¿Qué es la inteligencia colectiva? La inteligencia colectiva es la capacidad de grupos de individuos — humanos, máquinas o ambos — para actuar colectivamente de maneras que parecen inteligentes, produciendo juicios, decisiones y soluciones que pueden superar lo que cualquier miembro podría lograr solo.
La inteligencia colectiva, tal como la definen Thomas Malone y Michael Bernstein en el Manual de Inteligencia Colectiva (MIT Press, 2015), es 'grupos de individuos actuando colectivamente de maneras que parecen inteligentes.' El campo abarca desde el Teorema del Jurado de Condorcet (1785) y el experimento de pesaje de bueyes de Francis Galton de 1906 hasta la ciencia de laboratorio moderna: Anita Williams Woolley y colegas (Science, 2010) encontraron evidencia de un factor general de inteligencia colectiva: el factor c, que explicó aproximadamente el 43% de la varianza en el rendimiento grupal a través de tareas y se correlacionó más con la sensibilidad social, la igualdad en la toma de turnos conversacionales y la proporción de mujeres en el grupo que con el CI de los miembros. El factor c ha sido debatido (Credé y Howardson, 2017) y respaldado por un meta-análisis de 22 estudios y 1,356 grupos (Riedl et al., PNAS, 2021). El Genoma de la Inteligencia Colectiva (Malone, Laubacher y Dellarocas, 2010) mapea los bloques de construcción de grupos inteligentes a lo largo de Quién, Por qué, Qué y Cómo. La investigación actual del MIT Center for Collective Intelligence (2026) se centra en la IA generativa y la inteligencia colectiva, el diseño de superminds y el diseño de equipos humano-IA; un meta-análisis de 2024 (Vaccaro, Almaatouq y Malone, Nature Human Behaviour) encontró que las combinaciones humano-IA no superan automáticamente lo mejor de cada uno por separado: la sinergia genuina requiere un diseño deliberado de la asignación de tareas y la interacción. Los sistemas actuales de CCI incluyen Supermind Ideator, que envuelve un modelo de lenguaje grande en andamiaje estructurado de resolución de problemas creativos, y una competencia de PNAS de 2026 que estudió más de 180,000 negociaciones autónomas de IA a IA. Dentro del ciclo de vida de la toma de decisiones: Asistir, Enmarcar, Generar, Investigar, Agregar, Deliberar, Asignar, Elegir, Implementar, Monitorear, la investigación sobre inteligencia colectiva se ocupa principalmente de las etapas Agregar y Deliberar: cómo los grupos agrupan conocimiento disperso y razonan juntos. Argumentree operacionaliza estos hallazgos a través de la presentación de argumentos independiente y asincrónica, estructura de participación igualitaria, calificación multidimensional agregada en puntajes de consenso y una auditoría completa del razonamiento del grupo.
¿Qué es la inteligencia colectiva?
La inteligencia colectiva es la capacidad de grupos — humanos, máquinas o ambos — para actuar de maneras que parecen inteligentes. No es una metáfora: la investigación la ha medido, debatido y mostrado cómo diseñar para ello. Esta guía cubre la ciencia desde Condorcet (1785) hasta la investigación de equipos humanos-AI del MIT (2026).
Última actualización: 2026-07-18
TL;DR
Los grupos pueden ser mediblemente inteligentes. Woolley et al. (Science, 2010) encontraron un factor de inteligencia colectiva (c) que predice el rendimiento grupal a través de tareas — impulsado menos por el CI de los miembros que por sensibilidad social, igualdad en el turno de palabra y proceso. El hallazgo es debatido (Credé & Howardson, 2017) pero apoyado por un meta-análisis de 1,356 grupos (Riedl et al., PNAS, 2021). La frontera moderna es la inteligencia colectiva humano-AI: el meta-análisis de MIT de 2024 muestra que agregar un humano al proceso no mejora automáticamente los sistemas de IA — la sinergia depende de la asignación de tareas y el diseño del proceso. Argumentree se basa en esa lección: estructurar el razonamiento, agregar los juicios, mantener a los humanos decidiendo.
