3. Mapeo Propiedad por Propiedad — De la Tarea Humana a la Tarea Ciberfísica

La aplicación de la Cognitive Continuum Theory a sistemas AI-IoT exige una traducción cuidadosa. Las once propiedades de la tarea propuestas en la tradición de Hammond fueron formuladas para caracterizar las condiciones que inducen modos de cognición más intuitivos, más analíticos o mixtos. No son, por tanto, atributos psicológicos estables del decisor; son propiedades de la configuración informacional, temporal y estructural del problema que ese decisor enfrenta. La tarea puede inducir modos distintos según las pistas disponibles, su presentación, la incertidumbre del criterio y el tiempo disponible para actuar.

En el dominio ciberfísico, esta distinción exige una precaución adicional. El mismo proceso industrial puede constituir tareas diferentes para componentes diferentes de la cadena de decisión. La política algorítmica puede recibir una matriz densa de series temporales, variables derivadas y embeddings de señales; el supervisor humano puede recibir un panel resumido, una clasificación de riesgo, una alerta y una recomendación. No debe hablarse, por tanto, de "la tarea" como si la IA y el humano enfrentaran necesariamente la misma representación de la realidad.

La clasificación propuesta distingue, en consecuencia, tres niveles:

$$\text{Ecología física} \rightarrow \text{Representación disponible para la IA} \rightarrow \text{Representación disponible para el supervisor}$$

La ecología física es el proceso real: equipo, sensores, modos de fallo, condiciones de operación y consecuencias. La representación algorítmica es el conjunto de señales, transformaciones y variables efectivamente accesibles a la política input-output de la IA. La representación supervisora es el conjunto de pistas presentado al humano: panel, alerta, score, informe, explicación, historial o recomendación. El problema operacional puede ser único, pero las tareas cognitivamente relevantes pueden divergir entre estos tres niveles.

Esta distinción es especialmente importante para la trilogía. El Artículo 3 clasifica la estructura de la tarea; el Artículo 4 preguntará qué arquitectura de decisión es adecuada para esa estructura; y el Artículo 5 auditará si la política algorítmica y la política humana corresponden, de hecho, al ambiente y a las pistas que se les ponen a disposición.

La siguiente tabla presenta la traducción propuesta de las once propiedades estructurales para tareas AI-IoT. La polaridad intuitivo–analítico sigue la tradición de Hammond: tareas con muchas pistas, elevada redundancia, baja descomponibilidad, poca certeza, presentación simultánea y ventana temporal corta tienden hacia el polo intuitivo; tareas con menos pistas, medidas objetivas, baja redundancia, mayor descomponibilidad, mayor certeza, principio organizador disponible, presentación secuencial y más tiempo tienden hacia el polo analítico. La coexistencia de propiedades en sentidos opuestos es precisamente la condición típica de la cuasirracionalidad.

3.1. Número de pistas: ¿qué cuenta como pista?

La traducción más obvia de "número de pistas" sería contar sensores. Esa solución es insuficiente. Diez sensores pueden medir variaciones casi idénticas de la misma condición física; a la inversa, una única señal de vibración puede generar decenas o cientos de atributos informativos — energía por banda de frecuencia, curtosis, envolvente, armónicos, tendencia temporal e indicadores de anomalía.

La unidad relevante no es, por tanto, el sensor bruto, sino la pista efectivamente disponible en la representación de la tarea. Para la IA, esto incluye las variables que entran realmente en el pipeline de decisión, tras el preprocesamiento y la ingeniería de atributos. Para el supervisor, incluye solo aquello que llega al panel, a la alerta o al informe. Un sistema puede operar sobre una ecología de muchas pistas, una representación algorítmica de alta dimensionalidad y una interfaz humana de tres indicadores agregados.

Esta distinción evita un error recurrente: concluir que una tarea es "compleja" para el supervisor porque el proceso físico posee cientos de señales, cuando el panel presenta solo un score de riesgo, un nivel de confianza y una alerta binaria. En ese caso, la tarea humana puede ser simple en número de pistas, pero difícil por otras propiedades — por ejemplo, por la opacidad del principio organizador o por la incertidumbre del criterio.

3.2. Medición y distribución: la calidad de la señal no es solo precisión del sensor

La propiedad "medición de las pistas" debe operacionalizarse de forma más amplia que la precisión nominal de un sensor. En AI-IoT, incluye:

• calibración y deriva a lo largo del tiempo;
• resolución y cuantización;
• latencia y sincronización entre fuentes;
• fallos de comunicación;
• datos ausentes;
• cambios de firmware;
• cambios en la posición física del sensor;
• variabilidad introducida por la carga, el ambiente o el operador.

Una temperatura puede medirse con precisión elevada y, aun así, convertirse en una pista débil si el punto de medición cambia, si la carga de la máquina no se observa, o si diferentes regímenes operacionales mezclan distribuciones antes distintas.

