4. El Task Continuum Index Adaptado a AI-IoT

La Sección 1 introdujo el Task Continuum Index como el instrumento-contraparte del lado de la tarea, emparejado con el Cognitive Continuum Index del lado del juez. La Sección 3 ya produjo la materia prima para operacionalizarlo: la "ficha de tarea" de su Regla de Aplicación exige, para cada una de las once propiedades, una clasificación provisional — polo intuitivo, analítico o mixto — registrada por separado para cada una de las tres perspectivas (ecología física, representación de la IA, representación del supervisor). Lo que falta es cerrar el ciclo: transformar esa clasificación cualitativa, propiedad por propiedad, en un número que ubique la tarea — o, más precisamente, cada una de sus tres representaciones — en el continuo.

Conviene ser directo sobre lo que este número puede y no puede ser. El TCI original de Hammond (1988) no se derivó de una fórmula algebraica aplicable a cualquier tarea; se construyó experimentalmente, ordenando nueve condiciones de exhibición cuyas propiedades habían sido manipuladas por el propio investigador. No existe, en la literatura, una fórmula validada y lista para importar a AI-IoT. El índice propuesto en esta sección es, por ello, una construcción original de esta trilogía — un dispositivo heurístico de agregación, explícito y auditable, no la recuperación de un instrumento psicológico ya validado. Esto está en línea directa con la advertencia ya hecha en la Sección 3, a propósito de Dhami y Thomson (2012): la CCT no especifica cuánto desplaza cada propiedad el modo cognitivo. El índice que sigue no resuelve esa indeterminación — la hace explícita y gestionable.

La fórmula. Para cada propiedad $i \in \{1, \ldots, 11\}$ y cada nivel $\ell \in \{\text{eco}, \text{IA}, \text{sup}\}$, la ficha de tarea de la Sección 3 asigna una clasificación provisional. Esa clasificación se codifica como:

$$s_i(\ell) = \begin{cases} -1 & \text{polo intuitivo} \\ 0 & \text{mixto o insuficientemente clasificable} \\ +1 & \text{polo analítico} \end{cases}$$

Esta escala de puntuación es deliberadamente simple — tres valores, no cinco o nueve —, no por falta de sofisticación, sino para no fingir una precisión cuantitativa que la clasificación cualitativa subyacente no sostiene. Una escala más granular (por ejemplo, $-2$ a $+2$, distinguiendo intensidad "fuerte" de "débil" dentro de cada polo) sería una extensión natural, sujeta a justificación empírica futura, pero introduciría, en esta fase conceptual, exactamente la falsa precisión que la Sección 3 ya advirtió que no era sostenible.

El Task Continuum Index de un nivel es la media de las once puntuaciones:

$$TCI_\ell = \frac{1}{11} \sum_{i=1}^{11} s_i(\ell)$$

acotado al intervalo $[-1, +1]$: $TCI_\ell \to -1$ indica una tarea fuertemente inductora de intuición en ese nivel; $TCI_\ell \to +1$, fuertemente inductora de análisis; $TCI_\ell$ cercano a $0$, cuasirracionalidad — pero con una salvedad importante, tratada a continuación.

La salvedad de la confianza. Un $TCI_\ell$ cercano a cero es ambiguo por construcción: puede significar que la tarea es genuinamente cuasirracional, con propiedades que apuntan de forma robusta y equilibrada en direcciones opuestas; o puede significar, de forma bastante menos interesante, que muchas propiedades fueron clasificadas como "mixtas" por falta de evidencia suficiente para decidir. Estos dos escenarios no deben confundirse, y reportar solo $TCI_\ell$ los oculta. Por ello, el índice debe ir siempre acompañado de:

$$n_{\text{mixto}}(\ell) = \#\{i : s_i(\ell) = 0\}$$

Una tarea con $TCI_\ell \approx 0$ y $n_{\text{mixto}}(\ell) = 0$ es cuasirracional con confianza; una tarea con $TCI_\ell \approx 0$ y $n_{\text{mixto}}(\ell) = 8$ está, en la práctica, sin clasificar. El índice sin esta segunda métrica invita a una precisión que la clasificación subyacente no sostiene.

La divergencia entre niveles. La verdadera contribución original de esta sección no es $TCI_\ell$ de forma aislada — es la posibilidad de calcularlo por separado para los tres niveles y compararlos. Se define:

$$\Delta TCI(\ell_1, \ell_2) = TCI_{\ell_1} - TCI_{\ell_2}$$

El caso de mayor interés para esta trilogía es $\Delta TCI_{\text{IA-sup}} = TCI_{\text{IA}} - TCI_{\text{sup}}$: la diferencia entre la posición en el continuo de la tarea tal como se representa a la política algorítmica, y la posición de la misma tarea tal como se representa al supervisor humano. Un $\Delta TCI_{\text{IA-sup}}$ cercano a cero sugiere que la IA y el supervisor enfrentan, estructuralmente, tareas semejantes en el continuo, aunque a través de pistas distintas. Un $\Delta TCI_{\text{IA-sup}}$ elevado señala algo más interesante y más arriesgado: que la misma ecología física está induciendo modos de cognición estructuralmente distintos según quién la observa — la IA operando sobre una tarea que su representación vuelve analítica, el supervisor operando, nominalmente sobre "el mismo problema", pero sobre una representación que lo vuelve intuitivo, o viceversa.

