Vivimos en la era de la delegación cognitiva. Cuando nos enfrentamos al lenguaje natural, con toda su carga de ambigüedad, el reflejo casi pavloviano del software contemporáneo es arrojarle un modelo de lenguaje. Es una solución seductora: la promesa de que, si acumulamos suficiente estadística y parámetros, la máquina eventualmente "entenderá" lo que queremos decir. Pero la estadística no entiende; aproxima. Y hay rincones de la ingeniería de sistemas y de la filosofía aplicada donde aproximar equivale a fallar.

El problema que motivó el nacimiento de Autologic no era nuevo, pero sí urgente: tomar argumentos formulados en español o inglés y convertirlos en fórmulas lógicas ejecutables, representadas en mi propio lenguaje de especificación, ST lang. La meta final no era meramente mostrar una traducción estética en pantalla, sino validar formalmente la estructura de los razonamientos, verificar si una inferencia se sostiene o si un conjunto de reglas normativas es coherente.

Cuando uno se para frente a este abismo, la tentación de usar una API de inteligencia artificial generativa es inmensa. Un prompt bien diseñado podría devolvernos, en la mayoría de los casos, una sintaxis aparentemente correcta. Pero "la mayoría de los casos" es una métrica inaceptable cuando buscas rigor lógico. En el momento en que un sistema formal alucina una premisa, inventa un operador o malinterpreta una implicación debido a una sutileza retórica, todo el edificio lógico se desploma.

Elegí el camino difícil. Decidí que el núcleo de Autologic no tendría ni una sola línea de código probabilístico, ningún modelo de lenguaje externo, ninguna red neuronal. Diseñé una arquitectura determinista basada en reglas.

La ilusión de la traducción probabilística

El lenguaje natural es un territorio hostil para la formalización. Un mismo enunciado puede albergar múltiples intenciones y estructuras lógicas latentes. Cuando un ser humano dice "No es verdad que si llueve, entonces no salgo", está usando una negación sobre un condicional que a su vez contiene otra negación. Para un modelo estadístico, este juego de espejos sintácticos es un patrón de tokens que se resuelve por probabilidad de coocurrencia. Si el corpus de entrenamiento ha visto estructuras similares, acertará; si no, inventará una estructura verosímil pero formalmente inválida.

El problema fundamental de los modelos de lenguaje en el ámbito de la lógica es su incapacidad para garantizar la trazabilidad del error. Cuando un modelo entrega una traducción incorrecta de una proposición modal o deóntica, no hay un hilo de Ariadna sintáctico que podamos seguir para corregir el comportamiento sin alterar el resto del sistema. Modificar el comportamiento de una red neuronal implica reentrenar, ajustar temperaturas o afinar prompts con la esperanza de que la corrección no rompa otras capacidades.

Para construir Autologic, partí de la premisa opuesta: el lenguaje no es solo estadística, es estructura. Si el lenguaje natural tiene reglas, el analizador también debe tenerlas.

La arquitectura interna de la librería se diseñó como un pipeline determinista y auditable. Primero, un segmentador divide el texto en unidades manejables. Luego, un analizador discursivo rastrea la presencia de marcadores discursivos específicos —palabras y locuciones que actúan como los verdaderos conectores lógicos de nuestro habla cotidiana: "por lo tanto", "a menos que", "es obligatorio que", "en el pasado". A partir de ahí, el sistema extrae los átomos de información, las proposiciones básicas desprovistas de su envoltura retórica, para que el constructor de fórmulas ensamble la estructura abstracta y, finalmente, el generador de código compile esa estructura en código ejecutable compatible con el validador de ST lang.

Al estructurar el pipeline de esta manera, cada decisión del compilador es transparente. Si el sistema formaliza incorrectamente una oración temporal o un silogismo aristotélico, puedo inspeccionar el analizador de marcadores discursivos o la tabla de patrones sintácticos, localizar la regla defectuosa y corregirla con la certeza matemática de que el resto del sistema permanecerá intacto. Es ingeniería, no alquimia de prompts.

La geografía de la razón: más allá del verdadero y el falso

Reducir el razonamiento humano a la lógica proposicional clásica (donde todo es meramente verdadero o falso) es una simplificación burda. Pensamos en términos de tiempo ("siempre que ocurra A, eventualmente ocurrirá B"), de deberes ("está prohibido hacer C a menos que se tenga la autorización D"), de conocimiento ("Juan sabe que Pedro desconoce E") o incluso conviviendo con contradicciones sin que nuestro sistema mental colapse de inmediato.

Para capturar esta riqueza sin el auxilio de la intuición borrosa de una IA, doté a Autologic de diversos perfiles lógicos independientes. Cada perfil representa una forma distinta de estructurar la realidad: lógicas clásicas y de primer orden para las relaciones de cuantificación básicas; lógicas modales y epistémicas para modelar la necesidad, la posibilidad y los estados de conocimiento; lógicas deónticas para cartografiar el mundo de lo obligatorio, lo permitido y lo prohibido; lógicas temporales para analizar secuencias de eventos que se despliegan en el tiempo; lógicas paraconsistentes, específicamente el sistema de Belnap, para procesar bases de conocimiento que contienen información contradictoria o incompleta sin caer en el principio de explosión.

Programar estos perfiles como motores de reglas deterministas me obligó a mirar el lenguaje desde abajo, desde la gramática profunda. Significa entender que la diferencia entre una obligación deóntica y una necesidad modal no es una cuestión de contexto difuso, sino de operadores lógicos distintos que se comportan bajo axiomas diferentes en el momento de validar el código generado.

El analizador busca patrones conocidos de inferencia —como el modus ponens o el modus tollens— directamente sobre la estructura sintáctica del enunciado. Si el texto dice "Si el contrato se firma, entonces se ejecuta el pago; y consta que el contrato se ha firmado", el parser reconoce inmediatamente el patrón clásico del condicional y la afirmación del antecedente, abstrayendo los conceptos y traduciéndolos a las variables y operadores correspondientes en ST lang. No hay espacio para la interpretación; solo hay reconocimiento de formas y mapeo formal.

La soberanía técnica del determinismo

Esta decisión arquitectónica de renunciar a la IA no es un capricho luddita ni un ejercicio de nostalgia por los sistemas expertos de los años ochenta. Es una toma de posición sobre lo que denomino soberanía técnica.

Cuando delegamos la lógica a un modelo probabilístico, renunciamos a comprender cómo se ha llegado a una conclusión. Nos convertimos en consumidores de resultados, incapaces de auditar el proceso de traducción. En sistemas donde la seguridad, el cumplimiento normativo o la verificación de software están en juego, esta renuncia es imperdonable. Autologic demuestra que, para ciertos dominios acotados pero complejos, el análisis sintáctico basado en reglas no solo es más confiable que un modelo de lenguaje, sino que es computacionalmente más ligero, funciona localmente sin latencias de red y es inmune a los sesgos y derivas de los modelos comerciales.

A veces, la mejor decisión de ingeniería consiste en saber qué herramientas no utilizar. La IA generativa es una tecnología formidable para explorar la vaguedad, generar ideas o resumir flujos de información densa. Pero la lógica exige precisión absoluta, trazabilidad y reproducibilidad. Al construir un puente sin IA entre la ambigüedad del lenguaje natural y la rigidez de la lógica formal, recuperamos el control sobre el proceso de traducción sintáctica.

Al final del día, el código que valida los argumentos en ST lang no especula sobre lo que el usuario quiso decir; evalúa con fría exactitud matemática lo que el usuario efectivamente escribió. Y en ese espacio de claridad sin adivinaciones, es donde el software vuelve a ser una ciencia exacta.