Uso de Agentes IA en la Manipulación de Narrativas Digitales (1a parte)

El tono y orientación de este nuevo tema que nos invita a la reflexión discursiva y narrativa digital, es en parte, por el auge que observamos desde finales del 2024 y lo que va del presente, respecto al uso de los denominados agentes de IA en diferentes ámbitos: industriales, financieros, negocios, aplicaciones en el campo de la medicina, de las ciencias ambientales y del espacio, de la ingeniería, en procesos de gestión y administración de las organizaciones, impacto en los negocios, comercio, creación de modelos IA en constante dinámica de fortalecimiento de los procesos de innovación tecnológica y su relación con la oferta y demanda a nivel de la competencia internacional (IDC, CIO Playbook 2024); para fortalecer sistemas de vigilancia y como uso estratégico de seguridad militar en el ciberespacio, etc. Sin embargo, aclaremos que el origen de estos agentes artificiales, están comprendidos por sistemas de programas informáticos básicos fundamentales a los recientes más complejos y veloces en cuanto al control de sus sistemas de aprendizaje y entrenamiento, a la creación de lenguajes que se adaptan a las necesidades humanas y de las instituciones; pero, ¿Qué son en realidad estos agentes?, ¿Cómo surgió la idea de crearlos?, ¿Con qué intención fueron creados?

Revisando un reciente texto publicado, de  Stuart Russell y Peter Norvig (2021). Artificial Intelligence: A Modern Approach, mencionan al principio del libro la existencia  sobre la arquitectura de diversos agentes inteligentes: Agentes reflejos simples, que seleccionan acciones basándose en la percepción actual, ignorando la historia de dicha percepción, implementan una función que mapea de forma directa de estados a acciones. Son simples, y pueden ser muy rápidos si la decisión correcta puede tomarse basándose en la percepción actual. Su inteligencia es muy limitada y solo funcionan en entornos completamente observables, y una pequeña falta de observabilidad puede causar problemas serios; están los agentes reflejos basados en modelos, mantienen un estado interno para rastrear aspectos del mundo que no son evidentes en la percepción actual. Utilizan "un modelo del mundo" y su funcionamiento para tomar una decisión y acción a realizar. Puede manejar entornos probablemente observables al mantener información percibida del mundo. Su efectividad va a depender de la precisión del modelo del mundo, lo cual implica que su mantenimiento y actualización sea complejo. Los agentes basados en objetivos, son aquellos que toman decisiones cuyos objetivos intentan alcanzar. Combinan la información sobre el estado actual y el resultado de las posibles acciones que conduzcan al propósito de sus objetivos. Pueden planificar secuencias de acciones para alcanzar objetivos complejos, esto les permite actuar en entornos más complejos que los agentes reflejos. Aunque en la búsqueda de secuencias de acciones para lograr el objetivo se vuelve sumamente costosa, para entornos sumamente complejos.

Están también, los agentes basados en la utilidad, que intentan maximizar su propia "felicidad" esperada o utilidad, función que asigna un valor numérico a los diferentes estados del mundo. Permite tomar decisiones racionales incluso en situaciones con múltiples objetivos y compensaciones, considerando la deseabilidad de los diferentes resultados. Sin embargo, requieren la definición de una función de utilidad adecuada, lo cual resulta ser difícil, porque deben razonar sobre las posibles consecuencias de las acciones y sus utilidades esperadas. Y dos agentes de importancia, son los denominados agentes de aprendizaje, que mejoran su rendimiento con la experiencia. Tienen la capacidad de modificar sus componentes para estar más acordes con la información de retroalimentación disponible, mejorando su rendimiento general. Operan en entornos inicialmente desconocidos y se vuelven más competentes en la medida que lo permita su conocimiento inicial. Pueden adaptarse a entornos nuevos o cambiantes y mejorar su rendimiento con el tiempo sin necesidad de ser programados de manera explícita para todas las acciones. Aunque su proceso de aprendizaje es lento, requiere una cantidad suficiente de experiencia y retroalimentación adecuada. Implica que, el diseño del mecanismo de aprendizaje y la representación de lo aprendido pueden ser desafiantes, señalan los autores. 

Los agentes basados en el conocimiento, los cuales utilizan una base de conocimiento para almacenar información sobre el mundo y un mecanismo de inferencia para derivar nuevas conclusiones y decidir qué acción tomar. Su forma de conocimiento se representa en un lenguaje como la lógica. Pueden utilizar algoritmos de inferencia o implementaciones directas en circuitos lógicos. Pueden razonar sobre el mundo de manera lógica y flexible. Utilizan algoritmos de inferencia, utilizando conocimiento general para tomar decisiones complejas y adaptarse a nuevas tareas. Emplean la representación declarativa del conocimiento para facilitar la adición de nueva información. Tanto la representación del conocimiento como la inferencia, puede ser computacionalmente costosas, especialmente cuando se requiere emplear grandes cantidades de conocimiento. Manifiesta limitaciones en la lógica proposicional, sobre todo cuando se requiere escalar a entornos de tamaño ilimitado., es el caso de los agentes basados en circuitos pueden presentar estos problemas de escalabilidad en dominios no locales.

Otro tipo de agentes, según Russell y Norvig (2021), son las arquitecturas híbridas, que llegan a ser la combinación de diferentes enfoques (control reactivo y deliberación de modelos). Tenemos dos tipos de arquitecturas: De tres capas (reactiva, ejecutiva y deliberativa), y de subsunción, que construye controladores reactivos a partir de máquinas de estados finitos (matemática de algoritmos). Aprovecha esos diferentes enfoques para crear rapidez de la reacción y capacidad de planificación de la deliberación, que le permite operar de manera eficaz en una amplia gama de situaciones. Su limitación se presenta en el diseño y coordinación de los diferentes componentes, puede llegar a ser complejos.

Con toda la descripción anterior, de lo complejo que se ha creado desde las organizaciones y megacorporaciones fabricantes y creadores de la IA, qué es lo que se define como "agentes inteligentes", aquí podríamos iniciar el análisis reflexivo y plantear lo siguiente a manera de un posible escenario actual: "Nos dijeron que los algoritmos nos liberarían, pero solo han automatizado la opresión". ¿Acaso no vez que cada "like", es un grillete que alimenta la máquina del control?, ¿Somos, entonces, esclavos digitales o cómplices voluntarios? Esto nos lleva también a plantear acerca de cuando delegamos nuestras decisiones a recomendaciones de la IA, ¿estamos renunciando a la ética o a la responsabilidad personal y colectiva?, o en cuanto a las nuevas generaciones beta, cuántas generaciones tendrían que pasar por ese filtro de automatización disruptiva de los datos y su relación con la manipulación y control de la identidad digital, entre otras acciones integradas en las acciones de estos agentes al servicio de dichas megacorporaciones. 

Esto podría llevarnos a pensar si dichos agentes, son parte de un sistema para crear ciertas narrativas que pueden infectar la percepción humana, por ejemplo, el uso de propagación de "fake news" en las redes sociales principalmente, cuyo objetivo será inseminar formas de desinformación e incrementar los contextos para demarcar los intereses de los sistemas de seguridad nacional e inteligencia a nivel mundial entre los globalistas y soberanistas, la nueva visión polarizada del mundo construida por los agentes inteligentes al servicio de los gobiernos y de los poderes facticos en turno. Nos lleva a establecer para la segunda parte, la idea posible para contrastar escenarios distópicos y utópicos mediante un debate ficticio entre un defensor del transhumanismo y un crítico neoludita.