RICCE, 2024 Voꢃ. 2 Nꢄo 2: ꢅꢁꢁꢂꢀ://dꢆi.ꢆrg/ 1ꢇ.ꢈ8168/RICCE.vꢉnꢉꢂ63  
https://reviꢀꢁaꢀ.ulaꢀalle.edu.ꢂe/ricce  
COMPLEJIDAD, INTELIGENCIA  
ARTIFICIAL Y ÉTICA  
Fecha De receP cIón: 16-05-24 / Fecha De aceP tacIón: 16- 06-24  
Miguel Ramón Viguri Axpe  
unIversIDaD De Deusto, esPaña.  
Correo electrónico: mrviguri@deusto.es  
ORCID: https://orcid.org/0000-0002-0592-9711,  
rEsumEn  
La relación entre la Inteligencia Artificial (IA) y las Ciencias de la Complejidad es cada  
vez más crucial en el ámbito científico y tecnológico. Este ensayo examina cómo la IA y  
las Ciencias de la Complejidad se benefician mutuamente y prometen revolucionar nues-  
tra comprensión de sistemas complejos. Las Ciencias de la Complejidad investigan cómo  
las interacciones entre las partes de un sistema generan comportamientos emergentes no  
predecibles a partir de sus componentes individuales, abarcando redes ecológicas, econo-  
mías, sistemas biológicos y sociales. La IA, con algoritmos capaces de realizar tareas que  
requieren inteligencia humana, como el aprendizaje y la adaptación, contribuye significa-  
tivamente a este campo. Las Ciencias de la Complejidad proporcionan un marco teórico  
para desarrollar una IA más avanzada y adaptativa, crucial para sistemas autónomos en  
entornos dinámicos. Sin embargo, esta sinergia plantea desafíos éticos y sociales también  
novedosos, que requieren la aplicación de criterios complejos a la Ética de la Inteligencia  
Artificial.  
Palabras claves: Ciencias de la Complejidad, Inteligencia Artificial, modelación de siste-  
mas complejos, ética compleja.  
abstraCt  
The relationship between Artificial Intelligence (AI) and Complexity Sciences is increas-  
ingly crucial in the scientific and technological fields. This essay examines how AI and  
Complexity Sciences mutually benefit each other and promise to revolutionize our under-  
standing of complex systems. Complexity Sciences investigate how interactions among  
6
3
Revista de ciencia de la Complejidad  
parts of a system generate emergent behaviors that are not predictable from the individu-  
al components, encompassing ecological networks, economies, biological, and social sys-  
tems. AI, with algorithms capable of performing tasks that require human intelligence,  
such as learning and adaptation, significantly contributes to this field. Complexity Scienc-  
es provide a theoretical framework for developing more advanced and adaptive AI, crucial  
for autonomous systems in dynamic environments. However, this synergy also poses novel  
ethical and social challenges, necessitating the application of complex criteria to AI ethics.  
Keywords: Complexity Sciences, Artificial Intelligence, complex systems modeling, com-  
plex ethics.  
1
. introduCCión  
La relación entre la Inteligencia Artificial (IA) y las Ciencias de la Complejidad es una inter-  
sección fascinante y cada vez más relevante en el panorama científico y tecnológico actual.  
Este trabajo explora cómo la Inteligencia Artificial se beneficia y contribuye a las Ciencias  
de la Complejidad, y cómo esta colaboración promete transformar nuestra comprensión  
de sistemas complejos en diversos campos.  
Las Ciencias de la Complejidad estudian cómo las interacciones entre partes de un sistema  
pueden dar lugar a comportamientos colectivos emergentes que no son predecibles a par-  
tir de las propiedades de las partes individuales. Esta disciplina abarca una amplia gama  
de sistemas, desde redes ecológicas y economías hasta sistemas biológicos y sociales. La  
IA, por su parte, se refiere al desarrollo de algoritmos y modelos computacionales capaces  
de realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje,  
el razonamiento y la adaptación.  
Una de las principales contribuciones de la IA a las Ciencias de la Complejidad es su ca-  
pacidad para modelar y simular sistemas complejos. Los modelos de IA, especialmente  
aquellos basados en aprendizaje profundo y redes neuronales, pueden capturar la no li-  
nealidad y la dinámica de sistemas complejos, permitiendo a los investigadores explorar  
cómo las interacciones a pequeña escala influyen en los patrones emergentes a gran esca-  
la. Esta capacidad es invaluable para predecir la evolución de sistemas complejos en áreas  
como la climatología, la epidemiología y la economía.  
