Autores y corrientes: en qué se apoya la tesis

Este capítulo no es una revisión de literatura. Una revisión de literatura ordena un campo para mostrar que se lo conoce; lo que sigue ordena un campo para mostrar de qué cuelga un argumento. Son ocho corrientes, y de cada una importan dos cosas: su idea-fuerza —reducida a lo que aporta, sin la deferencia del resumen académico— y, sobre todo, el lugar exacto que ocupa en la estructura de la tesis. Quien busque la ficha bibliográfica con su estado de verificación la encontrará en la Bibliografía; lo que se ofrece aquí es el andamiaje.

Antes de tomarlas una por una, importa ver la forma del conjunto, porque es ella la que da fuerza al argumento. Las ocho corrientes provienen de disciplinas que no se frecuentan —la sociología industrial de posguerra, la antropología de la ciencia, la ingeniería de la información, la economía de la innovación, la psicología social de las organizaciones, entre otras— y fueron escritas a lo largo de siete décadas, sin diálogo entre sí. Y, sin embargo, convergen. Que tradiciones tan distantes lleguen al mismo punto —que el rendimiento de una tecnología se decide en su trama humana, no en su mérito técnico— es lo que vuelve a esa afirmación un hallazgo y no una opinión cómoda. El andamiaje no es una colección de citas de apoyo: es esa convergencia, vuelta estructura.

El cimiento: la organización como sistema sociotécnico

En el origen está la corriente que le da nombre a todo lo demás. Eric Trist y Ken Bamforth, desde el Tavistock Institute, estudiaron a comienzos de los años cincuenta la mecanización de la minería del carbón inglesa y se toparon con una anomalía que fundó una disciplina: una tecnología objetivamente superior bajó la productividad.¹ La explicación no estaba en la máquina, sino en que la mecanización había desarticulado la organización social del trabajo —los equipos pequeños y autorregulados que repartían tareas, cubrían ausencias y sostenían la moral bajo tierra— sin reponer nada que cumpliera esa función. De ahí el principio que ordena la disciplina: toda organización productiva tiene un subsistema social (personas, roles, cultura, relaciones) y uno técnico (herramientas, procesos, tecnología), y el rendimiento no depende de optimizar cada uno por separado sino de su optimización conjunta. Los dos subsistemas se optimizan juntos o fracasan juntos; mejorar uno solo, por real que sea la mejora, puede degradar el todo.

La tradición posterior del diseño sociotécnico convirtió ese hallazgo en método. Enid Mumford, con el método ETHICS, agregó el corolario operativo que el principio dejaba implícito: si el subsistema social es parte del sistema, el diseño debe involucrar a quienes van a usarlo.² No por cortesía ni por búsqueda de consenso, sino porque solo ellos conocen el proceso real que el sistema deberá soportar; la participación de los usuarios es ingeniería de requisitos. Esta corriente es el cimiento del argumento: justifica la afirmación central —toda organización es un sistema sociotécnico— y la primera regla del método, leer lo social antes de tocar lo técnico.

La palabra “social” invita a un malentendido, el de lo blando, y hay que desactivarlo de entrada. El subsistema social no es el clima ni la motivación: es la estructura de cómo se organiza el trabajo —quién decide, quién cubre a quién, cómo se reparte la autonomía—. La prueba más fina vino de comparaciones posteriores dentro de la misma minería. Una misma tecnología de tajo largo rendía distinto según cómo se la organizara: fragmentando las tareas, caía; conservando la autorregulación del grupo, no. La variable que movía el resultado no era la máquina, idéntica en ambos casos, sino el diseño de la organización del trabajo. Es la demostración más limpia de que el subsistema social es una variable de ingeniería, no un residuo a administrar.