Definiendo la Inteligencia Colectiva
La definición académica estándar proviene del Manual de Inteligencia Colectiva de Thomas Malone y Michael Bernstein (MIT Press, 2015): la inteligencia colectiva es "grupos de individuos actuando colectivamente de maneras que parecen inteligentes." La definición es deliberadamente amplia. Cubre un mercado fijando precios, una comunidad de Wikipedia escribiendo una enciclopedia, un jurado sopesando evidencia, una colonia de hormigas encontrando el camino más corto hacia la comida — y, cada vez más, equipos híbridos de personas y sistemas de IA.
La inteligencia colectiva es más amplia que la sabiduría de las multitudes, que se refiere a la agregación estadística de muchos juicios independientes. La inteligencia colectiva también incluye colaboración y deliberación genuinas — grupos que interactúan, discuten y construyen sobre el razonamiento de los demás. Se diferencia de la inteligencia de enjambre, donde la coordinación surge de reglas locales simples sin deliberación. Y se conecta a mecanismos estudiados en campos vecinos: los sistemas de votación agregan preferencias, los mercados de predicción agregan creencias probabilísticas y la deliberación estructurada agrega razones — tres respuestas diferentes a la misma pregunta de cómo convertir muchas mentes en una decisión.
Dentro del ciclo de vida de la toma de decisiones — Asistir, Enmarcar, Generar, Investigar, Agregar, Deliberar, Asignar, Elegir, Implementar, Monitorear — la investigación sobre inteligencia colectiva se concentra en las etapas de agregación y deliberación: cómo se agrupa el conocimiento disperso y cómo los grupos razonan juntos sin las patologías de cascadas de información y pensamiento grupal.
Una Breve Historia de la Investigación sobre Inteligencia Colectiva
El campo tiene raíces en matemáticas de la Ilustración, estadísticas, economía, biología y ciencias de la computación. La línea común: bajo las condiciones adecuadas, los grupos superan a sus miembros — y las condiciones pueden ser diseñadas.
El marqués de Condorcet demuestra que si cada votante es incluso ligeramente mejor que el azar y vota de manera independiente, la probabilidad de que la mayoría esté en lo correcto se acerca a la certeza a medida que el grupo crece: el resultado matemático fundamental de la inteligencia colectiva.
Francis Galton analiza 787 conjeturas sobre el peso vestido de un buey en una feria rural de 1906. La conjetura mediana (1,207 lb) se encuentra dentro del 1% del peso verdadero (1,198 lb): mejor que los expertos en ganado. Publicado en Nature.
El "Uso del Conocimiento en la Sociedad" de Friedrich Hayek (American Economic Review) argumenta que los mercados agregan conocimiento disperso y local a través de los precios: la base teórica para los mercados de predicción.
James Surowiecki codifica las cuatro condiciones para la sabiduría de las multitudes (diversidad, independencia, descentralización, agregación). Ese mismo año, Hong y Page publican su modelo controvertido "la diversidad supera la habilidad" en PNAS.
Woolley, Chabris, Pentland, Hashmi y Malone (Science) encuentran evidencia de un factor general de inteligencia colectiva en 699 personas trabajando en pequeños grupos: un análogo a nivel de grupo del CI individual.
Malone, Laubacher y Dellarocas (MIT Sloan Management Review) catalogan los bloques de construcción: "genes" de los sistemas de inteligencia colectiva a lo largo de cuatro preguntas: Quién, Por qué, Qué y Cómo.
El manual de MIT Press de Malone y Bernstein consolida el campo y su definición estándar: grupos de individuos actuando colectivamente de maneras que parecen inteligentes.
Superminds de Thomas Malone describe cinco tipos duraderos de inteligencia colectiva: jerarquías, democracias, mercados, comunidades y ecosistemas, y pregunta cómo las computadoras pueden hacer que cada uno sea más inteligente.