Además, la IA está revolucionando la manera en que analizamos grandes volúmenes de  
datos provenientes de sistemas complejos. Las técnicas de aprendizaje automático pueden  
identificar patrones, correlaciones y anomalías en conjuntos de datos que serían imposi-  
bles de analizar manualmente, proporcionando nuevas perspectivas sobre la dinámica de  
estos sistemas. Esto es especialmente relevante en la era del “big data”, donde la capacidad  
de procesar y analizar grandes conjuntos de datos en tiempo real puede ofrecer insights  
críticos para la toma de decisiones en contextos complejos.  
6ꢈ  
Revista de ciencia de la Complejidad  
Por otro lado, las Ciencias de la Complejidad ofrecen un marco teórico y metodológico ro-  
busto para el desarrollo de sistemas de IA más avanzados y adaptativos. Entender cómo  
emergen propiedades complejas a partir de interacciones simples puede inspirar el diseño  
de algoritmos de IA que sean más flexibles, robustos y capaces de adaptarse a entornos  
cambiantes. Esto es particularmente relevante para el desarrollo de sistemas de IA autó-  
nomos que deben operar en entornos no estructurados y dinámicos.  
La sinergia entre la IA y las Ciencias de la Complejidad también plantea desafíos éticos y  
sociales significativos. La capacidad de modelar y predecir el comportamiento de sistemas  
complejos lleva consigo preguntas sobre la privacidad, la seguridad y el impacto social de  
estas tecnologías. A medida que avanzamos en nuestra comprensión y aplicación de la IA  
en sistemas complejos, es crucial abordar estas cuestiones de manera responsable.  
La relación entre la IA y las Ciencias de la Complejidad es un campo de estudio interdisci-  
plinario ciertamente prometedor que ofrece amplias oportunidades para avanzar en nues-  
tro entendimiento y capacidad de intervención en sistemas complejos. A través de la co-  
laboración entre estas disciplinas, podemos esperar desarrollos innovadores que no solo  
impulsarán el avance científico y tecnológico, sino que también abordarán algunos de los  
desafíos más apremiantes de nuestra época, uno de los cuales es mantener la centralidad  
del desarrollo humano mediante la adaptación de estas nuevas herramientas inteligentes  
(
Bryson y Theodorou 2019).  
2
. fundamEntos dE la rElaCión EntrE CiEnCias dE la  
ComplEjidad E ia  
Las Ciencias de la Complejidad estudian sistemas complejos caracterizados por la emer-  
gencia y la autoorganización. Estos sistemas, presentes en la naturaleza y la sociedad, ex-  
hiben comportamientos colectivos inesperados que surgen de interacciones simples entre  
componentes. La emergencia se refiere a la aparición de propiedades nuevas que no pue-  
den preverse a partir de las partes individuales. La autoorganización describe cómo los  
sistemas se estructuran sin una autoridad central. Comprender estas dinámicas es cru-  
cial para el desarrollo de la IA, ya que permite diseñar algoritmos capaces de adaptarse,  
aprender y evolucionar, mejorando la eficiencia y eficacia en la resolución de problemas  
complejos (Mitchell 2009).  
Las Ciencias de la Complejidad han evolucionado significativamente, influyendo profun-  
damente en el desarrollo de la Inteligencia Artificial (IA). Inicialmente, los algoritmos bá-  
sicos de IA se centraban en reglas simples y modelos estáticos para resolver problemas es-  
pecíficos. Con el tiempo, la integración de conceptos de complejidad, como la emergencia  
y la autoorganización, permitió avances notables (LeCun et eal. 2015). En la actualidad, el  
aprendizaje profundo (deep learning) y las redes neuronales convolucionales representan  
aplicaciones avanzadas de estas ciencias, inspiradas en la estructura y funcionamiento del  
6
5
Revista de ciencia de la Complejidad  
cerebro humano.  
El aprendizaje profundo ha transformado áreas como el reconocimiento de imágenes, la  
traducción automática y la detección de fraudes, mediante modelos que pueden aprender  
y adaptarse a partir de grandes volúmenes de datos. Estas técnicas aprovechan la capaci-  
dad de los sistemas complejos para autoorganizarse y evolucionar, mejorando continua-  
mente su desempeño (Goodfellow et al. 2016).  
Mirando hacia el futuro, la evolución hacia la inteligencia artificial general (AGI) busca  
crear sistemas que posean una capacidad cognitiva comparable a la humana. Estos sis-  
temas serían altamente adaptativos y autónomos, capaces de crear nuevas rutinas cog-  
nitivas y tomar decisiones en diversos contextos sin intervención humana. La aplicación  
de principios de complejidad en la AGI es esencial para desarrollar algoritmos que no solo  
resuelvan problemas específicos, sino que también se adapten a entornos dinámicos y  
multifacéticos, acercándonos a la creación de máquinas altamente autónomas y fiables  
(
Goertzel y Pennachin 2007).  