El mecanismo: por qué un artefacto “funciona”

La teoría sociotécnica diagnostica que hay dos subsistemas, pero no explica por qué la articulación entre ellos se logra o se pierde. Ese mecanismo lo aporta la teoría del actor-red, de Bruno Latour, Michel Callon y John Law. Su tesis es más radical que la sociotécnica: lo técnico y lo social no son dos esferas que haya que coordinar, sino una sola red de actores humanos y no-humanos. Un artefacto no “funciona” por sus propiedades internas; funciona cuando logra la traducción —enrolar a los actores que lo rodean, alinear sus intereses lo suficiente para que cada uno se reconozca en él y encuentre una razón propia para sostenerlo—.³ El éxito, entonces, no es una propiedad intrínseca de la tecnología: es un logro relacional, y donde la traducción falla el artefacto no es ni bueno ni malo: queda ignorado.

Esta corriente le pone nombre al verbo de la tesis —traducir— y funda uno de sus conceptos propios, la traducción en carne y hueso: la traducción la hace una persona, no un documento. También clausura una ilusión de método, la de que la adopción es un paso posterior al diseño o un problema de capacitación que se resuelve después. Si “funcionar” es haber traducido, la adopción no es un epílogo del diseño: es la prueba misma de si el diseño comprendió a alguien. Sumadas, la sociotécnica y el actor-red componen la tesis del puente: el problema es de dos subsistemas (Tavistock) y la solución es traducir entre ellos (Latour).

La traducción, además, no es un acto único sino un proceso con momentos, que Callon describió en su estudio fundacional: problematizar —definir el asunto de modo que los demás actores necesiten pasar por uno—, interesar —fijar a cada actor en ese papel—, enrolar —que lo acepten— y movilizar —que actúen en consecuencia—. Nombrar esos momentos importa para el método porque vuelve diagnosticable dónde se rompe una adopción: una iniciativa puede haber problematizado bien y fracasar en el enrolamiento, o enrolar a unos pocos y no movilizar a nadie. La traducción no se gana ni se pierde en bloque; se gana o se pierde por tramos, y cada tramo es un lugar concreto donde mirar.

El motor: conducir el cambio, no decretarlo

La tesis del puente, así planteada, es un diagnóstico estático: dice que hay dos subsistemas y que el éxito es alinearlos, pero no dice cómo se interviene en el subsistema social para lograrlo. Ese verbo lo aporta la gestión del cambio organizacional, y por eso esta corriente es el motor de la tesis: si la sociotécnica diagnostica, la gestión del cambio es la terapéutica.

El esqueleto canónico proviene de Kurt Lewin: descongelar —crear la necesidad y desinstalar la inercia—, cambiar —la transición real— y recongelar —estabilizar lo nuevo para que no revierta—. John Kotter lo volvió operativo en ocho pasos, de la urgencia y la coalición guía hasta los logros tempranos y el anclaje en la cultura.⁴ Y Juan Díaz Barrios aportó la sustancia bajo el procedimiento: un cambio integral se sostiene en delegación, comunicación, colaboración, participación y aprendizaje, no en el anuncio.⁵ El hilo común de los tres es que el obstáculo del cambio es humano —hábito, miedo, sentido—, no técnico, lo que vuelve a enlazar de inmediato con la participación de Mumford y con el enrolamiento de la traducción: lograr que los actores se reconozcan en lo nuevo es, en términos prácticos, descongelar y volver a congelar.

Aquí hace falta frenar y ser honesto, porque esta corriente es la más expuesta a pasar por ciencia lo que es práctica codificada. El “modelo de Lewin” tal como circula es en buena parte una construcción posterior: Lewin nunca escribió “recongelar” como un modelo cerrado —la idea quedó en una subsección menor de su obra—, según documenta la relectura de Cummings, Bridgman y Brown.⁶ Y los ocho pasos de Kotter son literatura prescriptiva de práctica directiva, no investigación con grupo de control. El argumento los usa como mapas útiles de un proceso, no como teoría empírica fuerte; el peso empírico de la tesis lo cargan sobre todo la corriente sociotécnica y la evidencia de campo del cierre, no esta. La gestión del cambio aporta el verbo, no la prueba —y mejor decirlo antes que un lector advertido lo señale.