Retomando los dos ejemplos del Argus ya descritos en la Sección 3: la detección de anomalía térmica, tal como se caracterizó allí — pocos sensores calibrados, tendencia estable, umbrales de ingeniería conocidos, relación comprensible, tiempo para confirmar — tendería a un $TCI_{\text{eco}}$ y un $TCI_{\text{IA}}$ cercanos al polo analítico, con la mayoría de las once propiedades apuntando en esa dirección. Si la interfaz del supervisor preserva ese contexto — tendencias, umbrales, margen de confirmación —, $TCI_{\text{sup}}$ los acompaña, y $\Delta TCI_{\text{IA-sup}}$ se mantiene bajo. Pero si el mismo sistema reduce esa tarea, en la interfaz humana, a una única alerta binaria sin tendencia ni contexto, $TCI_{\text{sup}}$ puede desplazarse hacia el polo intuitivo — no porque la tarea ecológica haya cambiado, sino porque la representación disponible para el supervisor cambió drásticamente su posición en el continuo. El $\Delta TCI_{\text{IA-sup}}$ resultante, elevado, es exactamente el tipo de señal que este índice fue diseñado para hacer visible.

La predicción de fallo de rodamiento a partir de vibración — el segundo ejemplo de la Sección 3 — ilustra el caso opuesto, más difícil. Allí, la ecología y la representación algorítmica ya son estructuralmente complejas y poco descomponibles: $TCI_{\text{eco}}$ y $TCI_{\text{IA}}$ tienden a estar cerca de cero, pero con $n_{\text{mixto}}$ bajo — cuasirracionalidad genuina, no falta de clasificación. Resumir esa tarea en un score único no produce, en este caso, una divergencia artificial entre niveles: $TCI_{\text{sup}}$ puede mantenerse igualmente cerca de cero, porque la tarea ya era, en su estructura, resistente a la descomposición — solo se vuelve opaca, lo cual es un fallo distinto (de principio organizador y de presentación), no necesariamente uno capturado por $\Delta TCI$.

Esta asimetría entre los dos ejemplos se destaca deliberadamente en esta sección: $\Delta TCI_{\text{IA-sup}}$ detecta un tipo específico de riesgo — desplazamiento estructural del modo inducido entre niveles — y no detecta intencionalmente otros riesgos igualmente reales, como la opacidad de un principio organizador que existe en la profundidad sin llegar a la superficie. Esta limitación no es un defecto a corregir — es una frontera de aplicación a respetar. Los dos casos "mixtos" ya identificados en la tabla de la Sección 2 — principio organizador y duración de la decisión — son precisamente donde esa frontera es más probable que se manifieste.

Lo que este índice no hace. Vale la pena repetirlo, porque es fácil olvidarlo ante un número: $TCI_\ell$ y $\Delta TCI$ son medidas estructurales de la tarea tal como se clasificó — no demuestran que la IA, el supervisor, o el sistema híbrido respondan de hecho en el modo que la tarea induce. Un $\Delta TCI_{\text{IA-sup}}$ elevado es una señal de alerta a investigar, no un diagnóstico de fallo; la política algorítmica puede estar bien ajustada a su propia tarea (analítica) y el supervisor puede estar igualmente bien ajustado a la suya (intuitiva), sin que eso implique ningún problema — o puede no estarlo, y es precisamente esa correspondencia entre modo inducido y modo efectivamente ejecutado lo que el Artículo 5 auditará mediante $G$, $R_s$, los pesos de las pistas $\hat{w}_{Z_{IA}}$ y la relación entre pistas y criterio. Este índice ubica la pregunta; no la responde.

Dos contribuciones, declaradas como tales. Esta sección propone dos extensiones originales al aparato de Hammond (1988): primero, la descomposición de un único TCI en un $TCI_\ell$ por nivel, necesaria porque las cadenas ciber-físicas — a diferencia del juez humano aislado que presupone la CCT clásica — colocan a más de un decisor frente a representaciones potencialmente distintas de la misma ecología; segundo, $\Delta TCI$ como medida explícita de esa divergencia, que transforma la distinción superficie/profundidad de la Sección 2 de una observación cualitativa en un número que los Artículos 4 y 5 pueden usar como input.

(Nota bibliográfica: Hammond, K. R. (1988). "Judgement and decision making in dynamic tasks." Information and Decision Technologies, 14(1), 3–14 [también circulado como ART Research Note 88-81, U.S. Army Research Institute for the Behavioral and Social Sciences] — cita verificada directamente contra dos fuentes independientes; identificada aquí como el origen del Task Continuum Index, del Cognitive Continuum Index y de la distinción superficie/profundidad, anterior y más fundacional que Dunwoody et al. (2000), que la prueba empíricamente doce años después. La nota bibliográfica de la Sección 2 fue corregida en consecuencia. Nota de desambiguación: la entrada "Hamm (1989)" ya presente en la bibliografía núcleo de la trilogía se refiere a Robert M. Hamm, coautor de Hammond, Hamm, Grassia & Pearson (1987) — persona distinta de Kenneth R. Hammond, autor del presente artículo de 1988; las dos citas no deben fundirse. La fórmula de $TCI_\ell$, la métrica $n_{\text{mixto}}$ y la definición de $\Delta TCI$ son construcciones originales de esta trilogía, sin correspondencia directa en Hammond (1988) ni en ninguna fuente citada — el artículo original no propone una fórmula algebraica generalizable.)