Nicolás Tobar

Sociólogo UCH.
Colocolino
Me gusta la teoría social.

[Miguel gutierrez -Macroeconomista- @Mike051270]

Dos economistas demostraron matemáticamente que la IA destruirá la economía.

Investigadores de Wharton y la Universidad de Boston publicaron un artículo aterrador titulado "The AI Layoff Trap".

Mapearon el fin del juego económico de la transición a la IA, y expone un defecto fatal en el capitalismo competitivo.

Cuando una empresa reemplaza a un trabajador con IA, captura el 100% de los ahorros salariales.

Pero ese trabajador desplazado también es un consumidor. Cuando pierden su empleo, dejan de comprar cosas.

La empresa obtiene todos los ahorros, pero la pérdida de la demanda del consumidor se distribuye por toda la economía.

Si hay 20 competidores en un mercado, un CEO solo absorbe 1/20 de los daños económicos que sus despidos acaban de crear.

Por lo tanto, cada CEO racional tiene un incentivo matemático para automatizar lo más rápido posible.

Pueden ver literalmente el precipicio acercándose, y aun así pisan el acelerador.

Desata un Dilema del Prisionero inevitable. Si no automatizas, tus competidores lo harán, y te aplastarán en precio.

No solo daña a los trabajadores. Destruye las empresas también.

La economía queda atrapada en una carrera armamentística de automatización. Las empresas despiden a su fuerza laboral para mantenerse competitivas, hasta que toda la base de consumidores queda completamente vaciada.

En el límite, el artículo concluye: “Firms automate their way to boundless productivity and zero demand.”

¿Y la parte más aterradora?

Los investigadores probaron matemáticamente cada solución popular.

¿Ingreso Básico Universal? Falla. Eleva el nivel de vida pero no cambia el incentivo corporativo para recortar empleos. ¿Reconversión? Falla. ¿Equidad para trabajadores? Falla.

El artículo demuestra que más competencia hace que el colapso ocurra más rápido. Y una IA "mejor" hace que el daño sea peor.

Lo único que matemáticamente detiene el colapso es un impuesto a la automatización dirigido, obligando a las empresas a pagar por el poder adquisitivo que destruyen antes de automatizar el empleo.

[Toni Kroos @ToniKroos]

Football won

[Pablo Malo @pitiklinov]

El autor de este post, que es neurocientífico, explica la razón real por la que la ciencia está rota: por culpa de unos incentivos institucionales perversos que priorizan la producción medible por encima del progreso real. Los investigadores deben autofinanciarse con becas (o sea, son los investigadores los que tienen que buscarse la financiación) y tienen unas tasas de éxito de alrededor del 10%, lo que genera una presión brutal y constante para producir artículos y aplicar a becas sin parar. Las instituciones evalúan sus carreras por métricas fáciles de medir: número de publicaciones, dólares captados en becas y citas, no por avances científicos genuinos.

Esto obliga a una aversión extrema al riesgo: los científicos evitan ideas inciertas o proyectos largos que puedan fallar, y optan por trabajo seguro, incremental y predecible que garantice artículos aunque no avance el conocimiento de verdad. En una encuesta de Pew a científicos de la Asociación Americana para el Avance de la Ciencia
(AAAS), el 69% dijo que el enfoque en proyectos con resultados rápidos tiene una influencia muy negativa en la dirección de la investigación. El resultado es un sistema optimizado para producción masiva, no para descubrimientos arriesgados y transformadores.

Pero esta situación, que es muy mala, va a ir a peor, en opinión del autor, por culpa de la IA. La IA no arregla el problema porque acelera y optimiza exactamente los mismos incentivos rotos: ya que aumenta la producción individual sin tocar las estructuras de recompensa subyacentes. Estudios recientes (como uno en Nature con 41 millones de papers) muestran que los científicos que usan IA publican tres veces más, reciben casi cinco veces más citas y aceleran sus carreras, pero el rango de temas investigados se reduce un 5%, y las interacciones con el trabajo de otros cae un 22%. Es decir, que se produce una contracción del espacio temático que se explora colectivamente y una homogeneización. Vamos, que los investigadores trabajan cada vez más todos en el mismo sitio y pocos se arriesgan a explorar lejos.

Otro estudio en Science con millones de preprints indica que el uso de LLMs aumenta los manuscritos un 36-60%, pero la prosa tan pulida por la IA se asocia con menor tasa de aceptación en revistas top, sugiriendo menor profundidad real. La IA empuja a "monocultivos científicos”, es decir, todos persiguen las mismas preguntas ignorando problemas importantes pero con pocos datos (el clásico "buscar bajo la farola"). La cuestión es que si no se reforma primero el tema de los incentivos perversos y la financiación, la IA solo va a agravar la crisis de calidad, diversidad y originalidad en la ciencia.

https://t.co/PKdTBfyx2D

[Nicolás Tobar @nicotobarj]

@rachel_theodore Gracias por la difusión!

