. El fallo es epistemológico: el operador no entendió la diferencia entre lo que la IA sabe, lo que la IA infiere y lo que la IA inventa. No configuró los límites del conocimiento porque nunca reflexionó sobre la naturaleza del conocimiento en el contexto de los modelos generativos.

Escenario 2 — La IA da respuestas inconsistentes. El operador no definió propósito claro, tono, alcance ni criterios de éxito. El agente recibió instrucciones vagas y produjo resultados variables porque — sin telos definido — cualquier dirección es igualmente válida. El fallo es teleológico: el operador no definió para qué existe el agente porque nunca se preguntó qué significa definir propósito para una entidad artificial.

Escenario 3 — La IA responde con un tono inapropiado. El operador no configuró la disposición afectiva del agente — su registro emocional, su postura ante el interlocutor. El agente respondió con frialdad cuando debería haber sido acogedor, o con informalidad cuando debería haber sido solemne. El fallo es ontológico: el operador no modeló el modo de ser del agente porque nunca concibió que un agente de IA posee — o debería poseer — una capa comportamental distinta de la capa funcional.

En ninguno de estos escenarios el problema es la IA. El problema es el humano que no sabe configurar inteligencia porque nunca aprendió a pensar sobre inteligencia.

4. La Ontología Comportamental de la IA: Sentimiento, Instrucción, Memoria

Si la alucinación es síntoma de configuración deficiente, entonces la pregunta operacional es: qué, exactamente, necesita ser configurado?

Proponemos que la construcción de un agente de IA comportamental — es decir, un agente que no solo ejecuta tareas sino que se comporta de manera consistente, predecible y alineada al propósito — requiere la configuración explícita de tres módulos fundamentales. Llamamos a este modelo el framework S/I/M: Sentimiento, Instrucción y Memoria.

4.1 Sentimiento — El Pathos del Agente

El Sentimiento es la disposición afectiva del agente. No es emoción en el sentido humano — no reivindicamos que la IA sienta. Es la calibración del registro comunicacional: cómo el agente se posiciona ante el interlocutor, qué tonalidad adopta, qué postura asume.

Un agente sin módulo de Sentimiento configurado es como un profesional sin inteligencia emocional: técnicamente competente, socialmente inviable. Responde con precisión quirúrgica y empatía nula. O, peor, oscila entre registros — ora formal, ora casual, ora agresivo — porque nadie definió quién es.

El Sentimiento responde a la pregunta ontológica: ¿con qué disposición este agente se relaciona con el mundo?

La tradición de la computación afectiva ofrece modelos computacionales para esto — el modelo OCC (Ortony, Clore & Collins, 1988) clasifica 22 tipos de emoción basados en appraisals; el espacio PAD (Pleasure-Arousal-Dominance) permite representar estados afectivos en tres dimensiones continuas; la arquitectura Chain-of-Emotion (Croissant et al., 2024) demostró que separar el procesamiento emocional en una llamada LLM dedicada mejora la credibilidad del agente en evaluaciones con usuarios. Pero el punto aquí no es la implementación técnica. Es la decisión filosófica de que el agente debe tener una capa afectiva explícita — y que configurarla es responsabilidad del operador.

4.2 Instrucción — El Telos del Agente

La Instrucción es el propósito del agente. Su razón de existir, su alcance de actuación, sus límites operacionales, sus criterios de éxito y fracaso. Es el telos — la finalidad que orienta toda acción.

En la práctica corriente de la industria, la Instrucción es el “system prompt”. Pero reducirla a eso es un error categorial. Un system prompt es cómo se implementa la Instrucción. La Instrucción, filosóficamente, es la respuesta a una pregunta anterior: ¿para qué existe este agente?

La diferencia entre un agente que alucina y un agente que ejecuta bien no está en la sofisticación del modelo. Está en la claridad con que el operador definió el propósito. Un propósito vago genera comportamiento errático — no por fallo de la IA, sino por la misma razón que un equipo sin misión clara genera trabajo disperso. La indeterminación teleológica es la madre de la alucinación.

La Instrucción responde a la pregunta teleológica: ¿para qué existe este agente? ¿Qué lo mueve?

4.3 Memoria — La Episteme del Agente

La Memoria es lo que el agente sabe, lo que recuerda, lo que aprendió y — críticamente — lo que no sabe. Es la dimensión epistemológica: el corpus de conocimiento que fundamenta las respuestas del agente y los límites explícitos de ese corpus.