Riedl, Kim, Gupta, Malone y Woolley (PNAS) analizan 22 estudios con 1,356 grupos y encuentran evidencia de un factor de inteligencia colectiva en poblaciones de estudiantes, militares, jugadores y trabajadores en línea.
El meta-análisis de Vaccaro, Almaatouq y Malone de 106 experimentos (Nature Human Behaviour) encuentra que las combinaciones humano-IA, en promedio, tuvieron un rendimiento peor que el mejor de los humanos o de la IA por separado: la sinergia debe ser diseñada, no asumida.
Burton y 27 coautores (Nature Human Behaviour) mapean cómo los modelos de lenguaje grandes pueden mejorar la inteligencia colectiva y cómo corren el riesgo de homogeneizar puntos de vista y fabricar un falso consenso.
El Centro de Inteligencia Colectiva del MIT persigue tres áreas: IA Generativa e Inteligencia Colectiva, Diseño de Superminds y Diseño de Equipos Humano-IA, incluyendo un estudio de PNAS sobre más de 180,000 negociaciones entre IA.
El Factor c: ¿Puede un Grupo Tener un CI?
En 2010, Anita Williams Woolley y colegas hicieron una pregunta simple con un siglo de psicología individual detrás: así como un factor general (g) predice el rendimiento de un individuo en muchas tareas cognitivas, ¿hay un factor general para grupos? Evaluaron a 699 personas trabajando en grupos de dos a cinco en una amplia variedad de tareas (Science, 330, 686–688). La respuesta fue sí: un solo factor estadístico — c — explicó aproximadamente el 43% de la varianza en el rendimiento grupal a través de tareas.
Qué predice el c de un grupo — y qué no
El CI de los miembros apenas importa
Tanto la inteligencia individual promedio como la máxima de los miembros del grupo estaban solo débilmente correlacionadas con c. Contratar a las personas más inteligentes no hace, por sí solo, un grupo inteligente.
La sensibilidad social importa
La puntuación promedio del grupo en la prueba de Leer la Mente en los Ojos: la capacidad de inferir estados mentales a partir de señales faciales, fue un predictor significativo de c (r = 0.26).
La igualdad en la toma de turnos importa
Los grupos cuyos miembros contribuyeron de manera más equitativa a la conversación tuvieron un c más alto; la variación en los turnos de habla se correlacionó negativamente con c (r = −0.41). Los grupos dominados por una o dos voces eran colectivamente menos inteligentes.
Efectos de composición
En el estudio de 2010, los grupos con una mayor proporción de mujeres obtuvieron puntuaciones más altas en c (r = 0.23): un efecto que los autores vinculan estadísticamente a la mayor sensibilidad social promedio de las mujeres, es decir, al proceso, no a la demografía per se.
¿Es real el factor c? El debate sobre la replicación
Como la mayoría de los hallazgos influyentes en psicología, c ha sido sometido a pruebas rigurosas — y los lectores merecen el estado honesto de la evidencia:
La crítica (2017)
Credé y Howardson (Journal of Applied Psychology) reanalizaron seis muestras y argumentaron que el apoyo empírico para un único factor general de grupo es débil: que el rendimiento del grupo puede describirse mejor por habilidades específicas de la tarea que por un c.
La respuesta (2018)
Woolley, Kim y Malone respondieron que la crítica se basaba en procedimientos de puntuación y suposiciones de simulación que no coincidían con las tareas que los grupos realmente realizaban.
El meta-análisis (2021)
Riedl, Kim, Gupta, Malone y Woolley (PNAS) agregaron 22 estudios que cubren 1,356 grupos: estudiantes, personal militar, trabajadores en línea, jugadores, y encontraron evidencia de un factor c en todos ellos, con el proceso de colaboración y la percepción social de los miembros entre sus correlatos más fuertes.
En resumen: un gran meta-análisis apoya la existencia de un factor de inteligencia colectiva medible, mientras que su estructura exacta y generalidad siguen siendo debatidas activamente. Lo que no se debate es la lección práctica: el proceso grupal — quién es escuchado, cómo se combinan los juicios — predice el rendimiento grupal mejor que el brillo de los miembros.
