El excedente humano en la cadena dato–generación–obra

Hay una pregunta que el arte de datos vuelve inevitable y que la teoría todavía no ha sabido responder con precisión. Cuando el material de la obra es un conjunto de datos masivo que el artista no ha producido —telemetría de un acelerador de partículas, registros de sueño, archivos de un periódico— y la forma final la genera un algoritmo que el artista no ejecuta a mano, ¿qué hace exactamente el artista? ¿Dónde está su trabajo, si no escribe el dato ni dibuja la imagen?

La respuesta fácil es que no hace casi nada: aprieta un botón, elige un dataset, deja que la máquina trabaje. Es la respuesta que sostiene tanto el entusiasmo tecnófilo —“el algoritmo crea”— como el desdén —“eso no es arte”—. Las dos comparten un error: suponen que hacer arte es producir el contenido o ejecutar la forma, y que si el humano no hace ninguna de las dos cosas, no queda nada que sea suyo.

Este texto sostiene lo contrario. Que hay un trabajo artístico específico en esa cadena, que es real y localizable, y que no consiste en añadir —ni contenido ni forma— sino en modular: decidir el umbral, imponer la restricción, introducir el quiebre, parametrizar el criterio. Abro con él la línea Cosmic Data LAB, dedicada a la articulación entre datos, generación algorítmica y producción de obra con participación humana. Y lo hago porque esa modulación es, me parece, uno de los lugares más limpios donde observar lo que en otra parte de mi investigación llamo excedente: algo que reorganiza un sistema sin quedar absorbido por su función.

1. Qué quiere decir “proceso sin significado”

Empiezo por los casos, porque la tesis se ve mejor en ellos que en abstracto. Cuatro artistas que trabajan con datos masivos y generación algorítmica, y cuatro lugares distintos donde aparece la decisión humana.

Ryoji Ikeda trabaja con datos científicos en bruto: colisiones de partículas del CERN, coordenadas astronómicas, secuencias del genoma. No los interpreta ni los ilustra; los mapea directamente a frecuencias de sonido y matrices de píxeles. El dato modula el voltaje de la luz y del sonido sin traducción alegórica. Entonces, ¿qué decide Ikeda? Decide el umbral y el montaje: qué rangos del flujo masivo se descartan o se ralentizan para que el aparato perceptivo humano pueda registrarlos como ritmo, la partición del dato en secuencias, la escala espacial de la instalación. Su trabajo no está en el dato ni en su transformación automática, sino en calibrar dónde ese flujo se vuelve perceptible. Decide el borde.

Laurie Frick trabaja con sus propios datos personales: sueño, localización, actividad. Los reduce a grillas y códigos de color mediante reglas geométricas en software, y entonces hace algo decisivo: los saca de la pantalla. Corta madera, ensambla mosaicos, teje, pinta a mano sobre rejillas físicas. Su decisión está en el quiebre del rigor algorítmico: elige paletas según su memoria emocional de la luz de un lugar, e introduce la imperfección inevitable del material —la veta de la madera, la absorción desigual de la acuarela—. El dato digital vuelve, por decisión suya, a una escala corporal. Decide la fricción.

Giorgia Lupi trabaja con datos que muchas veces ella misma define como dignos de medirse: cuántas veces mira el reloj, qué piensa, qué siente. Rechaza los gráficos estándar y construye sistemas visuales hechos a mano donde lo cualitativo —emoción, contexto, interrupción— se mapea en grosor, inclinación, capa. Su decisión está aguas arriba de todo: en la taxonomía. Decide qué cuenta como dato, qué merece registrarse, incorporando lo anecdótico y lo subjetivo como variables duras. Y decide imponer una lectura lenta, donde la leyenda es parte de la obra. Decide qué entra.

Jer Thorp trabaja con archivos institucionales: el histórico del New York Times, los nombres de las víctimas del 11-S. Programa algoritmos de organización relacional. Para el memorial, escribió un algoritmo que no optimizaba espacio, sino que colocaba los nombres según “proximidad significativa”: relaciones personales pedidas por los familiares, codificadas a mano. Su decisión está en la parametrización ética del código: el algoritmo ejecuta un criterio humano —agrupar por afecto, no por alfabeto— que él introdujo. Decide la regla.

Umbral, fricción, taxonomía, regla. Cuatro lugares distintos, una misma estructura: en ninguno de los cuatro el artista produce el dato o ejecuta la forma final. En los cuatro, sin embargo, hay una decisión que determina la obra y que ningún algoritmo tomó.

2. El trabajo es sustracción, no adición

Lo que estos casos tienen en común conviene nombrarlo con precisión, porque es lo que rompe el falso dilema entre “el algoritmo crea” y “eso no es arte”.

El trabajo artístico, aquí, no consiste en añadir. No añade contenido —el dato ya está, y es externo y masivo—. No añade forma —la genera el sistema—. Lo que hace el artista es operar sobre un proceso que, por defecto, tendería a la acumulación infinita y a la indiferencia. Un dataset masivo no tiene umbral, no tiene borde, no jerarquiza: trata cada registro igual que cualquier otro, sin principio ni final. Es lo que Lev Manovich identificó como la forma cultural propia de la era informática: la base de datos como colección sin narrativa, donde nada pesa más que nada.