Hay un corolario de esta corriente que el argumento usa más que a los modelos en sí: la relectura de la resistencia. En la lengua corriente, “resistencia al cambio” nombra una obstrucción irracional que hay que vencer. Leída desde el subsistema social, la resistencia es información: dice qué amenaza el cambio —un control que se pierde, una competencia que dejaba de ser valiosa, una fuente de poder no escrita en ningún organigrama—. Quien la trata como un obstáculo a remover pierde el dato; quien la lee como un síntoma encuentra el lugar preciso del subsistema social que el diseño no contempló. El cambio bien conducido no aplasta la resistencia: la descifra.

La bajada a la era de la IA: la IA centrada en el humano

Las tres corrientes anteriores nacieron antes de la inteligencia artificial contemporánea; hace falta una que traduzca el principio sociotécnico a la era de los modelos. Esa es la IA centrada en el humano. Ben Shneiderman propone combinar alta automatización con alto control humano y muestra que no son un trade-off: los sistemas mejor diseñados son a la vez más autónomos y más gobernables, no una cosa a costa de la otra.⁷ Virginia Dignum sistematiza la IA responsable —transparencia, rendición de cuentas, valores incorporados al diseño—, y Cathy O’Neil documenta el reverso: el daño concreto de los modelos opacos que esconden sesgos a escala y se vuelven inauditables justo cuando más deciden sobre la vida de la gente.⁸

La idea-fuerza de la corriente es que la IA debe amplificar, controlar y dar confianza a las personas, no aislarlas ni reemplazarlas. Es la traducción directa de la tesis sociotécnica a la era de la IA, y el sustento del cuarto eslabón del método y de dos conceptos propios: IA como extensión del criterio y valor en la persona, no en el modelo. Es también el punto donde el andamiaje teórico toca el marco normativo: la auditabilidad y el control humano que la HCAI plantea como buen diseño son, en el plano regulatorio, lo que exigen instrumentos como el EU AI Act o el AI Risk Management Framework del NIST. Aquí la teoría y la gobernanza piden lo mismo desde dos lenguas distintas.

La forma más precisa de la propuesta de Shneiderman es un cambio de eje. Donde el sentido común imagina una sola palanca —más automatización es menos control humano, y a la inversa—, su marco separa esa palanca en dos ejes independientes: el grado de automatización de la máquina y el grado de control de la persona. El cuadrante deseable no es el de mucha automatización y poco control, ni el inverso, sino el de ambos altos: sistemas muy capaces que la persona sigue gobernando. Esa separación de ejes es lo que disuelve el falso dilema entre potencia y control, y es la traducción técnica del principio sociotécnico de optimización conjunta: no se elige entre la máquina y la persona, se las optimiza juntas. La condición de que eso sea posible es la explicabilidad —un sistema que no se puede explicar no se puede controlar y, por lo tanto, no se adopta: se tolera, y a la primera duda se abandona—.

Ese cambio de eje resuelve, de paso, la objeción que la era de los agentes vuelve inevitable: si la IA ya ejecuta sola, ¿qué queda del “alto control humano”? La respuesta es que el control no exige intervenir en cada decisión —eso, a escala, es imposible—, sino gobernar las reglas con que el agente decide: qué resuelve por su cuenta, cuándo escala a una persona, qué deja registrado para auditar. El control se corre de la decisión al diseño. Cuanto más autónomo el sistema, más alto el otro eje, no más bajo: la autonomía sin gobierno no es el cuadrante deseable de Shneiderman, es su opuesto disfrazado de progreso.