Multitudes Estadísticas vs. Interactivas
Realmente hay dos tipos de inteligencia colectiva, y funcionan con diferentes combustibles:
Multitudes estadísticas
Muchas estimaciones independientes, agregadas mecánicamente: promediando, votando, precios de mercado. Esta es la feria de Galton y cada mercado de predicción desde entonces. El éxito depende de la independencia y la diversidad; el ejercicio es a menudo de una sola vez.
Multitudes interactivas
Las personas se influyen mutuamente para construir un entendimiento compartido: discusión, deliberación, colaboración. Esto es Wikipedia, una comunidad científica, un equipo de diseño. El éxito depende de la calidad de la comunicación y la seguridad para hablar; el trabajo es continuo.
Los dos modos tiran en direcciones opuestas: la independencia ayuda a las multitudes estadísticas pero empobrece a las interactivas. Un equipo que nunca habla puede agregar bien pero no construye nada nuevo; un equipo que siempre habla puede construir un entendimiento compartido mientras destruye silenciosamente la independencia que sus juicios necesitan.
La deliberación estructurada es un intento de obtener ambos. En Argumentree, las contribuciones y calificaciones se envían de manera independiente: el modo estadístico, mientras que el árbol de argumentos en el que aterrizan es un objeto compartido y en evolución sobre el que el grupo delibera: el modo interactivo. La estructura decide cuándo se aplica cada modo, en lugar de dejar que el modo más ruidoso gane.
El Genoma de la Inteligencia Colectiva
Si la inteligencia colectiva puede ser medida, ¿puede ser diseñada? Malone, Laubacher y Dellarocas (MIT Sloan Management Review, 2010) catalogaron los bloques de construcción recurrentes — "genes" — de los sistemas de inteligencia colectiva, organizados en torno a cuatro preguntas. Cualquier sistema, desde Wikipedia hasta un proceso de estrategia corporativa, es una combinación de estos genes:
¿Quién está realizando la tarea?
Una jerarquía definida asigna la tarea, o una multitud abierta se auto-selecciona. Las multitudes aportan escala y diversidad; las jerarquías aportan responsabilidad y coordinación.
¿Por qué lo están haciendo?
Los genes de motivación: dinero (pago, premios), amor (disfrute intrínseco, comunidad) y gloria (reconocimiento, reputación). Los sistemas sostenibles alinean incentivos con contribuciones.
¿Qué se está haciendo?
Crear (generar algo nuevo: diseños, ideas, argumentos) o decidir (evaluar y seleccionar entre alternativas). La mayoría de los procesos reales encadenan los dos.
¿Cómo se está haciendo?
De manera independiente (contribuciones agregadas sin interacción: concursos, votación, promediado) o de manera dependiente (colaboración, donde las contribuciones se construyen unas sobre otras). La elección determina qué modos de fallo heredas.
Cinco Superminds
En Superminds (2018), Malone describe cinco formas duraderas de inteligencia colectiva que las sociedades humanas siguen reinventando — y argumenta que la verdadera pregunta sobre la IA no es "¿nos reemplazará?" sino "¿cómo hace que cada supermind sea más inteligente?":
Jerarquías
Decisiones delegadas hacia arriba y hacia abajo en una cadena de autoridad. Rápido y responsable; vulnerable a cuellos de botella de información en la parte superior.
Democracias
Decisiones por votación. Legítimas e inclusivas; cómo los votos agregan preferencias es una ciencia profunda por sí misma (teoría de la elección social).
Mercados
Decisiones a través de precios y transacciones. Agregadores sobresalientes de creencias dispersas: el mecanismo detrás de los mercados de predicción.
Comunidades
Decisiones por normas, reputación y consenso informal. Potencia el código abierto y Wikipedia; lento pero resistente.
Ecosistemas
Sin mecanismo de decisión compartido en absoluto: los resultados emergen del poder y la supervivencia. El predeterminado cuando no se diseña otro supermind.
