Cartografías Multidimensionales

Dispositivos de co-creación en el taller proyectual — documento de evolución

Este documento acompaña la propuesta presentada a Si + (FADU) y registra cómo se transforma el dispositivo de esferas interpretativas, desarrollado para cicloceánico, en un sistema para la co creación en el taller de Introducción al conocimiento proyectual.

1. Texto de la propuesta (versión revisada y apenas editada)

Cartografías Multidimensionales: Dispositivos de co-creación en el taller proyectual

La propuesta introduce una línea de articulación pedagógica e investigativa para el taller de Introducción al Conocimiento Proyectual, tomando como punto de partida las experiencias de interpretación territorial desarrolladas por el colectivo PedaLúdico desde cheLA (Centro Heurístico Experimental Latinoamericano), en colaboración con UCLA/REMAP (EE. UU.) y Oranje Vogel (Países Bajos), a través de su plataforma de esferas interpretativas. El objetivo es transferir este dispositivo al ámbito formativo inicial del CBC, problematizando cómo las herramientas de inteligencia artificial, realidad aumentada y computación espacial transforman las prácticas tradicionales de observación, registro y proyecto en la enseñanza del diseño y la arquitectura.

Frente al relevamiento convencional, las esferas interpretativas operan como nodos multidimensionales. Se trata de un dispositivo que captura y condensa capas heterogéneas del territorio: un registro audiovisual inmersivo (video 360°) vinculado a la telemetría del recorrido y a datos ambientales del lugar. El sistema trabaja con dos temporalidades: una capa en vivo, que acompaña el desplazamiento en tiempo real, y una capa de elaboración, donde cada registro se procesa, se describe y se integra a una memoria común. Un agente artificial coordinador realiza búsquedas contextuales, cruces documentales y lecturas relacionales del sitio, partiendo de fuentes de referencia y derivando hacia las voces del territorio: archivos locales, memorias barriales, observaciones de quienes lo recorren. Su principio de diseño es construir el instrumento sin imponer significado: el agente pone en relieve continuidades y singularidades, y la interpretación queda en manos de las personas que participan.

En el marco del taller proyectual, esta metodología permite replantear el contacto de docentes y estudiantes con el territorio y el espacio habitado. Se proyecta un ejercicio donde el relevamiento urbano y la cartografía devienen experiencias inmersivas e interactivas. Los estudiantes abordan el sitio como un campo dinámico y en tensión, donde datos ambientales, memoria y relaciones espaciales se ponen en relieve y se co-construyen con asistencia algorítmica. La memoria del proceso se organiza en archivos abiertos y legibles, que funcionan a la vez como insumo del agente y como cuaderno colectivo del taller. La esfera funciona así como interfaz estético-crítica: vincula espacios geográficos con lecturas situadas, invitando a repensar escalas, tiempos y lenguajes para dar cuenta del contorno que existe entre el contexto y el entorno de nuestros espacios cotidianos.

La participación en la Mesa Incubadora busca formalizar y estructurar este cruce entre pedagogía experimental y desarrollo tecnológico en un proyecto de investigación radicado en la FADU. La iniciativa se orienta a consolidar un marco teórico-metodológico sobre cartografías expandidas e inteligencia artificial aplicada al proyecto, generando herramientas accesibles de código abierto y protocolos didácticos transferibles a los cursos masivos. Se propone, en última instancia, debatir el rol del diseñador contemporáneo como mediador/a cultural, sus valores, su ética y su posibilidad concreta en la construcción de realidades.

2. Del viaje al taller: qué se transfiere

El patrón que se conserva de ORCA: un agente que habita el chat, observa, lee y responde cuando lo nombran; investiga anclando en fuentes de referencia y derivando hacia el territorio; escribe en una memoria compartida y legible; y construye relaciones posibles dejando la interpretación a lxs estudiantes.

Nombre del agente: HORNERO. El ave arquitecta del país: construye con el barro del lugar, y su casa es su obra. Alternativa: bautismo colaborativo..