El avance reciente en arquitecturas de memoria para agentes LLM es significativo. El framework CoALA (Sumers et al., 2024) distingue memoria de trabajo, memoria episódica, memoria semántica y memoria procedimental. Los Generative Agents de Stanford (Park et al., 2023) introdujeron ciclos de observación-reflexión que permiten al agente sintetizar experiencias en abstracciones de nivel superior. Investigaciones de 2026 proponen sistemas de memoria como “sistemas operativos” para agentes (MemOS).

Pero, nuevamente, el punto filosófico precede al técnico: antes de elegir cómo implementar la memoria, el operador necesita decidir qué debe saber el agente, hasta dónde ese conocimiento es confiable, y qué debe hacer el agente cuando alcanza los límites de lo que sabe. Configurar memoria sin epistemología es construir una biblioteca sin curación — el volumen es grande, la confiabilidad es cero.

La Memoria responde a la pregunta epistemológica: ¿qué sabe este agente, y cómo eso moldea sus respuestas?

4.4 El Framework S/I/M en el Contexto de la Literatura

El modelo S/I/M no surge en el vacío. Se posiciona en relación a tradiciones establecidas de arquitecturas de agentes.

El precursor más citado es el modelo BDI de Bratman (1987), formalizado por Rao y Georgeff (1995), que organiza agentes en torno a Beliefs (creencias), Desires (deseos) e Intentions (intenciones). El BDI captura bien la dimensión cognitiva — Instrucción y Memoria encuentran paralelo en Desire/Intention y Belief, respectivamente — pero ignora por completo la dimensión afectiva. Un agente BDI sabe lo que quiere y en lo que cree, pero no tiene postura emocional ante el mundo.

El framework CoALA (Sumers et al., 2024) se ha convertido en la taxonomía dominante para agentes basados en LLMs, distinguiendo tres tipos de memoria e incluyendo memoria procedimental como forma de instrucción. Sin embargo, al igual que el BDI, CoALA no modela el afecto. Lo mismo ocurre con los Generative Agents de Stanford (Park et al., 2023), que introdujeron un hito en memoria — con ciclos de observación y reflexión — pero tratan la emergencia emocional como subproducto no explícito, nunca como módulo arquitectural.

En el extremo opuesto del espectro, la arquitectura LIDA (Franklin et al., 2013) es la más completa: incluye dimensión afectiva, selección de acciones y cinco tipos de memoria. Pero esta completitud tiene un precio — son más de diez módulos, lo que la vuelve impráctica como modelo mínimo para la mayoría de los casos de uso reales. La arquitectura Chain-of-Emotion (Croissant et al., 2024) representa el precedente más directo en el mundo LLM: separa el procesamiento emocional en una llamada dedicada de appraisal, demostrando ganancias medibles de credibilidad. Pero opera sobre system prompt y message history como base, sin formalizar la tripartición que proponemos.

La contribución del S/I/M no es descubrir componentes nuevos — los tres ya fueron investigados aisladamente. La contribución es la síntesis mínima: la identificación de que estos tres, y solo estos tres, constituyen la base irreducible de la configuración de un agente comportamental. Menos de tres es insuficiente (la mayoría de los agentes LLM actuales opera con solo Instrucción + Memoria, y los resultados comportamentales son erráticos). Más de tres es over-engineering para la mayoría de los casos de uso prácticos.

5. Las Cuatro Competencias Filosóficas del Desarrollador

Si el framework S/I/M define qué configurar, las competencias filosóficas definen lo que el operador necesita saber para configurar bien. Proponemos cuatro:

5.1 Epistemología Aplicada

La capacidad de distinguir entre lo que la IA sabe (información en sus parámetros y contexto), lo que la IA infiere (extrapolación probabilística a partir de patrones) y lo que la IA inventa (generación sin fundamentación factual). Sin esta competencia, el operador no tiene criterio para evaluar el output. Acepta todo o rechaza todo — ambas posturas son igualmente ignorantes.

La epistemología aplicada responde: ¿cómo sé que lo que la IA me dice es confiable?

5.2 Teleología Aplicada

La capacidad de definir propósito antes de definir prompt. De responder “¿para qué existe este agente?” antes de escribir una sola línea de system instruction. La diferencia entre un prompt que funciona y uno que genera alucinación es, casi siempre, la diferencia entre un propósito claro y un propósito ausente.

La teleología aplicada responde: ¿cuál es la finalidad última de este sistema?