Conviene marcar acá una tensión con la teoría del actor-red, porque las dos corrientes sostienen el argumento desde supuestos opuestos. El actor-red es simétrico por método: trata a humanos y no-humanos con el mismo vocabulario y se niega a privilegiar de antemano a unos sobre otros. La IA centrada en el humano es asimétrica por principio: pone a la persona en el centro como criterio último de valor. Lejos de anularse, se reparten el trabajo. El actor-red describe cómo un sistema se estabiliza de hecho —quién se enrola, qué intereses se traducen—; la IA centrada en el humano dicta hacia qué configuración debe estabilizarse —la que le devuelve criterio a la persona—. Una dice cómo es el mundo; la otra, hacia dónde vale la pena moverlo. Es el mismo reparto que más adelante regula el uso de Rogers: descripción y norma son herramientas distintas, y conviene no confundirlas.

La exigencia material: el dato como aptitud para el uso

Una tesis sobre IA no puede quedarse en la organización y el criterio: la IA come datos, y los datos tienen una corriente propia que el argumento necesita. Richard Wang y Diane Strong establecieron que la calidad de datos no es exactitud técnica sino aptitud para el uso —fitness for use— en un contexto, y la descompusieron en dimensiones que van mucho más allá de la corrección: intrínseca, contextual, de representación y de accesibilidad.⁹ Thomas Redman aporta el costado económico y de gestión: documenta que la mala calidad de datos es ante todo un problema de procesos —no de tecnología— y que le cuesta a la mayoría de las organizaciones una fracción nada trivial de sus ingresos, del orden del 15% al 25%.¹⁰

Esta corriente sostiene el tercer eslabón del método y el concepto del dato que miente: un dato puede estar técnicamente impecable y aun así mentir, porque su significado depende de un contexto humano que en algún momento se perdió. Que la calidad se defina por la aptitud para el uso, y no por la exactitud, es lo que desplaza el problema de la base de datos a la organización: un dato es de mala calidad cuando no sirve para la decisión que alguien tiene que tomar con él, y eso no se arregla con un script. En el fondo, la calidad de datos es un problema social que se manifiesta en una tabla.

Dos consecuencias de definir la calidad como aptitud para el uso merecen quedar explícitas, porque son las que la vuelven un problema de gestión. La primera: la calidad es relativa a la decisión. El mismo conjunto de datos puede ser excelente para una decisión y pésimo para otra, sin que cambie un solo valor, porque cambió el uso; no existe un dato “de calidad” en abstracto. La segunda: la calidad se determina aguas arriba, en el proceso que genera el dato, no aguas abajo, en la base que lo almacena. Un dato es la huella de un acto humano —alguien cargó un campo con un criterio—, y si ese acto está mal diseñado o mal incentivado, ninguna limpieza posterior recupera lo que nunca se registró. Por eso la calidad de datos no se ataca con herramientas de calidad de datos: se ataca interviniendo el proceso que los ensucia.

La condición previa: madurez y capacidad de absorción

Antes de elegir qué tecnología incorporar, una organización tiene que estar en condiciones de absorberla; esa es la corriente de la madurez. (Una aclaración de orden: el andamiaje se expone en secuencia de construcción —cimiento, mecanismo, motor—, pero en el método esta corriente va primera, porque medir la madurez antes de comprar es la regla número uno de la tesis.) Jan Jöhnk, Malte Weißert y Katrin Wyrtki sistematizaron la preparación para la IA como un fenómeno multidimensional: a partir de un estudio cualitativo destilaron 18 factores de readiness agrupados en cinco categorías —alineación estratégica, recursos, conocimiento, cultura y datos—.¹¹ La lección es que no alcanza con tener tecnología; hay que tener las condiciones organizacionales para sostenerla. Esos factores fundamentan el concepto de madurez sociotécnica, la regla de medir la madurez primero y la base teórica del modelo IMIA.