2
.1. innovaCión En ia a travÉs dE la ComplEjidad:  
Las teorías de la complejidad, que se centran en el estudio de sistemas dinámicos inter-  
conectados capaces de mostrar comportamientos emergentes y autoorganización, ofre-  
cen principios fundamentales que pueden ser aplicados para crear una IA más resiliente  
y adaptable. Estos sistemas de IA, inspirados en la naturaleza y en procesos complejos,  
están diseñados para manejar la incertidumbre y la variabilidad, características inheren-  
tes al mundo real (Barabási 2003). Aquí exploramos cómo las teorías de la complejidad  
pueden informar y enriquecer el desarrollo de tales sistemas de IA, destacando las impli-  
caciones para su diseño, funcionamiento y aplicabilidad en situaciones reales.  
a) inspiraCión En sistEmas ComplEjos naturalEs  
La naturaleza está repleta de ejemplos de sistemas complejos, desde colonias de hormi-  
gas y sistemas ecológicos hasta el cerebro humano. Estos sistemas exhiben una capacidad  
notable para adaptarse a cambios ambientales, autoorganizarse en presencia de pertur-  
baciones y emergencias, y evolucionar hacia estados más complejos y funcionales. Al apli-  
car principios observados en estos sistemas naturales, la IA puede desarrollar estrategias  
para mejorar su resiliencia y adaptabilidad. Por ejemplo, el comportamiento colectivo de  
las colonias de hormigas ha inspirado algoritmos de optimización que permiten a los sis-  
temas de IA encontrar soluciones óptimas en entornos cambiantes y bajo incertidumbre  
(
Dorigo y Stützle 2004).  
66  
Revista de ciencia de la Complejidad  
b) aDaPtabiLiDaD y aPRenDizaje continuo  
Una característica central de los sistemas complejos es su capacidad para adaptarse a nue-  
vos datos y situaciones sin intervención externa. Aplicando este principio, se pueden de-  
sarrollar sistemas de IA que aprendan continuamente del entorno, ajustando sus modelos  
y estrategias a medida que se enfrentan a nuevos desafíos. Esto implica un cambio desde  
algoritmos de IA estáticos hacia modelos basados en aprendizaje automático y profundo  
que se actualizan dinámicamente (Sutton y Barto 2018). Estos sistemas pueden manejar  
la variabilidad y la incertidumbre inherentemente mejor, ya que están constantemente  
aprendiendo y adaptándose, mejorando su desempeño a lo largo del tiempo.  
C) robustEz a travÉs dE la divErsidad  
La robustez de los sistemas complejos a menudo se deriva de su diversidad interna, que  
les permite resistir perturbaciones y continuar funcionando incluso cuando partes del  
sistema fallan. En el contexto de la IA, esto puede traducirse en el desarrollo de sistemas  
con múltiples estrategias de resolución de problemas, algoritmos o modelos que pueden  
operar en paralelo o ser seleccionados dinámicamente según el contexto. Tal enfoque au-  
menta la resiliencia del sistema de IA, permitiéndole manejar situaciones inesperadas o  
datos fuera de la distribución sin colapsar o fallar completamente (Page 2007).  
d) autoorganizaCión y EmErgEnCia  
Los sistemas complejos tienen la notable capacidad de autoorganizarse y manifestar pro-  
piedades emergentes que no son evidentes a partir de sus componentes individuales. In-  
corporar estos principios en la IA puede llevar a la creación de sistemas que no solo res-  
ponden de manera más natural y eficiente a los cambios, sino que también pueden exhibir  
soluciones innovadoras y creativas a problemas difíciles (Camazine et al. 2003). Por ejem-  
plo, las redes neuronales, especialmente aquellas diseñadas con arquitecturas inspiradas  
en la autoorganización, pueden reconfigurarse en respuesta a nuevos tipos de datos o ta-  
reas, mostrando formas de inteligencia emergente.  
E) intEraCCionEs loCalEs y ComportamiEntos globalEs  
La complejidad a menudo emerge de interacciones simples entre componentes a nivel lo-  
cal que llevan a patrones y comportamientos complejos a nivel global. En la IA, esto se pue-  
de emular mediante el diseño de sistemas en los que agentes o componentes individuales  
operan basándose en reglas simples y en información limitada, sin una guía centralizada.  
Este enfoque puede mejorar la escalabilidad y flexibilidad de los sistemas de IA, permi-  
tiéndoles operar de manera más eficaz en entornos amplios y heterogéneos (Kennedy y  
6
7
Revista de ciencia de la Complejidad  
Eberhart 1995) . La robótica enjambre es un ejemplo donde esta estrategia se ha aplicado  
con éxito, mostrando cómo múltiples robots simples pueden coordinarse para realizar ta-  
reas complejas.  
f) rEsiliEnCia y manEjo dE la inCErtidumbrE  
Los sistemas complejos a menudo exhiben una gran resiliencia, capaces de recuperarse  
rápidamente de choques y perturbaciones. Para la IA, esto implica desarrollar sistemas  
que puedan identificar y corregir errores automáticamente, recuperarse de fallos y adap-  
tarse a situaciones inesperadas. Las técnicas de IA resiliente incluyen el diseño de redes  
neuronales que pueden identificar cuándo están operando fuera de su dominio de cono-  
cimiento y buscar activamente datos adicionales o aplicar estrategias alternativas para  
mejorar su rendimiento (Taleb 2012).  