[Rachel Théodore @rachel_theodore]

Comparto esta columna de Darío Montero y Nicolás Tobar @nicotobarj que me parece esencial en el debate sobre los problemas actuales de la academia con la IA y el giro tecnocrático.
https://t.co/hEUOSg7y8X

[Pablo Stefanoni @PabloAStefanoni]

Ya que será el tema de estos días, acá un artículo de @revistanuso sobre lo que fue la Doctrina Monroe

https://t.co/NUdqXpBDrX

[Nicolás Tobar @nicotobarj]

@claudiaheiss @gobierno_uchile @mcpuchile Muchas gracias profe! 😄

[Nicolás Tobar @nicotobarj]

@betgerber Que bien! Gracias

[Nicolás Tobar @nicotobarj]

¡Cierro el año con nueva publicación! 📑

Analizo el proceso constituyente desde la variable temporal: ¿Cómo los plazos asfixiantes de la Convención terminaron por minar su legitimidad y participación?🧵👇

https://t.co/7S2Sg9Ikzm

[Journal of Democracy @JoDemocracy]

David Altman lays out how political players and advocacy groups are using AI to draft ballot initiatives, gather signatures, and persuade voters—undermining democratic legitimacy in the process. Read "The AI Democracy Dilemma" from our NEW January issue!

https://t.co/E4CgQmfwEg

[Jason Locasale @LocasaleLab]

The problem with the “academia is just a job” framing is that it redefines the enterprise in a way that diminishes those who are genuinely dedicated to the craft. No one is entitled to a career in academia. It has always been a selective path with limited resources, justified only because some people are willing to devote extraordinary effort to work they find deeply meaningful.

If the work consistently exacts an intolerable toll on someone’s mental health, it suggests there may be better, more fulfilling paths for that person outside academia. Those paths exist, and there’s nothing wrong with choosing them.

The deeper problem is what this narrative enables institutionally. University administrators eagerly use “just a job” stories to justify imposing rigid, HR-style management on academic work - flattening incentives, constraining autonomy, and treating creativity like a compliance risk. The casualty isn’t just individual satisfaction; it’s the quality of the work itself. Excellence becomes disposable, and the reasons academia existed in the first place erode.

[Vicent Gadea | IA @vicentgadea]

En la universidad seguimos discutiendo sobre el uso de la IA, cuando el problema está en qué y cómo estamos evaluando.

He leído con calma un artículo de Oscar Martínez Rivera que recoge una experiencia muy concreta sobre el uso de IA en trabajos universitarios. Y me interesa especialmente porque no teoriza en abstracto, sino que analiza qué ocurre cuando la IA entra en una actividad real, con datos, resultados y límites claros.

La propuesta es sencilla y, pedagógicamente, muy bien pensada. Se pide al alumnado que use ChatGPT para generar una primera respuesta, que esa respuesta se haga visible en un anexo y que, a partir de ahí, el trabajo se reconstruya teniendo en cuenta lecturas obligatorias, debates de clase y materiales específicos de la asignatura. No se juega a detectar trampas, se obliga a mostrar el proceso.

Desde el marco del SEIA, este tipo de actividad se sitúa claramente en un nivel 2, donde la IA puede apoyar o coproducir, pero la responsabilidad cognitiva sigue siendo del estudiante. Lo que se evalúa no es el texto “bien escrito”, sino el criterio para revisar, contrastar y sostener una respuesta con contexto académico real.

Los datos del estudio son reveladores. Una parte importante del alumnado ya utilizaba IA antes de la actividad y, además, con fines académicos. Es decir, la usan aunque no los preparemos para ello. En ese escenario, la opción no es ignorarlo, sino diseñar mejor.

Hay además un resultado incómodo. Cuando la estructura del razonamiento la marcaba la IA, el trabajo tendía a suspender. No por deshonestidad, sino porque no alcanzaba el nivel de precisión y anclaje en lecturas que exigía el enunciado. La IA servía para pulir o estructurar, pero no para sustituir el pensamiento.

El propio alumnado percibía entonces que la herramienta daba respuestas generales, pero no los matices necesarios. Ese punto conviene leerlo con perspectiva. Con modelos más avanzados y una ingeniería de contexto bien aplicada, hoy la IA sí puede responder con bastante precisión a preguntas concretas. Y eso refuerza una conclusión clave. No podemos confiar en las limitaciones técnicas de la herramienta como filtro evaluativo. El filtro tiene que estar en el diseño de evidencias.

Lo valioso de esta experiencia es que no propone prohibir ni vigilar más. Propone asumir que la IA ya está ahí y rediseñar tareas para que, si el estudiante no comprende, ni siquiera la IA pueda salvarle. Y eso devuelve sentido a la evaluación universitaria.

Si te interesa profundizar en el marco del SEIA, comenta SEIA y te paso el acceso. Si quieres leer el artículo completo, comenta ARTÍCULO y te lo comparto.

Gracias por leerme 🙌

#SEIA #IA #AI #edtech

[Science News @SciencNews]

It takes time to find a good problem, and every week spent in choosing one can save months or years later on.

[Science News @SciencNews]

The importance of stupidity in scientific research

[Dr. Javier Flores @farmacotips]

SCIHUB YA NO FUNCIONA 🥲

7 alternas para artículos científicos

Totalmente gratis:

[Nicolás Tobar @nicotobarj]

@JoignantAlfredo Bastante superficial e imprecisa la columna

[Nicolás Tobar @nicotobarj]

Recomiendo lectura. Muy profunda reflexión, lúcida para los tiempos que corren.

[cristian leporati @cleporati]

“Contra el #fascismo, surrealismo”.
Por Naomi Klein

¿Cuál debería ser la respuesta ante el avance de las ultraderechas, en tiempos en que la humanidad ha asistido a un nuevo genocidio? Hay mucho que aprender del antifascismo de los surrealistas, un movimiento artístico que supo reflejar los horrores de la guerra.
Los surrealistas miraban el mal de frente, pero también buscaban sus antídotos: el amor, el significado y la libertad.

[Nicolás Tobar @nicotobarj]

@m_astla No sé, Igual no brilló tanto en la RM. Yo escuchaba más votante Kast/Kaiser que Parisis. La brecha es sobre todo regional

[Cristina Dorador Ortiz 🦩 @criordor]

Eso pasa cuando se dejan las regiones de lado