Diseño de Supermind: Seis Movimientos
La metodología de Diseño de Supermind del MIT CCI convierte el genoma en una práctica de resolución creativa de problemas. Seis "movimientos" reencuadran sistemáticamente un problema para sacar a la luz nuevos diseños para grupos de personas y computadoras:
Alejarse
Retroceder al sistema o propósito más amplio en el que se encuentra el problema.
Acercarse
Descomponer el problema en partes y procesos que pueden ser rediseñados.
Analogizar
Preguntar cómo otros dominios: naturaleza, otras industrias, historia, resuelven un problema estructuralmente similar.
Agrupar
Preguntar cómo un supermind diferente: un mercado, una comunidad, una democracia, abordaría la tarea que ahora maneja una persona o una jerarquía.
Cognificar
Preguntar qué procesos cognitivos (sensar, recordar, decidir, aprender) necesita la solución, y quién o qué debería realizar cada uno.
Tecnificar
Preguntar dónde la tecnología, incluida la IA, puede realizar, conectar o aumentar esos procesos.
Dentro del Centro de Inteligencia Colectiva del MIT (2026)
El Centro de Inteligencia Colectiva del MIT (CCI), fundado por Thomas Malone, es el laboratorio insignia del campo. Sus proyectos anteriores — el Climate CoLab, el CI Design Lab, Medición de Inteligencia Colectiva, Predicción Colectiva — son ahora trabajos de legado concluidos. A partir de 2026, la investigación del CCI se organiza bajo tres áreas:
IA Generativa e Inteligencia Colectiva
Usar IA para aumentar la creatividad humana: incluyendo herramientas como Supermind Ideator y DesignAID que apoyan la ideación humano-IA.
Diseño de Superminds
Diseñar combinaciones innovadoras de personas y computadoras, basándose en el genoma y los seis movimientos de diseño.
Diseño de Equipos Humano-IA
Diseñar y asignar tareas en equipos humano-máquina: la pregunta sucesora a "humano vs. máquina". Con el programa M3S de Singapur-MIT, CCI está construyendo una ciencia sistemática de asignación de tareas: qué subtareas van a personas versus IA, quién supervisa y verifica, y si la IA actúa como herramienta, asistente, par o gerente.
Hallazgos clave de la ola de investigación 2024–2026
El andamiaje supera a los LLMs en ideación
Supermind Ideator envuelve un modelo de lenguaje grande en andamiaje de resolución de problemas creativos (incluyendo los seis movimientos). En un estudio experimental, los usuarios generaron significativamente más ideas innovadoras que las personas que usaban solo ChatGPT o trabajaban sin ayuda; los beta testers han creado más de 10,000 ideas con el sistema (ACM Collective Intelligence Conference, 2024).
"Humano en el bucle" no es automáticamente mejor
El meta-análisis de Vaccaro, Almaatouq y Malone de 106 experimentos y 370 tamaños de efecto (Nature Human Behaviour, 2024) encontró que las combinaciones humano-IA, en promedio, tuvieron un rendimiento peor que el mejor de los humanos o de la IA por separado, con pérdidas concentradas en tareas de toma de decisiones y ganancias en tareas de creación de contenido. CCI ahora distingue entre sinergia fuerte (la combinación supera tanto a los humanos solos como a la IA sola) y aumento débil (supera a los humanos solos pero no a la IA) y encuentra que la sinergia fuerte requiere una asignación de tareas deliberadamente diseñada, no solo agregar un humano.
180,000 negociaciones entre IA
Un estudio de PNAS de 2026 realizó una competencia internacional en la que agentes de IA provocados llevaron a cabo más de 180,000 negociaciones entre sí. La ciencia clásica de negociación humana se mantuvo: la calidez: positividad, gratitud, hacer preguntas, se asoció consistentemente con alcanzar acuerdos y crear valor, mientras que las tácticas de dominación predecían estancamientos.