3
. intErsECCión y apliCaCionEs  
Veamos muy someramente cómo las Ciencias de la Complejidad influyen en el diseño de  
algoritmos inteligentes, en el Big Data y en el modelado y simulación de sistemas comple-  
jos, con un enfoque particular en las simulaciones climáticas y los modelos económicos.  
3
.1. disEño dE algoritmos inspirados En sistEmas ComplEjos:  
Las Ciencias de la Complejidad, que estudian sistemas dinámicos con múltiples compo-  
nentes interactuantes capaces de generar comportamientos emergentes y patrones de au-  
toorganización, han ofrecido una rica fuente de inspiración para el desarrollo de nuevos  
algoritmos en el campo de la Inteligencia Artificial (IA). Esta sinergia es especialmente  
evidente en áreas como la robótica enjambre y los sistemas adaptativos, donde los princi-  
pios de interacción local, adaptabilidad y emergencia se traducen en innovadoras estrate-  
gias de diseño y solución de problemas (Newman 2010). Intentaremos mostrar brevemen-  
te cómo los principios fundamentales de las Ciencias de la Complejidad han inspirado el  
desarrollo de algoritmos de IA, enfocándose en sus aplicaciones en robótica enjambre y  
sistemas adaptativos, y discutiendo las implicaciones de estos avances.  
a) inspiraCión dE las CiEnCias dE la ComplEjidad En la ia  
Las Ciencias de la Complejidad estudian sistemas que exhiben propiedades emergentes no  
predecibles a partir del comportamiento de sus componentes individuales. Estos sistemas  
se caracterizan por su capacidad para autoorganizarse, adaptarse y evolucionar en res-  
puesta a cambios en su entorno (Holland 2014). Estos principios han inspirado a los inves-  
tigadores en IA a desarrollar algoritmos que imitan estas capacidades naturales, llevando  
68  
Revista de ciencia de la Complejidad  
a la creación de sistemas más robustos, flexibles y eficientes.  
b) robótiCa En EnjambrE  
La robótica en enjambre es un campo que ilustra claramente cómo los principios de las  
Ciencias de la Complejidad han inspirado nuevos enfoques en la IA. Inspirándose en com-  
portamientos colectivos observados en la naturaleza, como los de las hormigas, abejas y  
pájaros, la robótica en enjambre desarrolla grupos de robots que trabajan colectivamen-  
te para realizar tareas complejas. Estos robots, aunque simples individualmente, pueden  
realizar tareas complejas a través de la interacción local con sus compañeros y el entorno,  
sin necesidad de una dirección centralizada (Brambilla et al. 2013).  
Un ejemplo notable es el algoritmo de optimización por colonia de hormigas, inspirado  
en el comportamiento de búsqueda de alimento de las hormigas, que ha sido utilizado en  
la robótica en enjambre para optimizar rutas y solucionar problemas de logística. Otro  
ejemplo es el uso de principios de enjambre para coordinar drones en tareas de búsqueda y  
rescate, donde la capacidad de adaptarse rápidamente a entornos desconocidos y cambiar  
de estrategias según las necesidades es crucial.  
C) sistEmas adaptativos  
Los sistemas adaptativos, que ajustan su comportamiento en respuesta a cambios en el  
entorno, también se benefician enormemente de los principios de las Ciencias de la Com-  
plejidad. En este contexto, la IA ha avanzado hacia el desarrollo de algoritmos que no solo  
aprenden de la experiencia sino que también pueden adaptarse a situaciones nuevas y  
cambiantes. Esto es fundamental en aplicaciones como el comercio electrónico, donde los  
sistemas de recomendación deben adaptarse a las cambiantes preferencias de los usua-  
rios, o en la seguridad informática, donde los sistemas deben evolucionar constantemente  
para enfrentar nuevas amenazas.  
La inspiración en los sistemas adaptativos se refleja en el desarrollo de redes neurona-  
les profundas que imitan la capacidad del cerebro para reorganizarse y adaptarse. Estas  
redes son capaces de aprender de grandes cantidades de datos y ajustar sus procesos in-  
ternos en respuesta a nuevos inputs, mejorando su rendimiento a lo largo del tiempo sin  
intervención humana directa (Holland 1992).  