3. Arquitectura del sistema

Un solo dataset en el centro; todo escribe ahí y todo lee de ahí.

Telegram (estudiantes) ───┐
                          ├──► Worker + D1 / R2 ──► Mapa de recolecciones
cámara 360   (eq. docente)┘          │           ──► Página síntesis
                                     │           ──► Esferas (QR)
                          Agente HORNERO (Workers AI)

Toda la infraestructura se aloja en Cloudflare: Workers (lógica), D1 (base de datos), R2 (archivos), Workers AI (modelos abiertos).

3.1 Telegram como condensador

• Un grupo por comisión.
• Los estudiantes aportan desde cualquier teléfono, sin instalar nada: ubicación, foto, nota de voz, texto.
• Convención simple: un hashtag por consigna.
• El Worker convierte cada aporte en un registro estructurado (alias, lugar, momento, tipo, consigna) y lo guarda en D1; los archivos van a R2.
• Base técnica conocida: mismo patrón que el Worker plis-riders-tg.

3.2 El agente HORNERO

• Responde cuando lo nombran al inicio del mensaje ("Hornero, …").
• Transcribe las notas de voz (Whisper).
• Investiga con la disciplina "anclar → derivar": referencia estable primero, luego fuentes del territorio.
• Una vez por semana, con una tarea programada, escribe una síntesis por comisión, publicada en el grupo y en la web.
• Modelo de lenguaje abierto, alojado en Workers AI.

3.3 Mapa de recolecciones colectivas

• Página con Leaflet, pariente de carto-api.html.
• Lee los aportes de D1 y los dibuja a medida que llegan.
• Capas por comisión y por consigna.
• Jerarquía por zoom: esferas en la escala lejana, aportes en la intermedia, detalle en la cercana.

3.4 Página síntesis

• Una sola página que condensa proceso y resultados: presentación del ejercicio, mapa embebido, galería de esferas, síntesis semanales, cifras del curso.
• Lee el mismo dataset: se actualiza sola durante el cuatrimestre y queda como archivo del curso al cierre.

3.5 PLIS en el taller

• Estudiantes → Telegram: accesible, multiplataforma, masivo.
• Equipo docente → PLIS + cámara 360: captura de las esferas en los puntos elegidos.
• Evolución de PLIS: sumar un campo de identificador de punto / consigna; la subida a R2 se mantiene.

3.6 Construcción de esferas

Cada esfera es un punto de la ciudad que condensa capas: 1. la imagen 360 capturada con PLIS; 2. los aportes de Telegram dentro de un radio alrededor del punto; 3. la investigación del agente sobre el lugar; 4. datos ambientales (por ejemplo, viento vía Open-Meteo).

Se ve en el visor 360, que pasa a leer esas capas además de la imagen. En el lugar físico, un QR abre la esfera de ese punto. La AR (WebXR) queda como segunda etapa.

Secuencia del dispositivo: los estudiantes recolectan → el agente condensa → el equipo docente construye las esferas → la ciudad las devuelve vía QR.

4. Motor de IA y costos

Workers AI (Cloudflare): catálogo de modelos abiertos (Llama, Mistral, Qwen, derivados de DeepSeek-R1, Whisper para voz).

• Nivel gratuito: 10.000 "neurons" por día.
• Por encima, con el plan Workers Paid: USD 0,011 cada 1.000 neurons.
• Transcripción de voz: del orden de USD 0,0005 por minuto de audio.
• Estrategia: modelos livianos para la conversación diaria; un modelo mayor solo para la síntesis semanal; tope de gasto configurado.

(Valores relevados en octubre 2026; verificar al momento de implementar.)

4.1 Modelo, servicio y modelo abierto

El modelo es un archivo: un archivo enorme de números (los "pesos"), obtenido entrenando una computadora con cantidades gigantescas de texto. Esos números codifican cómo se relacionan las palabras; por eso, ante un texto, el modelo produce una respuesta. Para funcionar, el archivo se carga en computadoras potentes con placas especiales (GPU), que lo ponen a trabajar cada vez que llega un mensaje.

