5. Ilustración Conceptual

Esta sección no introduce teoría nueva. Cumple una promesa hecha al cierre de la Sección 3 y en la apertura de la Sección 4: construir fichas de tarea completas para los dos ejemplos del Argus ya descritos, y calcular $TCI_\ell$, $n_{\text{mixto}}(\ell)$ y $\Delta TCI$ de hecho. Los números que siguen son construcciones ilustrativas del autor, no mediciones de la telemetría real del Argus — sirven para exponer la mecánica del índice, no para reportar un resultado empírico. Esa distinción importa: un caso de estudio con datos reales es el programa del Artículo 5, no de este.

Antes de rellenar ninguna ficha, hay que resolver una cuestión que la Sección 4 dejó implícita: ¿cómo tratar, a nivel de la ecología física, propiedades que la Sección 2 clasificó como puramente de superficie? "Número de pistas" y "presentación de las pistas" describen una representación — cuántas pistas llegan a alguien, cómo se le muestran. La ecología física no representa nada a nadie; por ello, no tiene un valor propio en estas dos propiedades. La convención adoptada aquí, y mantenida de forma consistente, es la siguiente: las siete propiedades clasificadas como profundidad pura en la Sección 2 se heredan entre niveles — el valor calculado en la ecología física se traslada a la representación de la IA y a la del supervisor, salvo distorsión documentada explícitamente; las dos propiedades mixtas (principio organizador, duración de la decisión) pueden divergir, porque su componente de profundidad y su componente de superficie pueden legítimamente separarse; las dos propiedades de superficie pura (número de pistas, presentación de las pistas) no tienen valor en la ecología física, y $TCI_{\text{eco}}$ se calcula solo sobre las nueve propiedades restantes.

5.1. Detección de anomalía térmica

La tarea es la ya descrita en la Sección 3: pocos sensores calibrados, tendencia térmica estable, umbrales de ingeniería conocidos, relación física comprensible, tiempo suficiente para confirmar — pero potencialmente cuasirracional si carga, ventilación y ciclo de operación alteran la interpretación de la temperatura. Se construyen aquí cuatro fichas: ecología física, representación de la IA, y dos variantes de representación supervisora — una que preserva tendencia y contexto ("rica"), otra que reduce todo a una alerta binaria ("pobre").

Justificación abreviada: la distribución y la certeza son "mixtas" en la ecología porque la lectura bruta mezcla regímenes (carga, ventilación, ciclo) antes de cualquier contextualización — la IA y el panel rico resuelven esa ambigüedad al contextualizar la señal (por eso suben a $+1$), el panel pobre no la resuelve, solo la esconde (por eso retrocede a $0$). La relación pistas–criterio se mantiene en $-1$ en todos los niveles, por ser propiedad de profundidad pura — la degradación térmica es físicamente lineal o no lo es, independientemente de quién la observe. El principio organizador y la presentación divergen solo en la variante pobre, exactamente como predijo la Sección 2 para las dos propiedades "mixtas".

$$TCI_{\text{eco}} = \frac{5}{9} \approx 0.56 \quad (n_{\text{mixto}} = 2)$$ $$TCI_{\text{IA}} = \frac{9}{11} \approx 0.82 \quad (n_{\text{mixto}} = 0)$$ $$TCI_{\text{sup-rica}} = \frac{9}{11} \approx 0.82 \quad (n_{\text{mixto}} = 0) \implies \Delta TCI_{\text{IA-sup}} = 0$$ $$TCI_{\text{sup-pobre}} = \frac{2}{11} \approx 0.18 \quad (n_{\text{mixto}} = 3) \implies \Delta TCI_{\text{IA-sup}} \approx 0.64$$

El resultado confirma, con números, la narrativa cualitativa de la Sección 4: cuando el panel preserva contexto, $\Delta TCI_{\text{IA-sup}} = 0$; cuando lo reduce a una alerta binaria, $\Delta TCI_{\text{IA-sup}}$ salta a $0.64$ — más de la mitad del rango total posible.

El caso señalado con asterisco. La propiedad "número de pistas" para el panel pobre no se deja clasificar de forma limpia. La polaridad clásica dice que pocas pistas favorecen el análisis — pero una única alerta binaria no es una tarea con pocas pistas para analizar; es una tarea sin pistas restantes, que no invita al análisis, invita a la confianza ciega en la recomendación. La CCT clásica, formulada para jueces humanos que siempre tienen acceso a alguna pista bruta, no distingue "pocas pistas analizables" de "ninguna pista, solo una conclusión". Esta sección no fuerza una respuesta a esa distinción — la señala como un límite de la propiedad tal como se heredó de la literatura, y asigna $0$ por convención, no por convicción. Es, cabe notar, exactamente el tipo de situación que el Artículo 2 ya describió como automatización de la complacencia por vacío institucional: la ausencia de pistas le quita al supervisor la posibilidad de decidir, y no solo la facilidad de hacerlo.