3
.2. análisis dE datos En grandEs EsCalas:  
El big data es crucial en las Ciencias de la Complejidad, proporcionando vastos conjuntos  
de datos que permiten el estudio detallado de sistemas complejos. La IA desempeña un  
6
9
Revista de ciencia de la Complejidad  
papel vital en el procesamiento y análisis de estos datos, utilizando algoritmos avanza-  
dos para identificar patrones ocultos y realizar predicciones precisas. Esta sinergia facilita  
la comprensión de fenómenos emergentes y la autoorganización en diversas disciplinas,  
desde biología hasta economía (Provost y Fawcett 2013). Al aprovechar el big data, la IA no  
solo mejora la toma de decisiones, sino que también impulsa avances científicos y tecnoló-  
gicos, optimizando sistemas complejos en tiempo real.  
a) faCilitaCión dEl modElado y simulaCión dE sistEmas  
ComplEjos  
Una de las contribuciones más significativas del big data a las Ciencias de la Complejidad  
es su capacidad para alimentar modelos y simulaciones con una gran cantidad de datos  
reales. Los sistemas complejos, ya sean ecosistemas, economías globales, redes sociales, o  
incluso el cerebro humano, generan datos que son intrínsecamente ricos y multifacéticos.  
El big data permite capturar y analizar estas riquezas, lo que resulta en modelos y simula-  
ciones mucho más precisos y detallados. Por ejemplo, en la ecología, el análisis de grandes  
conjuntos de datos sobre patrones de migración, poblaciones de especies y cambios am-  
bientales puede ayudar a crear modelos predictivos sobre la biodiversidad y la conserva-  
ción. En la economía, los datos masivos sobre transacciones financieras, comportamiento  
del consumidor y cambios en el mercado laboral permiten modelar la economía global con  
una precisión sin precedentes, ayudando a predecir crisis y guiar políticas económicas  
(
Schellnhuber 1999).  
b) mEjora En la ComprEnsión dE fEnómEnos EmErgEntEs  
La complejidad a menudo surge de la interacción entre partes de un sistema, llevando a la  
emergencia de propiedades y comportamientos que no son evidentes al nivel de los com-  
ponentes individuales. El big data es crucial para desentrañar estos fenómenos emergen-  
tes, ya que ofrece la posibilidad de analizar sistemas en múltiples escalas. Por ejemplo, el  
estudio de redes sociales con big data ha revelado patrones de propagación de información  
y formación de opiniones que solo son visibles al analizar grandes volúmenes de interac-  
ciones individuales. Esta capacidad de ver el “bosque” y los “árboles” simultáneamente es  
esencial para avanzar en nuestra comprensión de la complejidad (Bar-Yam 2003).  
C) dEsCubrimiEnto dE patronEs y CorrElaCionEs inEspEradas  
El análisis de big data, especialmente cuando se combina con técnicas avanzadas de  
aprendizaje automático y minería de datos, tiene un poderoso potencial para descubrir  
patrones, correlaciones y causas subyacentes ocultas dentro de sistemas complejos. Estos  
7
ꢇ
Revista de ciencia de la Complejidad  
descubrimientos pueden ser tanto predictivos como explicativos, proporcionando nuevas  
hipótesis sobre cómo funcionan los sistemas complejos y ofreciendo nuevas vías para la  
investigación (Agrawal et al. 1993). Un ejemplo notable es el uso de big data en genómica  
y biología de sistemas para identificar correlaciones genéticas y metabólicas que podrían  
no ser evidentes en estudios más pequeños o menos detallados.  
d) faCilitaCión dE EnfoquEs intErdisCiplinarios  
El big data ha servido como un puente para la colaboración interdisciplinaria dentro de las  
Ciencias de la Complejidad. Los datos no conocen fronteras disciplinarias, lo que permite  
que investigadores de campos tan diversos como la física, la sociología, la biología y la in-  
formática trabajen juntos en conjuntos de datos comunes para abordar problemas com-  
plejos desde múltiples perspectivas. Esta colaboración interdisciplinaria es fundamental  
para abordar la complejidad, ya que los sistemas complejos a menudo abarcan elementos  
de múltiples dominios (Kitchin 2014).  
4
. aportaCión dE la ia a las CiEnCias dE la ComplEjidad:  
modElado y simulaCión dE sistEmas ComplEjos:  
Pero no sólo son las Ciencias de la Complejidad las que pueden aportar una base teórica y  
filosófica para desarrollar nuevas tecnologías basadas en BD e IA. También estas últimas  
pueden contribuir significativamente al modelado y la simulación de sistemas comple-  
jos. Ello supone un desafío interdisciplinar fascinante y esencial en múltiples campos del  
conocimiento, desde la climatología hasta la economía. La Inteligencia Artificial (IA) ha  
emergido como una herramienta poderosa en este ámbito, ofreciendo nuevas perspecti-  
vas y capacidades para comprender y predecir la dinámica de sistemas que son intrín-  
secamente difíciles de modelar debido a su naturaleza no lineal, interactiva y cambiante  
(
Mitchell 2009).  