5.3 Ontología Comportamental

La capacidad de modelar el modo de ser del agente — no solo lo que hace, sino cómo se presenta, se posiciona, se relaciona. Es la competencia que le permite al operador construir el módulo de Sentimiento: definir que el agente es acogedor o austero, didáctico o socrático, formal o coloquial — y entender que esa elección no es estética, es arquitectural.

La ontología comportamental responde: ¿qué tipo de entidad es este agente?

5.4 Ética Operacional

La capacidad de evaluar consecuencias de lo que se despliega. No ética en el sentido abstracto de “la IA debe ser justa” — sino en el sentido concreto de: si configuro este agente de esta manera y él interactúa con diez mil usuarios mañana, ¿cuáles son los daños posibles? La ética operacional es la última línea de defensa entre la configuración y el mundo.

La ética operacional responde: ¿qué pasa si me equivoco?

6. El Nuevo Profesional: De Programador a Piloto de Inteligencia

La metáfora del piloto no es casual. Un piloto de aeronave no construye el avión. No diseña la turbina. No suelda el fuselaje. Pero sin el piloto, el avión más sofisticado del mundo es metal quieto en el hangar. Y un piloto que no entiende aerodinámica, meteorología, navegación y procedimientos de emergencia no es piloto — es pasajero en el asiento equivocado.

El desarrollador de software está viviendo esa transición. Ya no necesita construir el modelo de lenguaje. No necesita entrenar los parámetros. No necesita optimizar la inferencia. Pero necesita pilotar la inteligencia — configurar, dirigir, calibrar, corregir, y tomar decisiones que la máquina no puede tomar por él.

La formación de un piloto de aeronave incluye, obligatoriamente, disciplinas teóricas que no son directamente “prácticas”: física del vuelo, reglamentación aérea, fisiología humana, factores humanos. Nadie cuestiona por qué un piloto necesita estudiar meteorología antes de despegar. Es evidente.

Debería ser igualmente evidente que un profesional que opera inteligencia artificial necesita estudiar la naturaleza de la inteligencia que opera. Eso es Filosofía de la IA. No como lujo intelectual. Como prerrequisito de habilitación.

6.1 El Currículo que Falta

Ninguna universidad del mundo exige Filosofía de la IA como disciplina obligatoria en carreras de ingeniería de software o ciencias de la computación. El currículo CS2023 (ACM/IEEE/AAAI) incluye “Society, Ethics, and Profession” como área de conocimiento, pero trata la filosofía como electiva. Los frameworks de competencia en IA de la UNESCO (2024) y de la comunidad académica definen “AI Literacy” con foco en reconocer la IA, entender machine learning y usarla éticamente — pero ninguno incluye el razonamiento filosófico como competencia.

Esta brecha no es accidental. Es herencia de una era en que el profesional de tecnología era definido por la capacidad de construir sistemas. En esa era, la filosofía era, de hecho, opcional. No se necesita epistemología para escribir un compilador. Pero sí se necesita epistemología para evaluar si el output de un agente de IA es conocimiento o fabricación.

La era cambió. El currículo no.

6.2 Propuesta

Este artículo no es un lamento por el cambio. Es una propuesta de adaptación. Filosofía de la IA como competencia innegociable significa:

En los currículos académicos: Disciplina obligatoria (no electiva) en carreras de computación, ingeniería de software y sistemas de información. Contenido: epistemología de modelos generativos, teleología de agentes, ontología comportamental, ética operacional.
En la formación profesional: Certificaciones y capacitaciones que evalúen no solo la capacidad de usar herramientas de IA, sino la capacidad de razonar sobre lo que las herramientas hacen y por qué lo hacen.
En la práctica diaria: El framework S/I/M (o equivalente) como checklist de proyecto para cualquier agente de IA. Antes de escribir el primer prompt: definir Sentimiento, Instrucción y Memoria. Explícitamente. Documentadamente.
En la cultura de la industria: Abandonar la narrativa de que “la IA alucina” — y sustituirla por la pregunta incómoda: “¿configuró correctamente el operador?”

7. Conclusión

La inteligencia artificial no le quitó el trabajo a nadie. Le quitó el escondite. El lugar cómodo donde era posible pasar toda una carrera haciendo tareas que no exigían pensamiento real. Ese lugar ya no existe.