Mapeo de dónde se puede usar IA
Un documento de trabajo del MIT de 2026 (arXiv 2603.20619) reorganizó aproximadamente 20,000 actividades laborales de la base de datos O*NET de EE. UU. en una ontología profunda y clasificó 13,275 aplicaciones de IA en función de ella, encontrando que el 1.6% superior de las actividades representa más del 60% del valor de mercado de la IA. Una herramienta para razonar sistemáticamente sobre la asignación de tareas humano-IA.
Clasificación de IA y tareas en una escala
AGI-Elo (NeurIPS 2025, arXiv 2505.12844), de investigadores afiliados a CCI, incluido Malone, clasifica modelos de IA y casos de prueba individuales entre sí como jugadores de ajedrez, colocando la competencia de un modelo y la dificultad de una tarea en una escala comparable, un requisito previo para la asignación de tareas con principios en equipos humano-IA.
Inteligencia Colectiva en la Era de la IA
Los modelos de lenguaje grandes están convirtiéndose en participantes en la inteligencia colectiva, no solo herramientas para ella. Burton y 27 coautores de diversas disciplinas (Nature Human Behaviour, 2024) mapearon las consecuencias de doble filo:
Oportunidades
Reducir las barreras a la participación
Los LLMs pueden traducir, resumir y redactar, permitiendo que más personas contribuyan a procesos colectivos independientemente del idioma o la habilidad de escritura.
Agregando conocimiento disperso
Los LLMs pueden sintetizar grandes volúmenes de texto: transcripciones de reuniones, respuestas a encuestas abiertas, consultas públicas, que anteriormente abrumaban a los agregadores humanos.
Apoyo a la deliberación
La IA puede sacar a la luz contraargumentos, agrupar posiciones similares y estructurar discusiones, aumentando la etapa de Deliberación en lugar de reemplazarla.
Riesgos
Homogeneización de puntos de vista
Si muchas personas consultan los mismos modelos, sus salidas convergen, erosionando la diversidad de perspectivas de la que depende la inteligencia colectiva.
Falso consenso
El texto generado por IA fluido puede fabricar la apariencia de acuerdo o de opinión mayoritaria que no existe entre los humanos reales.
Ecosistemas de información en reducción
Un entorno de información cada vez más filtrado a través de unos pocos modelos corre el riesgo de los errores correlacionados que hacen que las multitudes sean colectivamente tontas en lugar de inteligentes.
La implicación de diseño refleja el hallazgo de Vaccaro: la IA mejora la inteligencia colectiva cuando se le asignan las subtareas en las que es demostrablemente buena — transcripción, extracción, traducción, resumen — mientras que el juicio, la evaluación y la decisión misma permanecen con humanos responsables. Esta es la frontera de los sistemas humano-AI (sesgo de automatización, calibración de confianza, control humano significativo) que la ciencia de decisiones está mapeando ahora.
Cómo Argumentree Aplica la Investigación sobre Inteligencia Colectiva
Argumentree es una plataforma de toma de decisiones colaborativa construida directamente sobre estos hallazgos. Cada elección de diseño se mapea a un resultado en la literatura:
Contribución independiente y asincrónica
Los participantes añaden argumentos a su propio ritmo, antes de que el grupo converja, protegiendo las condiciones de independencia y diversidad que la investigación de agregación muestra que las multitudes necesitan.
Igualdad estructural de participación
La investigación de Woolley vincula la inteligencia colectiva a la igualdad en la toma de turnos. En un árbol de argumentos no hay piso que sostener: los argumentos de cada participante entran en la misma estructura y se ponderan de la misma manera.
Agregación por calificación multidimensional
Los argumentos se califican en utilidad, claridad, precisión y completitud, y las calificaciones se agregan en puntajes de consenso: un mecanismo de agregación explícito, por lo que el juicio colectivo se mide en lugar de asumirse.
Deliberación con estructura
La cadena de 4 pasos de preguntas, compromisos y revisiones permite a los participantes indagar y refinar argumentos: colaboración dependiente en términos de genoma, pero dentro de una estructura que mantiene el razonamiento visible.
