Metodología — IRCA v2 · v2.0

El índice

humancollapse publica el Índice de Riesgo de Colapso (IRCA v2), calculado a partir de señales públicas y auditables agrupadas en seis pilares: proximidad de la AGI, severidad del desenlace, cognición humana, presión climática de los datacenters, desplazamiento laboral y mitigación. Cada señal se normaliza a un subscore de 0–100 con fuente citada e incertidumbre publicada; el puntaje de cada pilar es la media ponderada de sus señales.

Todo el pipeline corre en ~30 ms en CPU, sin GPU y sin caja negra de aprendizaje automático: cada etapa es una ecuación en forma cerrada de la literatura publicada.

El pipeline en ecuaciones

pillar_i = Σ wⱼ·xⱼ / Σ wⱼ
s*_i     = s_i + (100 − s_i)·2·max(0, σ(c·Σⱼ A_ij·(s_j − τ)/100) − ½)    (×12)
C        = ( Σᵢ Wᵢ·(s*ᵢ)^p )^(1/p)                        p = 2.5
IRCA     = C · (1 − κ·M/100)                              κ = 0.25
λ_anchor = −ln(1 − P*)·b / (e^(b·H) − 1)                  H = 78 y,  b = 0.02
λ(IRCA)  = λ_low·exp( ln(λ_high/λ_low)·(IRCA − 25)/(80 − 25) )
S(t)     = exp( −(λ/b)·(e^(b·t) − 1) )
year_q   = year_now + (1/b)·ln( 1 − (b/λ)·ln(1 − q) )
p_ext    = (1 − S(100)) · 0.25

La mitigación entra como el amortiguador M, fuera de los pesos de riesgo: reduce el índice hasta 25% y nunca añade riesgo.

Acoplamiento en cascada

Los sistemas interdependientes fallan de forma abrupta, no gradual (Buldyrev et al., Nature 2010; Motter & Lai, 2002). Una matriz de acoplamiento documentada amplifica pilares cuando sus fuentes cruzan un umbral: el progreso rápido de la IA amplifica el desplazamiento laboral y la descarga cognitiva; la presión ambiental y laboral amplifican la severidad. El acoplamiento solo amplifica — nunca oculta riesgo.

Parámetros: τ = 50 · c = 4 · K = 12

Agregación no compensatoria

Un promedio ponderado simple deja que pilares tranquilos diluyan un pilar crítico — exactamente el modo de falla del que advierte el Handbook de Indicadores Compuestos de la OCDE/JRC. El IRCA usa una media de potencia ponderada con exponente p = 2,5: un solo pilar disparándose hacia 100 arrastra el índice de forma desproporcionada.

La mitigación (gobernanza) entra como un amortiguador multiplicativo acotado — una regulación más fuerte reduce el índice hasta 25%, pero nunca elimina el riesgo.

Las variables

Cómo se mide cada señal, sus anclas de normalización, su peso y su incertidumbre publicada. Las señales en vivo se actualizan cada 6 horas; las demás siguen la cadencia de sus fuentes.

Participación lineal = peso del pilar × peso de la señal dentro del pilar. El impacto marginal real crece a medida que suben los puntajes, porque la agregación usa p = 2,5 (no compensatoria).

La fecha del colapso

Un nivel de riesgo no tiene semántica temporal por sí solo. El IRCA mapea el índice a un hazard anual mediante un vínculo de riesgos proporcionales (Cox, 1972) con base Gompertz creciente, calibrado con dos anclas publicadas: las medianas del Existential Risk Persuasion Tournament para catástrofe global causada por la IA hacia 2100, 2,13% (superpronosticadores) y 12% (expertos). El XPT define catástrofe como la muerte de al menos el 10% de la humanidad en una ventana de cinco años.

El contador apunta a la mediana de la distribución de fechas resultante — el año en que la probabilidad de colapso alcanza 50% bajo las condiciones actuales. El colapso nunca es seguro en ninguna fecha fija: la curva de supervivencia se mantiene por encima de cero.

La probabilidad de nivel de extinción escala la probabilidad de catástrofe a 100 años por la razón extinción/catástrofe por IA de los expertos del XPT (0,25).