4
.1. la ContribuCión dE la ia al modElado dE sistEmas  
ComplEjos  
La IA, especialmente a través de técnicas como el aprendizaje automático y el aprendizaje  
profundo, ha revolucionado el modelado de sistemas complejos. Estas tecnologías ofre-  
cen la capacidad de procesar y analizar grandes volúmenes de datos, aprender patrones y  
realizar predicciones con una precisión hasta entonces inalcanzable. En el corazón de esta  
revolución se encuentra la capacidad de la IA para identificar relaciones y dependencias  
7
1
Revista de ciencia de la Complejidad  
no lineales en datos masivos y complejos, algo que es fundamental para modelar sistemas  
dinámicos que están constantemente evolucionando y afectados por una multitud de fac-  
tores interconectados (LeCun et al. 2015).  
a) simulaCionEs ClimátiCas  
Las simulaciones climáticas son un área donde la IA ha tenido un impacto profundo. Estos  
modelos son esenciales para comprender el cambio climático, predecir fenómenos me-  
teorológicos extremos y informar políticas de mitigación y adaptación. Sin embargo, la  
climatología es un campo caracterizado por su complejidad, con innumerables variables  
interactuando a múltiples escalas temporales y espaciales. La IA, a través de redes neuro-  
nales y algoritmos de aprendizaje profundo, ha permitido desarrollar modelos climáticos  
que pueden capturar mejor esta complejidad.  
Un ejemplo notable es el uso de IA para mejorar la precisión de las predicciones de for-  
mación y trayectoria de huracanes. Los sistemas de IA pueden analizar datos históricos y  
actuales de múltiples fuentes, identificar patrones ocultos y predecir la evolución de estos  
fenómenos con una antelación y precisión mayores que los modelos convencionales. Esto  
no solo mejora la capacidad de respuesta ante desastres naturales sino que también con-  
tribuye a una planificación más efectiva en términos de mitigación de riesgos y adaptación  
(
Reichstein et al. 2019).  
b) modElos EConómiCos  
En el ámbito económico, la IA también está transformando la manera en que se modelan y  
predicen los comportamientos de los mercados, las economías y otros sistemas económi-  
cos complejos. Los modelos económicos tradicionales, a menudo basados en suposiciones  
simplificadas sobre el comportamiento humano y las interacciones de mercado, se ven su-  
perados por modelos de IA que pueden incorporar y analizar una vasta cantidad de datos  
en tiempo real, incluyendo transacciones económicas, tendencias de mercado, políticas  
gubernamentales y eventos globales.  
Por ejemplo, los modelos de IA están siendo utilizados para predecir fluctuaciones en  
los mercados financieros con una precisión y velocidad superiores. Estos modelos pue-  
den analizar noticias, informes económicos, tendencias en redes sociales y otros datos en  
tiempo real para anticipar movimientos de mercado, ofreciendo a inversores y responsa-  
bles de políticas económicas herramientas más robustas para la toma de decisiones (Chen  
et al. 2018).  
Además, en el campo de la macroeconomía, la IA está facilitando el desarrollo de modelos  
que pueden predecir el impacto de políticas económicas, como cambios en la tasa de in-  
7
ꢉ
Revista de ciencia de la Complejidad  
terés o en la política fiscal, sobre el crecimiento económico, la inflación y el empleo. Estos  
modelos, al poder procesar y aprender de series históricas de datos económicos comple-  
jos, ofrecen una comprensión más profunda y precisa sobre cómo las diferentes variables  
económicas interactúan entre sí en el marco de una economía global interconectada.  
C) dEsafíos y pErspECtivas futuras  
A pesar de los avances significativos, el uso de IA en el modelado de sistemas complejos  
no está exento de desafíos. La interpretabilidad de los modelos de IA, especialmente en lo  
que respecta a redes neuronales profundas, sigue siendo un área de investigación activa.  
Además, la calidad y la cantidad de datos disponibles limitan a menudo la precisión de los  
modelos. Sin embargo, la investigación continua en métodos de IA más explicativos y en  
técnicas de recolección y procesamiento de datos promete superar estos obstáculos (Dos-  
hi-Velez y Kim 2017).  
Por otro lado, el diseño de algoritmos de IA inspirados en las Ciencias de la Complejidad  
tiene profundas implicaciones. Primero, permite la creación de sistemas más robustos y  
eficientes, capaces de operar en entornos inciertos y dinámicos. Esto es especialmente im-  
portante en aplicaciones críticas como la exploración espacial, la gestión de desastres y la  
medicina personalizada, donde la capacidad de adaptación y autonomía es fundamental.  
