La naturaleza es compleja y caótica

Antes de que la teoría de la complejidad cubriera el terreno, ahora tenemos que añadir la teoría del caos

La naturaleza siempre ha sido compleja (Bak and Paczuski 1993). Ahora es caótica (Bernardini et al. 2025, Rockström 2009, Sakschewski 2025).

"Más de tres cuartas partes de los sistemas de soporte de la Tierra no están en la zona segura. La humanidad está empujando más allá de los límites de un espacio operativo seguro, aumentando cada vez más el riesgo de desestabilizar el planeta." — Johan Rockström, 2025

Ahora estamos en territorio de «cisne negro» (Sornette 2009), con eventos meteorológicos caóticos cada vez más probables (IPCC 2021).

La IA sí amplía nuestro horizonte cognitivo. Esa es una herramienta real para abordar este problema, pero no salvarnos nos. No resolverá el problema por nosotros.

El aprendizaje automático (ML) es IA de reconocimiento de patrones. Lo que significa que es particularmente propenso a errores en este contexto, por las mismas razones descritas en el trabajo galardonado con el Nobel que es la base del libro Pensar rápido y despacio sobre por qué la intuición humana falla en algunos problemas estructurados (Tversky & Kahneman 1974). El ML reconoce patrones, lo que significa que no funciona cuando el patrón se rompe.

La predicción a largo plazo hecha con IA puede fallar catastróficamente independientemente de los datos disponibles (Fan et al. 2020). En este mundo, en nuestras vidas, en tu vida si estás leyendo esto, las predicciones basadas en el pasado, por costosas o detalladas que sean, son cada vez menos fiables.

Figura J. La teoría del caos y de la complejidad produciendo errores en los datos de sistemas naturales y en el análisis estadístico

Cuando los datos son lineales, los puntos caen ordenadamente sobre una línea. Así.

Con datos no lineales, nuestras estadísticas empiezan a fallar. La línea pasa por el medio, pero falla en ambos extremos. Los datos no son lineales.

A veces los modelos lineales funcionan cerca de cero. La cola es donde vive la realidad. Y la realidad es más grande que la línea.

La naturaleza ni siquiera pretende seguir estas reglas. Estos son datos reales, de un sistema real. SÍ hay un patrón. Solo que es más inteligente que nosotros.

Haz zoom y el caos tiene orden dentro. Haz zoom sobre ese orden y hay más caos. Y así sucesivamente.

Algunos conceptos básicos de los sistemas complejos

Los sistemas complejos no solo son difíciles de medir: son imposibles de cuantificar por completo (Anderson 1972). Esa es una propiedad de la complejidad misma, no un problema de herramientas.

• Emergencia — las propiedades a nivel de sistema no existen al nivel de los componentes; el todo tiene comportamientos que las partes no tienen (Anderson 1972).
• No linealidad — las salidas no son proporcionales a las entradas; pequeñas perturbaciones pueden encadenarse, las grandes pueden disiparse (Strogatz 2015).
• Bucles de retroalimentación — los componentes se moldean entre sí; causa y efecto funcionan en círculos, no en líneas (Meadows 2008).
• Sensibilidad a las condiciones iniciales — pequeñas diferencias en el estado inicial divergen exponencialmente con el tiempo; esta es la definición formal del caos (Lorenz 1963).
• Puntos de inflexión — los sistemas permanecen en regímenes estables hasta que se cruza un umbral, y entonces saltan abruptamente a uno nuevo (Scheffer et al. 2009).

La gran mayoría de los científicos indígenas con los que hemos hablado se han burlado de la mentalidad reduccionista hacia la Naturaleza. Esto no es una falta de comprensión del reduccionismo; es un rechazo claro del enfoque como la herramienta equivocada para el trabajo.

"Con el debido respeto, pero sin carga, expresamos que entendemos, pero lamentamos la lógica de que quienes poseen poder tecnológico y poder económico ejerzan control sobre el mundo; porque por este camino, el poder se ha convertido en una obsesión de las naciones poderosas que han cegado su esencia como hijos de la tierra y se han convertido en amos del planeta. En esta lógica utilitarista, han cosificado el mundo y mercantilizado todo lo que existe, y esto es ahora la columna vertebral del sistema que los estados han adoptado hoy." - Miguel Chindoy, La voz de los Pueblos Indígenas del mundo sobre la emergencia ambiental planetaria

Algunos conceptos básicos de los sistemas caóticos

La simple distinción entre complejo y caótico es que los sistemas complejos pueden ser estables. Los caóticos no pueden. La complejidad es estructura; el caos es lo que ocurre cuando esa estructura se inclina hacia la inestabilidad.

• Determinista pero impredecible — las reglas se conocen por completo, pero el futuro no (Lorenz 1963).
• Dependencia sensible de las condiciones iniciales — el efecto mariposa; causas minúsculas, consecuencias inmensas (Lorenz 1963).
• Acotado pero nunca repetitivo — las trayectorias caóticas no se disparan hasta el infinito, pero nunca vuelven a recorrer exactamente su camino. Trazan un "atractor extraño" — una forma en el espacio de posibilidades que el sistema orbita para siempre sin repetir (Ruelle & Takens 1971).
• Los horizontes de predicción son finitos por necesidad matemática — más allá de cierto punto, ninguna precisión de medición ni potencia de cálculo ayuda. El error se acumula más rápido de lo que los datos informan (Palmer 2000).
• Las estadísticas sobreviven; las trayectorias no — puedes caracterizar la forma del caos (promedios, rangos, frecuencias de regímenes), incluso cuando no puedes predecir ninguna trayectoria específica (Eckmann & Ruelle 1985).

Por eso el ML falla específicamente en los sistemas caóticos: el ML aprende de las trayectorias, pero en el caos, la trayectoria es la parte que no puede generalizarse. Solo la envolvente estadística puede hacerlo.

Cómo trabajar en sistemas complejos y caóticos

El objetivo de trabajar en estos sistemas es trabajar de forma más inteligente, no más dura. En otras palabras, necesitamos escuchar a los mejores científicos del mundo (arriba) y trabajar dentro de las limitaciones.

• No intentes medirlo todo (incluso con IA, especialmente con IA!). Elige dimensiones que sean ortogonales y tangibles; muestrea, no enumeres. La exhaustividad es imposible. La meta es una señal que no pueda ser manipulada.
• No intentes predecir el futuro con demasiada antelación. Los horizontes de predicción son matemáticos, no técnicos: ninguna cantidad de datos cierra la brecha más allá de cierto punto. Usa bucles cortos de retroalimentación en lugar de pronósticos largos.
• Optimiza para los efectos mariposa. En un sistema caótico, la palanca está en los puntos de inflexión: pequeñas entradas en el lugar correcto producen resultados desproporcionados. La estructura de pago de #SexyTrees ($1 por plantar / $0.50 vivo a los 6 meses / $0.50 vivo a los 12 meses) es una mariposa: un pequeño pago por árbol que cambia el comportamiento del agricultor a escala.
• No asumas que sabes lo que va a pasar. Mira lo que realmente ocurrió. Solo medición ex post. Los modelos son mapas; cuando entran en conflicto con el territorio, confía en el territorio.