El servicio es la empresa haciendo funcionar ese archivo en sus propias computadoras y ofreciéndolo al público: una app de chat, o una conexión para programas (API). Al usar el servicio, los mensajes viajan a las computadoras de la empresa, se procesan ahí, y la empresa define qué pasa con esos datos.

Un modelo abierto es un modelo cuya empresa creadora publicó el archivo para que cualquiera lo descargue y lo haga funcionar en sus propias computadoras: una universidad, un laboratorio, un proveedor de infraestructura como Cloudflare. Los modelos cerrados (GPT, Gemini, Claude) se usan exclusivamente a través del servicio de su empresa.

Analogía en clave de arquitectura: un estudio diseña un prototipo de vivienda. Se puede contratar al estudio para que la construya (el servicio): el estudio entra a la obra, maneja los materiales y decide cómo trabajar. O, si el estudio publicó los planos (modelo abierto), cualquier constructor la levanta en el terreno propio: la casa es la misma, y el estudio original nunca pisa la obra.

En este proyecto: DeepSeek, Meta o Mistral diseñaron el modelo y publicaron los planos; Cloudflare es el constructor que lo levanta en su infraestructura; la obra, es decir los aportes de los estudiantes, ocurre en la cuenta del proyecto. Los mensajes viajan de la cuenta del proyecto al modelo y vuelven, y la empresa creadora queda completamente afuera del circuito.

5. Protocolo ético

Síntesis para la reunión docente: modelos abiertos, en infraestructura que el proyecto controla, con datos mínimos, consentidos y con fecha de vencimiento, y con la interpretación siempre en manos humanas.

1. Modelo abierto — auditable, estudiable, portable; los estudiantes pueden saber qué modelo usa el agente y cómo funciona.
2. Infraestructura controlada, con horizonte universitario — hoy, la cuenta Cloudflare del proyecto (empresa estadounidense: sus condiciones de uso de datos se leen y se citan en el protocolo); mañana, servidores de la UBA / FADU. La arquitectura queda preparada para esa mudanza.
3. Diseño protector
   • Minimización: solo lo que el ejercicio necesita; alias del curso en lugar de usuarios personales; ubicaciones cercanas a domicilios difuminadas.
   • Consentimiento informado y reversible: qué se recolecta, dónde va, para qué; posibilidad de retirar aportes.
   • Plazo de vida: al cierre del cuatrimestre se borran los datos personales y queda un archivo anonimizado.
   • Imágenes 360: rostros y patentes difuminados antes de publicar.
   • Transparencia: siempre queda claro cuándo habla el agente y con qué fuentes.
4. Rol de la IA: condensar — el agente pone relaciones en relieve; lectura, evaluación y conclusiones son de estudiantes y docentes. La autoría queda en el taller.
5. Proporción — modelos chicos, llamadas acotadas: menor consumo energético y costo casi nulo.
6. Telegram, nombrado con honestidad — es también una empresa con sus políticas, y los estudiantes participan desde cuentas personales. Existen alternativas abiertas (Matrix) menos accesibles para un curso masivo. Elegir Telegram es una decisión de accesibilidad, declarada como tal.

6. Etapas de evolución

• Etapa 0 (2da semana octubre) — Diseño (actual): arquitectura, protocolo ético, presentación en la Mesa Incubadora.
• Etapa 1 (3ra semana octubre) — Piloto con una comisión: bot de recolección + mapa + una esfera con QR.
• Etapa 2 — (4ta semana octubre) Agente HORNERO: respuestas por mención, transcripción, síntesis semanal.
• Etapa 3 — (1ra semana noviembre) Curso completo: todas las comisiones, página síntesis, varias esferas urbanas.
• Etapa 4 — (2da semana noviembre) Proyecto de investigación FADU: marco teórico-metodológico, código abierto publicado, protocolos didácticos transferibles; horizonte de infraestructura universitaria y propuestas para AR.

7. Des arroyos

Implementación en el taller proyectual