Pero la lista de factores describe un estado, y la madurez es un proceso. El mecanismo dinámico que le falta a Jöhnk lo aportan, treinta años antes, Wesley Cohen y Daniel Levinthal con la capacidad de absorción: la habilidad de una organización para reconocer el valor de un conocimiento externo, asimilarlo y aplicarlo depende del conocimiento que ya tiene, y es por lo tanto acumulativa y dependiente de la trayectoria.¹² De ahí se sigue algo que la foto de factores no muestra: una organización sin historia de datos ni analítica no puede “comprar IA” y absorberla de golpe, porque le falta el conocimiento previo que la haría legible. La madurez no es el inventario de factores presentes —la foto—, sino la capacidad de aprender acumulada en el tiempo —la película—. Por eso el diagnóstico que abre el método lee trayectoria, no solo estado.

El mecanismo de Cohen y Levinthal esconde además una propiedad que invierte la intuición habitual sobre la adopción: la capacidad de absorción es autorreforzada. Como depende del conocimiento previo, cada inversión en aprender ensancha la base que abarata el aprendizaje siguiente; y, de modo simétrico, su ausencia se perpetúa, porque quien no acumuló no puede reconocer el valor de lo que le falta y por eso no invierte en adquirirlo. De ahí que la madurez no se pueda saltear con una compra: lo que falta no es la herramienta sino la trayectoria que la vuelve aprovechable, y esa no se vende por separado.

El ritmo: la adopción como proceso social

Hasta acá el argumento explicó por qué la adopción se logra o se pierde; falta lo que explica a qué ritmo y en qué orden ocurre. Everett Rogers mostró que la adopción de una innovación no es un evento sino un proceso social que se despliega en el tiempo y dibuja una curva en S, y ofreció dos lentes que el argumento usa una y otra vez. La primera reparte a la población en cinco categorías según cuándo adoptan —innovadores, adoptantes tempranos, mayoría temprana, mayoría tardía y rezagados—, cada una con motivos distintos. La segunda explica la velocidad: depende de cinco atributos percibidos de la innovación —ventaja relativa, que es el mejor predictor; compatibilidad; complejidad; trialabilidad y observabilidad—.¹³ Lo decisivo es el adjetivo: son atributos percibidos por el adoptante, no propiedades técnicas objetivas del artefacto. Es la tesis del actor-red dicha en otra clave: lo que Latour planteó como relacional, Rogers lo precisa como percibido —el peso no está en el artefacto sino en la cabeza de quien decide adoptarlo—.

El valor de esta lente es que convierte “la adopción fracasa” en algo diagnosticable: una iniciativa de IA no se frena porque la tecnología sea mala, sino porque para sus usuarios reales puntúa bajo en compatibilidad —choca con cómo trabajan—, en complejidad —no la entienden— o en observabilidad —nadie ve el resultado—. Y explica un patrón persistente, que Geoffrey Moore nombró como el abismo: el piloto entusiasma a innovadores y tempranos y muere al cruzar hacia la mayoría temprana, porque se diseñó para quien tolera fricción y no para quien exige que la cosa simplemente funcione.¹⁴ De ahí una regla del método: diseñar para la mayoría temprana desde el principio, no para el entusiasta.

Ninguna corriente exige tanta cautela como esta, porque es la que más fácilmente se desliza de la descripción a la prescripción. Rogers es difusionista: tiende a suponer que adoptar es bueno y que el único problema es acelerar. La tesis del puente no acepta ese supuesto —el experimento de Kenia y el trabajo de O’Neil muestran que adoptar sin juicio puede ampliar el daño—. Rogers se usa de modo descriptivo —cómo y a qué ritmo se difunde algo— pero nunca normativo —adoptar no es un fin en sí—. El filtro normativo lo pone el criterio humano de la corriente anterior; sin él, la curva en S puede estar difundiendo un daño a escala, y más rápido. (Y no conviene sobreinterpretar el dato más citado de Rogers: su síntesis de estudios atribuye a los cinco atributos percibidos entre el 49% y el 87% de la varianza en las tasas de adopción, pero ese es un rango agregado de la literatura, no una constante medida en un experimento.)