La "distribución de los valores" no debe reducirse a la oposición simplista entre operación normal y eventos raros. Los eventos de cola rara son relevantes para el riesgo, pero la rareza, por sí sola, no determina una posición en el continuo. Lo que importa es si los valores observados producen estados distinguibles e interpretables, o si varían en un espacio continuo, inestable y altamente dependiente del contexto. La auditoría posterior debe registrar esta propiedad como parte de la ecología de la tarea, sobre todo porque los casos críticos pueden estar subrepresentados en los datos de entrenamiento y validación.

3.3. Redundancia: propiedad de la tarea y antecedente de la colinealidad

La redundancia merece un tratamiento especial porque conecta directamente este artículo con el problema de la colinealidad discutido en el Artículo 5. Los sensores de temperatura, vibración, potencia eléctrica y presión pueden responder todos, con diferentes retrasos y sensibilidades, al mismo proceso de desgaste mecánico. La tarea no pasa a tener cuatro fuentes independientes de evidencia solo porque el panel muestre cuatro gráficos.

En la CCT, la elevada redundancia desplaza la tarea hacia el polo intuitivo; pistas menos correlacionadas favorecen el análisis. En el contexto AI-IoT, esta propiedad debe registrarse mediante métricas empíricas — matriz de correlaciones, correlaciones parciales, condition number, variance inflation factors, redundancia de información o dependencia entre atributos derivados —, pero la métrica no sustituye la interpretación de ingeniería. Dos variables pueden presentar correlación baja en la muestra y, aun así, constituir proxies del mismo mecanismo físico en regímenes operacionales específicos.

La contribución conceptual es simple: la colinealidad no debe aparecer solo en el Artículo 5 como una dificultad estadística a reparar después del modelado. Es, antes bien, una propiedad estructural de la tarea. El Artículo 3 la hace clasificable ex ante; el Artículo 5 examinará las consecuencias de esa estructura para estimar pesos, matching y uso humano de la recomendación algorítmica.

3.4. Descomponibilidad y principio organizador

La descomponibilidad pregunta si la tarea puede separarse en componentes relativamente independientes. Una regla como "temperatura por encima de $90^\circ\text{C}$ durante más de 15 minutos" describe una subdecisión descomponible. En cambio, la identificación de degradación incipiente a partir de la combinación entre vibración, carga, lubricación, régimen térmico y cambios de frecuencia puede ser esencialmente multivariada.

La disponibilidad de un principio organizador es diferente, aunque relacionada. Una tarea puede ser poco descomponible y, aun así, tener un modelo físico robusto. Por ejemplo, un ingeniero puede saber que un patrón de armónicos, bajo determinada carga y temperatura, corresponde a desgaste de rodamiento, aunque el patrón no sea reducible a un único umbral. A la inversa, una correlación estadística puede ser altamente predictiva sin ofrecer un principio físico que permita al supervisor comprender por qué debe confiar en ella.

Esta distinción permite evitar una oposición simplista entre "reglas" y "machine learning":

• una regla basada en ingeniería es más defendible cuando existe un principio organizador conocido, medidas fiables y una relación estable entre señales y criterio;
• los modelos estadísticos o de machine learning pueden ser apropiados cuando la tarea es multivariada, poco descomponible o depende de interacciones complejas;
• pero un modelo estadístico no vuelve la tarea automáticamente analítica, ni la ausencia de explicación la vuelve automáticamente intuitiva.

La clasificación sigue siendo de la tarea, no de la tecnología elegida para resolverla.

3.5. Certeza, no linealidad y ponderación

La certeza concierne a la estabilidad de la relación entre la evidencia disponible y el criterio relevante. Una relación puede ser físicamente determinista en principio y, en la práctica, incierta debido a observación parcial, mezcla de regímenes, datos faltantes, cambios de mantenimiento o múltiples causas que producen el mismo patrón aparente.

La propiedad "relación pistas–criterio" debe delimitarse con especial cuidado, porque será retomada en el Artículo 5. Una degradación térmica gradual puede aproximarse a una relación lineal; los fallos catastróficos pueden depender de umbrales, interacciones, histéresis o transiciones bruscas de régimen. La formulación clásica de la CCT asocia las relaciones lineales al polo intuitivo y las relaciones no lineales al polo analítico — una polaridad que puede parecer contraintuitiva para lectores acostumbrados a asociar el cálculo formal con modelos lineales. El artículo debe mantener la polaridad original, pero no debe convertir esta propiedad en una regla causal fuerte sobre tecnologías de IA.

En particular, una relación no lineal en el proceso físico no equivale automáticamente a un valor elevado de $C$ en la Lens Model Equation. $C$ es una correlación residual entre componentes no explicadas por los modelos lineales del ambiente y del juez; puede reflejar patrones no lineales compartidos, pero también otras formas de estructura residual. El Artículo 3 clasifica la posibilidad estructural de no linealidad en la tarea; el Artículo 5 evaluará si existe correspondencia residual observable entre política y ambiente.