Lo que queda es más exigente — y por eso, más digno. Lo que queda es pensar. Definir propósito. Evaluar conocimiento. Modelar comportamiento. Anticipar consecuencias. Todo aquello que la tradición filosófica entrena desde hace dos mil quinientos años, aplicado al dominio más transformador de la tecnología contemporánea.

La Filosofía de la IA no es una disciplina académica en busca de relevancia. Es la competencia práctica que separa al profesional que comanda la máquina del profesional al que la máquina comanda. Es lo que transforma a un operador de prompts en un piloto de inteligencia.

El listón subió. Y es justo que haya subido. Porque lo que se está exigiendo ahora — pensar — es, al fin y al cabo, aquello que siempre deberíamos haber hecho.

Referencias

Anderson, J. R. (2007). How Can the Human Mind Occur in the Physical Universe? Oxford University Press.

Bratman, M. E. (1987). Intention, Plans, and Practical Reason. Harvard University Press.

Croissant, M. et al. (2024). An Appraisal-Based Chain-of-Emotion Architecture for Affective Language Model Game Agents. PLOS ONE. https://pmc.ncbi.nlm.nih.gov/articles/PMC11086867/

Fialho, F. (2025). IA, Filosofia da Programação e o Futuro dos Devs. https://felipefialho.com/blog/inteligencia-artificial-filosofia-da-programacao-e-o-futuro-dos-devs/

Franklin, S. et al. (2013). LIDA: A Systems-level Architecture for Cognition, Emotion, and Learning. IEEE Transactions on Autonomous Mental Development, 6(1), 19-41.

Hoda, R. (2025). Toward Agentic Software Engineering Beyond Code. arXiv:2510.19692.

Laird, J. E. (2012). The Soar Cognitive Architecture. MIT Press.

Marsella, S., & Gratch, J. (2009). EMA: A Process Model of Appraisal Dynamics. Cognitive Systems Research, 10(1), 70-90.

Mueller, V. C. (2025). Philosophy of Artificial Intelligence. PhilArchive.

Ortony, A., Clore, G. L., & Collins, A. (1988). The Cognitive Structure of Emotions. Cambridge University Press.

Osmani, A. (2024). The 70% Problem: Hard Truths About AI-Assisted Coding. https://addyo.substack.com/p/the-70-problem-hard-truths-about

Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. Proceedings of UIST ‘23.

Rao, A. S., & Georgeff, M. P. (1995). BDI Agents: From Theory to Practice. Proceedings of ICMAS.

Schrage, M., & Kiron, D. (2025). Philosophy Eats AI. MIT Sloan Management Review.

Sumers, T. R., Yao, S. et al. (2024). Cognitive Architectures for Language Agents. Transactions on Machine Learning Research.

Thanh, N. H. (2025). The Epistemology Crisis in AI-Assisted Development. Medium / Data Science Collective.

UNESCO. (2024). AI Competency Framework for Students.

Belem Anderson Costa es Inspector de Policía en Río de Janeiro, desarrollador de tecnología y creador del ecosistema “A Culpa é das Ovelhas” — un proyecto de estudio bíblico que incluye la Traducción bíblica Belem-2025 (traducción literal de los códices), Exeg.AI (inteligencia artificial entrenada con texto bíblico) y la Escuela Desvelacional Forense Belem an.C-2039. Su formación no convencional — investigación policial, análisis textual, desarrollo de software e IA — es la misma que fundamenta el enfoque de este artículo: competencia filosófica aplicada, no teórica.

Si eres desarrollador, gestor o simplemente alguien que usa IA en el día a día, la pregunta que este artículo deja es directa: ¿estás pilotando la máquina o sentado en el asiento del pasajero sin saber hacia dónde va?

La misma competencia filosófica que separa al piloto del pasajero en la IA es la que separa al lector soberano del consumidor pasivo de interpretaciones bíblicas. Mira cómo la AIEXEGESIS funciona cuando la IA lee la Biblia por ti, cómo Gemini fue confrontado con datos textuales brutos, y por qué Exeg.AI opera bajo principios radicalmente distintos.

Cada semana, un análisis forense del texto bíblico original — directo a tu correo. Recibir el newsletter semanal →

La investigación completa está en “El Librito — A Culpa é das Ovelhas.” Profundizar la investigación →

¿Cansado de depender de traducciones de terceros? Exeg.AI lee el original por ti. Probar Exeg.AI →

Licencia: CC BY 4.0 — Belem Anderson Costa, 2026

“Tú lees. Y la interpretación es tuya.”

Framework-Sim — Blog - La Culpa es de las Ovejas