Envisioning Sensemaking in Multi-Human, Multi-Agent Collaborative Knowledge Work

Resumen Técnico: Visionando la Construcción de Sentido en el Trabajo de Conocimiento Colaborativo Multi-Humano y Multi-Agente

Planteamiento del Problema
La construcción de sentido (sensemaking) —el proceso mediante el cual los individuos y los grupos buscan, evalúan, interpretan y utilizan la información para construir un entendimiento duradero— es una piedra angular del trabajo de conocimiento. La integración de la Inteligencia Artificial Generativa (GenAI) en estos flujos de trabajo introduce desafíos significativos, particularmente en entornos colaborativos. Si bien los sistemas de GenAI realizan cada vez más funciones interpretativas tradicionales (por ejemplo, resumen, síntesis, agrupación temática), su participación desibuja los límites entre la construcción de sentido humana y la de la máquina. Este cambio oscurece la procedencia de los datos, la ponderación de la evidencia y el manejo de interpretaciones conflictivas. En entornos colaborativos, esto complica la división del trabajo, socava la confianza entre los miembros del equipo y corre el riesgo de reducir la construcción de sentido colectiva a la mera evaluación de la plausibilidad de los resultados de la IA, en lugar de a la construcción de un entendimiento defendible. Los sistemas actuales suelen tratar a la IA como un asistente periférico en lugar de un participante integrado, fallando en el apoyo a la rendición de cuentas y la trazabilidad requeridas para la construcción negociada del conocimiento.

Metodología y Enfoque
Este documento es un artículo de posición que propone un marco conceptual en lugar de reportar resultados experimentales empíricos. El enfoque de los autores consiste en:

1. Síntesis Teórica: Basarse en perspectivas interdisciplinarias de la Interacción Humano-Computadora (HCI), la ciencia de la información, la ingeniería de sistemas cognitivos y la comunicación organizacional para definir la construcción de sentido como un proceso constructivo, dinámico y, a menudo, social.
2. Derivación de Principios: Identificar las brechas en los flujos de trabajo actuales mediados por IA para formular cinco principios de diseño específicos para la colaboración multi-humana y multi-agente.
3. Diseño de un Marco Conceptual: Proponer un "Espacio de Representación Compartida Dinámica" que operacionalice estos principios. Este marco se ilustra mediante un escenario continuo de análisis de mercados financieros para demostrar cómo funciona el sistema en la práctica.

Contribuciones Clave
El artículo realiza tres contribuciones primarias al campo del trabajo de conocimiento colaborativo y la interacción humano-IA:

1. Cinco Principios de Diseño para la Construcción de Sentido Multi-Humano y Multi-Agente:

   • D1 Representaciones de Información Multicapa Dinámicas: Los sistemas deben externalizar el entendimiento en representaciones estructuradas y editables que abarquen múltiples niveles de abstracción (desde los datos brutos hasta las hipótesis).
   • D2 Identificación Activa y Cierre de Brechas: Los sistemas deben ayudar a los usuarios a reconocer y abordar aquello que aún no se comprende, haciendo visible la construcción de significado en lugar de omitirla.
   • D3 Compromiso Crítico con la Información: Se debe apoyar a los usuarios en la evaluación, el razonamiento y la reorganización de las fuentes de datos, en lugar de que acepten conclusiones ya elaboradas.
   • D4 Verificabilidad: Los sistemas deben permitir a los usuarios rastrear, justificar y explicar el desarrollo de sus interpretaciones.
   • D5 Rendición de Cuentas: Las entradas deben ser visibles y comparables entre los colaboradores, asegurando que la evolución del entendimiento compartido sea trazable a lo largo del tiempo.

2. Un Marco Conceptual de Tres Agentes:
   Los autores proponen un espacio de trabajo compartido dinámico poblado por tres agentes especializados que gestionan el flujo de la construcción de sentido:

   • Agente Compañero (Partner Agent): Opera dentro del espacio de trabajo individual para apoyar el "ciclo de forrajeo". Asiste en la articulación de las necesidades de información, la recuperación de contenido, el reencuadre de ideas ambiguas y la identificación de brechas en el razonamiento (apoyando D2 y D4). Asegura que el humano siga siendo el razonador principal.
   • Agente de Espacio Compartido (Shared Space Agent): Opera dentro del espacio de trabajo colectivo. Trata las contribuciones individuales como candidatas a adición, realizando escaneos semánticos para evaluar la estructura y la adecuación respecto a la construcción de sentido colectiva existente. Gestiona la integración de nueva evidencia e hipótesis sin resolver automáticamente los conflictos, preservando las interpretaciones alternativas para la negociación (apoyando D1 y D5).
   • Agente Orquestador (Orchestrator Agent): Gestiona el proceso de "presentación y evaluación". Registra la procedencia y la autoría de cada entrada, asegurando que el historial de las contribuciones y la evolución de las ideas permanezcan visibles y trazables (apoyando D5).

3. Una Estructura Representacional Unificada:
   El marco postula que las visiones individuales y compartidas deben partir de la misma estructura representacional multicapa subyacente. Esto permite la sincronización entre los espacios de trabajo individuales personalizados y el espacio colectivo, asegurando que los conocimientos sigan siendo legibles y coherentes a través de diferentes niveles de abstracción y diferentes colaboradores.

Resultados y Afirmaciones
Como artículo de posición, el trabajo no presenta resultados experimentales cuantitativos ni estudios de usuario. En su lugar, los "resultados" son el marco propuesto y su alineación teórica con modelos establecidos de construcción de sentido (por ejemplo, el ciclo de construcción de sentido de Pirolli y Card). Los autores demuestran, a través de un escenario de análisis financiero, cómo su marco:

• Preserva la distinción entre el razonamiento humano y la asistencia de la IA.
• Mantiene la visibilidad del proceso interpretativo (por ejemplo, señalando brechas en el razonamiento o fuentes de datos alternativas).
• Facilita la negociación del entendimiento compartido al mantener visibles las hipótesis en competencia y vinculadas a sus cadenas de evidencia.
• Evita la fragmentación típica de los flujos de trabajo actuales de múltiples herramientas al proporcionar un eje coherente para la construcción de sentido colaborativa.

Significancia
El artículo reclama su significancia al abordar la necesidad crítica de rediseñar el trabajo de conocimiento colaborativo en la era de la GenAI. Argumenta que, para que la IA sea un socio viable en la construcción de sentido, los sistemas deben ir más allá de las métricas de calidad de salida para apoyar el proceso de construcción de sentido. Al preservar la procedencia, la autoría y la evolución de las interpretaciones, el marco propuesto busca sostener una construcción de conocimiento responsable y negociada. Este enfoque busca prevenir la "caja negra" de la interpretación que los sistemas actuales de IA generativa tienden a oscurecer, permitiendo así que los equipos mantengan la confianza y la coherencia mientras aprovechan las capacidades de los agentes de IA especializados.