La ponderación de las pistas pregunta si todas contribuyen de manera aproximadamente comparable o si la decisión depende de pocas pistas de peso muy desigual. En el dominio industrial, los pesos pueden cambiar según el modo de fallo: la vibración puede dominar la detección de fallos de rodamiento, mientras que la presión, la temperatura y el caudal pueden ser más relevantes para la degradación hidráulica. Así, la clasificación debe hacerse por tarea y modo de fallo, no por activo industrial en abstracto.

3.6. Presentación y duración: formalizar el temporal aliasing

Las propiedades de presentación y duración establecen el vínculo más directo entre este artículo y el Artículo 2. Lo que allí se describió como erosión de la validez ecológica de la supervisión por temporal aliasing puede ahora formularse como una combinación clasificable de dos propiedades de la CCT:

• la presentación de las pistas determina si el supervisor recibe información simultánea, fragmentada, secuencial, resumida o filtrada por alertas;
• la duración de la decisión determina si existe tiempo para inspeccionar el contexto, consultar tendencias, pedir validación o revisar una recomendación antes de actuar.

La duración no es el intervalo hasta que el fallo se manifiesta. Es la ventana entre el momento en que la decisión se vuelve necesaria y el momento en que una acción deja de tener valor práctico, económico o seguro. Un fallo puede ocurrir solo días después, pero exigir una decisión en segundos; o puede representar un riesgo inmediato, pero permitir horas de diagnóstico antes de la intervención.

Un panel que revela un score de riesgo antes que las señales subyacentes, por ejemplo, puede desplazar la tarea humana hacia una forma de decisión anclada en la recomendación. Un panel que presenta primero tendencias, contexto operacional e incertidumbre, y solo después la recomendación, puede inducir una integración diferente de las mismas pistas. Esto no demuestra, por sí solo, un mejor desempeño; vuelve, sin embargo, observable y clasificable la estructura informacional de la supervisión.

Regla de Aplicación

Para evitar clasificaciones impresionistas, cada propiedad debe registrarse en una ficha de tarea con cuatro campos:

El resultado no debe presentarse como una verdad objetiva sobre la tarea. Es una clasificación explícita, revisable y auditable. Dhami y Thomson (2012) advierten precisamente que las propiedades son difíciles de descomponer de manera completamente objetiva y que la CCT no especifica cuánto desplaza cada propiedad el modo cognitivo. Trabajo cualitativo reciente sobre la aplicación de la CCT a decisiones de riesgo — por ejemplo, Conlon, Raeburn & Wand (2024), sobre evaluación de riesgo en salud mental por enfermeros — continúa documentando precisamente este tipo de dificultad en la práctica. La honestidad metodológica exige que cada atribución esté justificada y que los casos ambiguos se mantengan como ambiguos, en lugar de forzarse hacia uno de los polos.

Ilustración Preliminar: Argus

Considérense, a título ilustrativo, dos tareas que pueden surgir en Argus.

La primera es la detección de anomalía térmica en un motor, en régimen operacional conocido. Si la decisión se apoya en pocos sensores calibrados, con tendencia térmica estable, umbrales de ingeniería conocidos, relación física comprensible y tiempo suficiente para confirmar la alerta, la tarea se aproxima al polo analítico. Aun así, puede permanecer cuasirracional si la carga del motor, la ventilación ambiental y los ciclos de operación alteran la interpretación de la temperatura.

La segunda es la predicción de fallo de rodamiento a partir de vibración. La tarea puede involucrar señales de alta frecuencia, atributos derivados, fuerte redundancia entre medidas, interacción con carga y velocidad, múltiples modos de fallo y escasez de eventos positivos. Aunque la interfaz humana se reduzca a un único score, la ecología y la representación algorítmica pueden ser estructuralmente complejas, poco descomponibles e inciertas. La clasificación probable no es "intuitiva" o "analítica" en sentido puro, sino cuasirracional: diferentes propiedades apuntan en direcciones opuestas.

Esta diferencia importa para el diseño posterior. No debe exigirse al supervisor que reproduzca mentalmente la inferencia algorítmica en una tarea de alta dimensionalidad y baja descomponibilidad; pero tampoco debe tratarse una recomendación opaca como criterio suficiente de acción cuando la interfaz impide evaluar su validez contextual.

La sección siguiente transformará estas clasificaciones en un Task Continuum Index adaptado. Ese índice no demostrará que el humano, la IA o el sistema híbrido responden en el modo inducido por la tarea. Mostrará solo la posición estructural de la tarea en el continuum. La diferencia entre el modo que la tarea reclama y la política efectivamente ejecutada por el sistema es precisamente aquello que el Artículo 5 podrá auditar mediante $G$, $R_s$, los pesos de las pistas y la relación con el criterio.