Segundo, estos avances promueven una mayor interdisciplinariedad en la investigación,  
fusionando ideas de biología, física, informática y más. Esto no solo enriquece el campo de  
la IA, sino que también ofrece nuevas perspectivas y herramientas para abordar proble-  
mas complejos en otras disciplinas. Y, en tercer lugar, plantea importantes consideracio-  
nes éticas y sociales. A medida que desarrollamos sistemas más autónomos y adaptativos,  
surgen preguntas sobre la toma de decisiones autónoma, la privacidad, la seguridad y el  
impacto en el empleo. Abordar estas preocupaciones es fundamental para asegurar que  
los beneficios de la IA sean accesibles y equitativos.  
5
. pEnsamiEnto ComplEjo y ÉtiCa dE la ia  
la relación entre el pensamiento complejo y la ética de la Inteligencia Artificial (IA) impli-  
ca explorar cómo los principios del pensamiento complejo pueden informar y enriquecer  
los debates y prácticas éticas en el desarrollo y aplicación de la IA. Este análisis aborda la  
necesidad de una aproximación ética multidimensional y adaptativa, capaz de tratar la  
complejidad inherente a los sistemas tecnológicos avanzados y sus interacciones con la  
sociedad (Floridi 2019). El pensamiento complejo, con su énfasis en la interconexión, la  
interdependencia y la emergencia, ofrece un marco valioso para comprender y abordar los  
desafíos éticos que presenta la IA.  
7
3
Revista de ciencia de la Complejidad  
5
.1. una ÉtiCa ComplEja para la ia  
El pensamiento complejo, que enfatiza la importancia de considerar las interconexiones,  
la diversidad y la dinámica de los sistemas, proporciona una lente a través de la cual pode-  
mos examinar la ética de la IA. Este enfoque nos insta a considerar no solo las intenciones  
detrás de los sistemas de IA y sus aplicaciones inmediatas sino también las consecuencias  
a largo plazo, las interacciones inesperadas y los efectos emergentes sobre individuos y  
sociedades (Floridi y Cowls 2019).  
a) intErConExión E intErdEpEndEnCia  
El reconocimiento de la interconexión e interdependencia en los sistemas de IA subraya  
la necesidad de enfoques éticos que consideren las cadenas de causa y efecto extendidas  
y a menudo ocultas. Por ejemplo, los algoritmos de recomendación en las redes sociales,  
diseñados para maximizar la participación, pueden tener efectos profundos y no intencio-  
nados en la salud mental, la polarización política y la desinformación. Un enfoque ético  
informado por el pensamiento complejo requiere una evaluación continua de estas inte-  
racciones y la responsabilidad de mitigar los daños potenciales (Mittelstadt et al. 2016).  
b) divErsidad E inClusión  
El pensamiento complejo también enfatiza la importancia de la diversidad y la inclusión,  
tanto en los equipos de desarrollo de IA como en los datos y algoritmos mismos. La diversi-  
dad en el diseño y desarrollo de IA puede ayudar a identificar y corregir sesgos y asegurar  
que los sistemas sean justos y equitativos. La inclusión de perspectivas diversas es crucial  
para comprender y abordar la gama completa de implicaciones éticas de la IA, desde el  
sesgo algorítmico hasta las desigualdades en el acceso y el impacto de la tecnología (Noble  
2018).  
C) dinámiCa y EmErgEnCia  
Los sistemas de IA, especialmente aquellos integrados en entornos humanos complejos,  
son dinámicos y susceptibles a comportamientos emergentes. Esto plantea desafíos éticos  
significativos, ya que las acciones basadas en predicciones o decisiones de IA pueden tener  
consecuencias no anticipadas. Un enfoque ético informado por el pensamiento complejo  
implica no solo la anticipación y mitigación de riesgos sino también la adaptabilidad y la  
capacidad de responder a situaciones emergentes de manera ética y responsable (Bos-  
trom 2014).  
7
ꢈ
Revista de ciencia de la Complejidad  
6
. ConClusión  
La relación entre el pensamiento complejo y la ética de la IA es fundamental tanto para el  
desarrollo de modelos algorítmicos capaces de abordar problemas complejos, como para  
abordar los desafíos éticos presentados por las tecnologías inteligentes en un mundo in-  
terconectado. Al adoptar un enfoque ético informado por el pensamiento complejo, pode-  
mos desarrollar y aplicar la IA de manera que sea justa, responsable y beneficie a toda la  
sociedad. Ello requiere un compromiso continuo con la evaluación ética, la diversidad, la  
inclusión y la adaptabilidad, asegurando que la IA se desarrolle y utilice de manera que  
respete la complejidad y la dignidad humana. La ética de la IA, informada por el pensa-  
miento complejo, no es solo una posibilidad técnica o filosófica, sino una realidad y un im-  
perativo social y moral que requiere la colaboración interdisciplinaria de desarrolladores,  
reguladores, filósofos y el público en general.  