Rogers aporta, por último, dos ideas que el método trata como palancas de diseño y no como descripciones pasivas. La primera es la reinvención: los adoptantes rara vez toman una innovación tal como viene, la modifican mientras la adoptan, y esa adaptación —lejos de ser una desviación que corregir— suele ser la condición de que la adopción se sostenga. La segunda es que dos de los cinco atributos percibidos, la observabilidad y la trialabilidad, no son propiedades fijas del artefacto sino cosas que el diseño puede fabricar: se puede volver visible un resultado que estaba oculto, se puede dejar probar sin compromiso. Leídos así, los atributos de Rogers dejan de ser un termómetro de por qué algo no se adopta y pasan a ser una lista de intervenciones para que se adopte; cada atributo bajo es un lugar donde el diseño puede trabajar antes de que la curva en S decida sola.

El sustrato: conocimiento tácito y construcción de sentido

Las siete corrientes anteriores forman un flujo, pero hay una octava que no es un paso del flujo sino el suelo sobre el que se apoyan todas: la del conocimiento tácito y la construcción de sentido. Michael Polanyi formuló la idea con una frase que se volvió célebre —“sabemos más de lo que podemos decir”—: buena parte del conocimiento experto es tácito, encarnado en la práctica e imposible de codificar del todo en un manual o un documento.¹⁵ Karl Weick aportó el complemento: las organizaciones no encuentran el sentido de los hechos, lo construyen —de manera retrospectiva, social y guiada por la plausibilidad antes que por la exactitud— y enactúan el entorno que luego miden; las categorías con que registran el mundo terminan moldeando el mundo que ven.¹⁶

Estas dos ideas son los padrinos epistémicos de los conceptos propios, y por eso la corriente corre por debajo de las demás. La traducción en carne y hueso es Polanyi llevado al puente: leer una organización descansa en saber tácito que no se transfiere por documento, de modo que la traducción la tiene que hacer una persona y no un entregable —y es también la razón por la que la traducción del actor-red debe ser encarnada—. El dato que miente es Weick: un dato no dice la verdad por sí solo, significa dentro de un acto de construcción de sentido situado; cuando ese contexto se pierde —o cuando la organización enactuó mal la categoría que mide— el dato queda impecable y aun así engaña. Frente a Wang y Strong, que dan el lado normativo —qué es un dato de calidad—, el sensemaking da el lado descriptivo —por qué su significado es frágil—. Anclar el vocabulario propio en estas dos corrientes lo saca de la metáfora: deja de ser una imagen feliz y pasa a ser un concepto que se puede defender.

También aquí hace falta declarar la posición, porque apoyarse en lo tácito de Polanyi instala una tensión conocida con la gestión del conocimiento de Nonaka, para quien buena parte de lo tácito sí puede explicitarse y codificarse. La tesis toma partido a sabiendas: lo codificable se codifica —de ahí los sistemas, la documentación, los modelos—, pero el núcleo del juicio organizacional permanece tácito, y de ahí que la traducción la haga una persona. No se niega la codificación; se niega que agote el saber.

Cada una de estas ideas tiene una estructura interna, y es ahí —no en la frase célebre— donde deja de ser imagen y empieza a operar. En Polanyi, el conocimiento tácito tiene una forma “desde-hacia”: uno se apoya en particulares que no puede enunciar —el tacto de la mano, la lectura de un gesto— para atender a un todo que sí reconoce; por eso se sabe más de lo que se dice, y por eso ese saber se transfiere conviviendo con la práctica, no leyéndola. En Weick, la construcción de sentido es un ciclo: la organización enactúa —actúa sobre el entorno y así lo crea en parte—, selecciona una interpretación plausible de lo que pasó y la retiene como marco para la próxima vez. La consecuencia para los datos es severa: una organización no mide un mundo que estaba ahí, mide las categorías que enactuó, y después esas categorías le devuelven un mundo que confirma lo que ya creía. El dato no solo puede mentir por perder contexto: puede mentir por haber sido construido para no ver.