Asignación de tareas humano-IA hecha correctamente
La extracción de IA convierte las transcripciones de reuniones y documentos en borradores de árboles de argumentos: el trabajo de procesamiento de contenido en el que la IA es buena, mientras que la evaluación y las decisiones permanecen con las personas, consistente con la evidencia de sinergia humano-IA de 2024.
Una memoria para el supermind
La auditoría completa (borrador, ciclo abierto, cerrado con versionado) preserva el razonamiento del grupo, para que la organización pueda aprender de su propia inteligencia colectiva en lugar de perderla cuando termina la reunión.
Preguntas Frecuentes
¿Qué es la inteligencia colectiva?
La inteligencia colectiva es la capacidad de los grupos: de personas, de máquinas, o de ambos, para actuar colectivamente de maneras que parecen inteligentes (Malone & Bernstein, Manual de Inteligencia Colectiva, 2015). Cubre la sabiduría de las multitudes estadísticas, la producción colaborativa como Wikipedia, equipos deliberativos, mercados que agregan creencias y equipos modernos humano-IA.
¿Qué es el factor c en la inteligencia colectiva?
El factor c es un factor general de inteligencia colectiva identificado por Woolley et al. (Science, 2010): un único factor estadístico que explica aproximadamente el 43% de la varianza en el rendimiento de un grupo en muchas tareas diferentes, análogo al factor g del CI para individuos. Se correlacionó con la sensibilidad social del grupo y la igualdad en la toma de turnos conversacionales mucho más que con la inteligencia individual de los miembros.
¿Se ha replicado el factor c?
Está respaldado pero debatido. Credé y Howardson (2017) argumentaron que la evidencia de un único factor general es débil, y Woolley y colegas publicaron una respuesta detallada en 2018. Un meta-análisis de 2021 de Riedl et al. (PNAS) que cubre 22 estudios y 1,356 grupos encontró evidencia de un factor c en diversas poblaciones. La conclusión práctica: el proceso grupal predice el rendimiento mejor que el CI de los miembros, es robusta a través del debate.
¿Cuál es la diferencia entre inteligencia colectiva y la sabiduría de las multitudes?
La sabiduría de las multitudes es el fenómeno más estrecho: muchos juicios independientes, agregados estadísticamente, convergen en respuestas precisas (como en el experimento del buey de Galton de 1906). La inteligencia colectiva es el campo más amplio: incluye la sabiduría de las multitudes, pero también la colaboración genuina, la deliberación, los mercados, las comunidades y los equipos humano-IA: cualquier sistema en el que un grupo actúe inteligentemente.
¿Cuál es la diferencia entre inteligencia colectiva e inteligencia de enjambre?
La inteligencia de enjambre es la coordinación que emerge de muchos agentes simples siguiendo reglas locales: colonias de hormigas, bandadas de aves, enjambres de robots, sin deliberación y sin razonamiento explícito. La inteligencia colectiva humana implica intercambiar y evaluar razones. Comparten principios profundos (descentralización, conocimiento local, agregación), por lo que las plataformas de decisión toman prestado de ambos.
¿Qué es un supermind?
Un supermind, en el libro de Thomas Malone de 2018 con ese nombre, es cualquier grupo de individuos actuando juntos de una manera que parece inteligente. Malone identifica cinco tipos recurrentes: jerarquías, democracias, mercados, comunidades y ecosistemas, y argumenta que las computadoras hacen que los superminds sean más inteligentes principalmente al permitir nuevas combinaciones de ellos, no al reemplazarlos.
¿Qué es el MIT Center for Collective Intelligence?
El MIT Center for Collective Intelligence (cci.mit.edu), fundado en MIT Sloan y dirigido por Thomas Malone, estudia cómo los grupos de personas, y cada vez más personas más IA, pueden organizarse para actuar más inteligentemente que cualquier individuo. Sus proyectos anteriores de la era de la colaboración masiva (el Climate CoLab y CoLabs, Medición de la Inteligencia Colectiva) son ahora trabajos legados; a partir de 2026, su investigación se organiza bajo tres áreas: IA Generativa e Inteligencia Colectiva, Diseño de Superminds y Diseño de Equipos Humano-IA, con herramientas como Supermind Ideator y DesignAID y, con el programa M3S de Singapur-MIT, una ciencia sistemática de asignación de tareas humano-IA.