5.2. Predicción de fallo de rodamiento a partir de vibración

El segundo ejemplo, más difícil por diseño: señales de alta frecuencia, decenas de atributos derivados, fuerte redundancia entre medidas, interacción con carga y velocidad, múltiples modos de fallo, escasez de eventos positivos — incluso si la interfaz humana se reduce a un único score de riesgo.

$$TCI_{\text{eco}} = \frac{1}{9} \approx 0.11 \quad (n_{\text{mixto}} = 0)$$ $$TCI_{\text{IA}} = \frac{-1}{11} \approx -0.09 \quad (n_{\text{mixto}} = 0)$$ $$TCI_{\text{sup}} = \frac{-2}{11} \approx -0.18 \quad (n_{\text{mixto}} = 1) \implies \Delta TCI_{\text{IA-sup}} \approx 0.09$$

Aquí, a diferencia del ejemplo térmico, $n_{\text{mixto}}$ se mantiene bajo en todos los niveles — no porque la tarea sea simple, sino porque las propiedades apuntan con confianza en direcciones opuestas: cuatro hacia el polo intuitivo (distribución, redundancia, descomponibilidad, certeza), cuatro hacia el analítico (medición, relación, ponderación, duración), más el par número/presentación inclinándose ligeramente hacia la intuición en la IA. Es cuasirracionalidad genuina, exactamente como anticipó la Sección 4. Y $\Delta TCI_{\text{IA-sup}}$ permanece pequeño ($0.09$) — reducir la tarea a un score único no desplaza perceptiblemente el índice, porque la tarea ya era, en profundidad, resistente a la descomposición.

Es precisamente aquí donde reside el punto más importante de esta sección: el índice permanece bajo, pero el problema no ha desaparecido. El principio organizador cae de $+1$ a $-1$ a nivel del supervisor — el score no explica en qué se basa, solo lo comunica —, pero esa única señal, diluida entre las otras diez propiedades, no mueve $\Delta TCI$ de forma perceptible. Un supervisor que recibe este score está tan a ciegas como en el ejemplo térmico con panel pobre — pero aquí el índice no lo delata. $\Delta TCI_{\text{IA-sup}}$ detecta desplazamiento estructural de modo; no detecta la opacidad de un principio cuando esa opacidad no desplaza el resto de la tarea. Esto no es un fallo de cálculo — es exactamente la frontera de aplicación ya declarada en la Sección 4, ahora visible en números, no solo en prosa.

El asterisco de "número de pistas" se repite deliberadamente en los dos ejemplos — no por redundancia, sino para mostrar que el problema es de la propia propiedad tal como se heredó de la CCT clásica, no de un caso particular. La CCT fue formulada para jueces humanos que siempre tienen acceso a alguna pista bruta; no distingue "pocas pistas analizables" de "ninguna pista, solo una conclusión". Esta sección no fuerza esa distinción — la señala como punto de refinamiento futuro, visible precisamente porque aparece dos veces, en tareas de naturaleza distinta, con el mismo resultado.

5.3. Un límite estructural del índice, descubierto al calcular

La convención adoptada al inicio de esta sección — siete propiedades de profundidad heredadas, cuatro (dos de superficie, dos mixtas) libres para divergir — implica un límite superior para $\Delta TCI_{\text{IA-sup}}$ que no es obvio a partir de la fórmula de la Sección 4 por sí sola. Si solo cuatro de las once propiedades pueden, por convención, diferir entre la representación de la IA y la del supervisor, y cada una puede oscilar como máximo entre $-1$ y $+1$ (una amplitud de $2$), entonces:

$$|\Delta TCI_{\text{IA-sup}}| \leq \frac{4 \times 2}{11} = \frac{8}{11} \approx 0.73$$

Esto no es una ley universal de la CCT — es una consecuencia directa de la convención de herencia adoptada en esta sección, y sería distinto si esa convención se abandonara (por ejemplo, si se admitiera que la propia IA puede operar sobre una estimación distorsionada de una propiedad de profundidad, y no solo sobre su valor verdadero). Pero, dentro de los términos en que este artículo define $TCI_\ell$, el límite es real: $\Delta TCI_{\text{IA-sup}}$ nunca se acercará a los extremos de $2$, incluso cuando la interfaz del supervisor se reduce al mínimo absoluto — el ejemplo térmico, con $\Delta TCI \approx 0.64$, ya está cerca de ese techo.

Este límite tiene implicaciones directas para el diseño de arquitecturas de autoridad: incluso las interfaces supervisoras minimalistas no pueden, por construcción, producir divergencias superiores a aproximadamente $0.73$ — lo que impone un techo estructural al tipo de riesgo que $\Delta TCI$ puede detectar. Las consecuencias de este techo para la distribución de autoridad entre IA y supervisor se exploran en el Artículo 4, donde se pregunta si las arquitecturas que operan cerca de este límite exigen formas de gobernanza distintas de las que operan cerca de cero.

Los dos ejemplos, leídos en conjunto, muestran lo que este artículo puede y no puede entregar a los Artículos 4 y 5: un número comparable, auditable y explícitamente acotado — que detecta bien un tipo específico de riesgo estructural, tiene un techo matemático conocido, y falla de forma previsible exactamente donde la Sección 2 ya había advertido que fallaría.

(Nota bibliográfica: esta sección no introduce citas nuevas. Todos los valores numéricos, las tablas y el límite teórico de $8/11$ son construcciones originales e ilustrativas de esta trilogía, elaboradas para demostrar la mecánica de $TCI_\ell$ y $\Delta TCI$ definidos en la Sección 4; no corresponden a mediciones de la telemetría real del Argus, que quedan reservadas para el caso de estudio empírico del Artículo 5.)