7
5
RefeRencias  
Agrawal, R., Imieliński, T., & Swami, A. (1993).  
28-39.  
“
Mining association rules between sets of  
items in large databases”. Proceedings of the  
993 ACM SIGMOD International Conference  
Doshi-Velez, F., & Kim, B. (2017). “Towards  
a rigorous science of interpretable machine  
learning”. arXiv:1702.08608.  
1
on Management of Data, 207-216.  
Floridi, L. (2019). The Logic of Information: A  
Theory of Philosophy as Conceptual Design.  
Oxford University Press.  
Barabási,A. L. (2003). Linked: How Everything  
Is Connected to Everything Else and What It  
Means for Business, Science, and Everyday  
Life. Penguin.  
Floridi, L., & Cowls, J. (2019). “A unified frame-  
work of five principles for AI in society”. Har-  
vard Data Science Review, 1(1).  
Bar-Yam, Y. (2003). Dynamics of Complex  
Systems. Westview Press.  
Goertzel, B., & Pennachin, C. (2007). Artificial  
General Intelligence. Springer.  
Bostrom, N. (2014). Superintelligence: Paths,  
Dangers, Strategies. Oxford University Press.  
Goodfellow, I., Bengio, Y., & Courville, A.  
Brambilla, M., Ferrante, E., Birattari, M., &  
Dorigo, M. (2013). “Swarm robotics: a review  
from the swarm engineering perspective”.  
Swarm Intelligence, 7(1), 1-41.  
(2016). Deep Learning. MIT Press.  
Holland, J. H. (1992). Adaptation in Natural  
and Artificial Systems. MIT Press.  
Bryson, J. J., & Theodorou, A. (2019). “How  
society can maintain human-centric artificial  
intelligence”. In Human-Centered Digitaliza-  
tion and Services (pp. 305-323). Springer.  
Holland, J. H. (2014). Complexity: A Very Short  
Introduction. Oxford University Press.  
Kennedy, J., & Eberhart, R. (1995). “Particle  
swarm optimization”. Proceedings of ICNN’95  
- International Conference on Neural Net-  
works, 4, 1942-1948.  
Camazine, S., Deneubourg, J. L., Franks, N.  
R., Sneyd, J., Theraulaz, G., & Bonabeau, E.  
(
2003). Self-Organization in Biological Sys-  
Kitchin, R. (2014). The Data Revolution: Big  
Data, Open Data, Data Infrastructures and  
Their Consequences. Sage.  
tems. Princeton University Press.  
Chen, J., Li, Y., & He, K. (2018). “Reinforce-  
ment Learning in Financial Markets”. The  
Journal of Finance and Data Science, 4(1),  
LeCun, Y., Bengio, Y., & Hinton, G. (2015).  
“Deep learning”. Nature, 521(7553), 436-444.  
1
-8.  
Mitchell, M. (2009). Complexity: A Guided  
Tour. Oxford University Press.  
Dorigo, M., & Stützle, T. (2004). Ant Colony  
Optimization. MIT Press.  
Mittelstadt, B. D., Allo, P., Taddeo, M., Wa-  
chter, S., & Floridi, L. (2016). “The ethics of  
algorithms: Mapping the debate”. Big Data &  
Society, 3(2).  
Dorigo, M., Birattari, M., & Stutzle, T. (2006).  
“Ant Colony Optimization: Artificial Ants as a  
Computational Intelligence Technique”. IEEE  
Computational Intelligence Magazine, 1(4),  
7
6
Newman, M. (2010). Networks: An Introduc-  
tion. Oxford University Press.  
Noble, S. U. (2018). Algorithms of Oppres-  
sion: How Search Engines Reinforce Racism.  
NYU Press.  
Page, S. E. (2007). The Difference: How the  
Power of Diversity Creates Better Groups,  
Firms, Schools, and Societies. Princeton Uni-  
versity Press.  
Provost, F., & Fawcett, T. (2013). Data Sci-  
ence for Business: What You Need to Know  
about Data Mining and Data-Analytic Think-  
ing. O’Reilly Media.  
Reichstein, M., Camps-Valls, G., Stevens, B.,  
Jung, M., Denzler, J., Carvalhais, N., & Prab-  
hat (2019). “Deep learning and process un-  
derstanding for data-driven Earth system sci-  
ence”. Nature, 566(7743), 195-204.  
Schellnhuber, H. J. (1999). “Earth system  
analysis and the second Copernican revolu-  
tion”. Nature, 402(6761), C19-C23.  
Sutton, R. S., & Barto,A. G. (2018). Reinforce-  
ment Learning: An Introduction. MIT Press.  
Taleb, N. N. (2012). Antifragile: Things That  
Gain from Disorder. Random House.  
7
7