Y aquí esta corriente toca la de O’Neil, una conexión que conviene hacer explícita. Si una organización mide las categorías que enactuó —con sus puntos ciegos incluidos—, un modelo entrenado sobre esos datos no aprende la realidad: aprende las categorías enactuadas, y después las reproduce y amplifica a escala. El sesgo del modelo rara vez nace en el algoritmo; nace en el sensemaking previo que fijó qué se mide y qué se ignora. El dato que miente, automatizado, se vuelve un sesgo que escala. De ahí una consecuencia para el método que no es obvia: la lectura sociotécnica del primer eslabón es también control de sesgo, porque audita las categorías antes de que el modelo las herede sin preguntar de dónde salieron.

La evidencia que lo confirma

El andamiaje sería un edificio teórico si no se apoyara en evidencia de campo. No es teoría, pero es parte del argumento, y bastan tres piezas. El experimento de Kenia mostró que la IA generativa ayudó a los emprendedores de alto rendimiento —alrededor de un 15% más— y perjudicó a los de bajo rendimiento —alrededor de un 8% menos—, porque estos seguían consejos genéricos sin el juicio para filtrarlos: la prueba de campo de que la IA sin un criterio humano que la oriente puede ampliar desigualdades en vez de cerrarlas.¹⁷ El Technology and Innovation Report 2025 de la UNCTAD documenta que la oportunidad de la IA para el desarrollo coexiste con una “brecha de cómputo” que excluye a los más chicos: la inclusión no es automática, hay que diseñarla.¹⁸ Y los datos de la CEPAL muestran que la penetración de IA en América Latina es inferior al 4% frente a más del 20% en Europa, pero también que dentro de la región la brecha intra-país es enorme —en Brasil, 41% de las grandes firmas usan IA frente a 11% de las pymes—.¹⁹ Esa brecha entre la firma grande y la pyme, tan ancha como la brecha entre regiones, es precisamente el terreno donde el puente trabaja.

Cómo se articulan (el andamiaje en una imagen)

   sociotécnica (Tavistock/Mumford)  ── el problema es de DOS subsistemas
              +
   actor-red (Latour)                ── el éxito es TRADUCIR y alinear actores
              =  TESIS DEL PUENTE
              ↓ que se enacta conduciendo el cambio
   cambio (Lewin/Kotter/Díaz B.)     ── el puente se cruza, no solo se dibuja
              ↓ aplicada a la era de la IA
   HCAI (Shneiderman/Dignum/O'Neil)  ── la IA amplifica a la persona o la daña
              ↓ que le impone tres exigencias
   calidad de datos (Wang&Strong)    ── sin dato fiel, la IA miente rápido
   madurez (Jöhnk; Cohen&Levinthal)  ── sin capacidad de absorber, la IA resta
   difusión (Rogers/Moore)           ── la adopción es proceso social, no evento
              ↓ confirmado por evidencia
   Kenia / UNCTAD / CEPAL            ── sin juicio ni diseño, la IA amplía brechas

Por debajo de toda esta estructura corren el conocimiento tácito de Polanyi y la construcción de sentido de Weick: no son un paso del flujo, sino el sustrato epistémico que funda los conceptos propios —traducción en carne y hueso, el dato que miente— que atraviesan cada eslabón. Leído así, el capítulo no enumera ocho autores: muestra una sola conclusión sostenida por siete caminos que no se conocían entre sí y un octavo que los funda por debajo. Esa es la fuerza del andamiaje, y la razón por la que la tesis no depende de ninguna de las corrientes en particular.

Ver también: La tesis del puente · Los cuatro eslabones · Conceptos propios · El puente aplicado a las pymes · Bibliografía