Anclas de calibración

Incertidumbre

El rango plausible es el P10–P90 de una simulación de Monte Carlo (JCGM 101; Saisana et al., 2005) que remuestrea cada señal dentro de su incertidumbre publicada y cada supuesto cuestionable del modelo (probabilidades de las anclas, forma del hazard) dentro de su rango publicado. La semilla aleatoria deriva de la fecha del cálculo, así que cualquiera que ejecute el código abierto reproduce el rango publicado exactamente.

Monte Carlo: N = 500 · P10–P90 · P*_low ∈ [0.005, 0.05] · P*_high ∈ [0.06, 0.3] · b ∈ [0.005, 0.035]

Las nuevas dimensiones

Cognición: el estudio de EEG del MIT encontró hasta 55% menos conectividad cerebral en la escritura asistida por LLM; una encuesta CHI 2025 a trabajadores del conocimiento mostró que mayor confianza en la IA predice menor esfuerzo de pensamiento crítico; PNAS Nexus midió un desplazamiento causal del 25% del intercambio público de conocimiento. La señal en vivo sigue el declive sostenido de la búsqueda independiente de información (páginas vistas de Wikipedia, tasa de preguntas de Stack Overflow) contra la línea base de 2022. La evidencia contraria (metaanálisis que muestran mejoras de aprendizaje con tutoría por IA) está catalogada en la biblioteca de evidencia.

Ambiente: la IEA proyecta que la electricidad de los datacenters crecerá de 415 TWh (2024) a ~945 TWh (2030); Google y Microsoft reportan emisiones subiendo 18–25% anual, atribuidas a la expansión de IA. La señal en vivo es la intensidad de carbono de la red mundial (Ember vía Our World in Data) — la misma expansión es mucho peor en una red sucia.

Trabajo: el FMI estima que 40% de los empleos globales están expuestos a la IA; los despidos atribuidos a la IA alcanzaron 23% de los recortes en EE.UU. en el primer semestre de 2026 (Challenger); la brecha de empleo al inicio de carrera en ocupaciones expuestas llegó a 19% (Stanford/ADP). La señal en vivo es la tasa de desempleo mundial (Banco Mundial).

Recolección autónoma

Seis recolectores (Manifold, Metaculus, arXiv, Our World in Data, Banco Mundial, Wikimedia/Stack Exchange) corren cada 6 horas, actualizan sus señales, recalculan el índice y persisten un registro diario. Todos los endpoints son APIs públicas sin clave; la salud por fuente se muestra en la página de fuentes.

Validez científica

Operacionalización: toda variable tiene una regla de medición publicada con anclas de normalización (sección anterior), fuente citada e incertidumbre de 1 sigma. Nada se puntúa sin una regla que un tercero pueda reaplicar.

Reproducibilidad: el código es abierto y el pipeline es determinista dado (entradas, fecha) — la semilla del Monte Carlo deriva de la fecha del cálculo. Cada constante de esta página la sirve el endpoint público /api/v1/model, así que la documentación no puede divergir de la implementación.

Sensibilidad: el rango plausible ya propaga tanto la incertidumbre de las señales como los supuestos cuestionables del modelo (probabilidades de las anclas, forma del hazard) dentro de sus rangos publicados. Los pesos son constantes en código versionado; cambiarlos es un diff visible y revisable.

Falsabilidad y actualización: el índice baja cuando bajan sus entradas — velocidad de artículos de seguridad subiendo, atribución de despidos a la IA cayendo, redes descarbonizándose, regulación vinculante fortaleciéndose. Los factores de confusión conocidos se declaran en el propio texto (PISA/COVID) y la evidencia contraria se cataloga en la biblioteca de evidencia, no se excluye.

Amenazas a la validez conocidas: las elicitaciones de expertos no son mediciones; los proxies conductuales (páginas vistas, tasas de preguntas) pueden derivar por razones ajenas; los componentes de proveedor único (ADP, Challenger) cargan sesgo del proveedor. Se mitigan con pilares multifuente e incertidumbres publicadas — y se declaran, no se ocultan.

Limitaciones honestas

Las anclas son elicitaciones de expertos y superpronosticadores, no mediciones. La matriz de acoplamiento y los pesos son juicio — públicos y versionados para que puedan cuestionarse.

PISA 2022 está confundido por la COVID; PISA 2025 (dic/2026) es el primer ciclo genuinamente post-LLM. Las estimaciones estructurales (FMI, IEA) justifican la posición de las anclas; no son entradas variables en el tiempo.

Nadie puede predecir un evento sin precedentes con certeza. Publicamos probabilidades y rangos, nunca certezas.