¿Agregar un humano en el bucle mejora las decisiones de IA?
No automáticamente. Un meta-análisis de 2024 de 106 experimentos (Vaccaro, Almaatouq & Malone, Nature Human Behaviour) encontró que las combinaciones humano-IA, en promedio, tuvieron un rendimiento peor que el mejor de los humanos o de la IA por separado, con pérdidas concentradas en tareas de decisión. Las combinaciones ayudaron más en tareas de creación de contenido. La inteligencia colectiva humano-IA efectiva requiere asignar deliberadamente subtareas a la parte que las realice mejor.
¿Cómo pueden los equipos aumentar su inteligencia colectiva?
La evidencia apunta al diseño de procesos: igualar la participación (entrada estructurada o asincrónica en lugar de discusión abierta), proteger el juicio independiente antes de la convergencia del grupo, reclutar para la diversidad cognitiva y la percepción social, usar un mecanismo de agregación explícito como calificación o votación, y mantener un registro del razonamiento para que el grupo pueda aprender. Herramientas como Argumentree construyen estas mecánicas por defecto.
Referencias y Lectura Adicional
Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
El resultado matemático fundamental: las mayorías de votantes independientes, mejores que el azar, convergen en la verdad.
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
787 feriantes adivinan el peso de un buey; la mediana se encuentra dentro del 1% de la verdad.
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
Los mercados como agregadores de conocimiento disperso.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
Las cuatro condiciones: diversidad, independencia, descentralización, agregación.
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
El factor c: 699 personas, grupos de 2–5, un factor que explica ~43% de la varianza en el rendimiento.
Malone, T. W., Laubacher, R., & Dellarocas, C. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
Los bloques de construcción de Quién/Por qué/Qué/Cómo de los sistemas de inteligencia colectiva.
View source →Malone, T. W., & Bernstein, M. S. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
La referencia y definición estándar del campo.
Credé, M., & Howardson, G. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
La crítica principal de la generalidad del factor c.
Malone, T. W. (2018). Superminds. Little, Brown.
Cinco tipos de supermind y cómo las computadoras los hacen más inteligentes.
Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., & Woolley, A. W. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
Meta-análisis: 22 estudios, 1,356 grupos, evidencia de c en poblaciones.
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106 experimentos: las combinaciones humano-IA no superan automáticamente lo mejor de cada uno por separado.
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
28 autores sobre oportunidades y riesgos de LLM para la inteligencia colectiva.
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
Más de 180,000 negociaciones entre agentes de IA; la calidez gana incluso de máquina a máquina.
View source →Cai, A., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
Una ontología profunda de ~20,000 actividades laborales para razonar sobre la asignación de tareas humano-IA.
View source →MIT Center for Collective Intelligence. Research (2026).
Áreas actuales: IA Generativa e CI, Diseño de Superminds, Diseño de Equipos Humano-IA.
View source →MIT Center for Collective Intelligence. Metodología de Diseño de Superminds.
Los seis movimientos de diseño: Alejarse, Acercarse, Analogizar, Agrupar, Cognificar, Tecnificar.
View source →Sun, S., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
Clasificación conjunta estilo Elo de modelos de IA y dificultad de casos de prueba; coautores afiliados a CCI, incluido Malone.
View source →Conceptos Relacionados
Convierte a tu equipo en un grupo mediblemente más inteligente
La inteligencia colectiva es un problema de diseño: iguala la participación, protege el juicio independiente, agrega explícitamente y mantiene el razonamiento. Argumentree incorpora esas mecánicas en cada decisión — con IA haciendo el trabajo pesado y tu gente haciendo el juicio.
Comienza Prueba Gratuita