El artista interviene precisamente ahí: introduce lo que el dato no tiene por sí mismo. Un umbral (Ikeda), una resistencia material (Frick), un criterio de qué importa (Lupi), una regla de sentido (Thorp). Todas son operaciones de sustracción y modulación, no de adición: recortan, frenan, jerarquizan, imponen fricción a un flujo que sin esa intervención seguiría siendo acumulación neutra. El artista no llena un vacío. Pone un límite donde no lo había.

Esto tiene una consecuencia que me importa, y es donde esta línea se conecta con el resto de mi investigación. Si el excedente —en el sentido en que vengo usando el término: una diferencia que reorganiza un sistema sin dejarse absorber por su función— apareciera aquí, no aparecería como algo que el artista agrega a los datos. Aparecería como el efecto de esa modulación: el momento en que el sistema dato–algoritmo, que estaba para procesar y acumular, produce en cambio una configuración que su función primaria no contemplaba. El umbral de Ikeda no estaba en los datos del CERN. La proximidad afectiva no estaba en la lista de víctimas. Eso que no estaba, y que la intervención hace aparecer sin añadirlo como contenido, es el lugar donde conviene buscar el excedente.

3. Por qué importa no confundirlo con espectáculo

Hay una objeción necesaria, y no la esquivo, porque es la que mantiene honesta a esta línea.

No todo arte de datos modula. Buena parte se limita a espectacularizar: convierte el dato masivo en una masa de luz sublime, en oleadas matemáticas hipnóticas, y se detiene ahí. Wesley Goatley lo ha criticado con dureza: esa estética del big data como espectáculo puede funcionar como cortina de humo, despojando al dato de su carga política y ocultando las infraestructuras de vigilancia y los sesgos que lo produjeron. El dato se vuelve bello justo para que no preguntemos de dónde salió ni a quién vigila.

La distinción es exactamente la de mi marco. Cuando la operación sobre el dato queda subordinada a la función —impresionar, capturar la atención, producir lo sublime como efecto—, no hay excedente, por espectacular que sea el resultado. La reorganización se agota en cumplir su función de espectáculo. Hay excedente solo cuando la modulación produce algo que la función no puede reabsorber: cuando el umbral, la fricción o la regla revelan una diferencia que el sistema no estaba para producir y que reorganiza cómo se lee el campo entero.

Por eso la pregunta de esta línea no es “¿es bonito el dato convertido en imagen?”, sino “¿qué hace exactamente el artista en la cadena, y produce su intervención un excedente o solo un espectáculo eficaz?”. La primera pregunta la responde cualquiera. La segunda discrimina.

4. Una laguna, que es el programa de esta línea

Cierro señalando lo que no existe, porque es lo que justifica abrir Cosmic Data LAB como línea y no como un texto suelto.

El concepto que más se acerca a lo que aquí describo viene de la ingeniería, no del arte: el human-in-the-loop, el humano en el bucle. Pero en su campo de origen —aprendizaje automático, diseño de sistemas— ese humano se piensa de manera estrictamente instrumental: interviene para corregir sesgos, validar resultados, etiquetar lo ambiguo, servir de control de calidad. Es un humano funcional, una pieza del rendimiento del sistema.

No existe, hasta donde he podido rastrear, una teorización estética de ese papel. Nadie ha pensado el humano en el bucle como autor de un excedente: como el agente que, sin escribir el dato ni ejecutar la forma, introduce la modulación de la que depende que haya o no acontecimiento artístico. La teoría está partida en dos polos que se ignoran: la estética generativa pura, que celebra la autonomía del sistema y reduce al humano a quien aprieta el interruptor; y el diseño de interacción, que estudia al espectador pero no la firma conceptual del artista sobre el flujo automatizado. Entre ambos, el lugar exacto donde trabajan Ikeda, Frick, Lupi y Thorp, no tiene todavía una teoría.

Ese hueco es el programa de esta línea. No se trata de decidir si el arte de datos es arte —pregunta perezosa—, sino de describir con precisión qué operación realiza el artista cuando ya no produce el contenido ni ejecuta la forma, y bajo qué condiciones esa operación produce un excedente y no un mero espectáculo de datos. Lo que el artista hace cuando ya no hace la obra: eso es lo que quiero pensar aquí.

Este cuaderno queda abierto, como siempre, a quien quiera intervenir —desde el arte de datos, la estética computacional, los estudios de software o la práctica.

Fuentes

Manovich, L. (2001). The Language of New Media. Cambridge, MA: MIT Press. (Cap. “The Database”: la base de datos como forma simbólica de la era informática.)

Goatley, W. (2019). A Promise and a Strategy: Transparency, Spectacle, and Critical Data Aesthetics. Datatata Conference Proceedings.

Hayles, N. K. (2008). Electronic Literature: New Horizons for the Literary. Notre Dame: University of Notre Dame Press. (Base de datos y narrativa como formas mutuamente constitutivas.)

Mosqueira-Rey, E., Hernández-Pereira, E., Alonso-Ríos, D., Bobes-Bascarán, J., & Fernández-Leal, Á. (2023). Human-in-the-loop machine learning: a state of the art. Artificial Intelligence Review, 56, 3005–3054. https://doi.org/10.1007/s10462-022-10246-w

Ikeda, R. data-verse (2019–2020) y datamatics (2006–). Documentación de exposiciones (Almine Rech; Taro Nasu Gallery).

Frick, L. FRICKbits y series de visualización de datos personales. Documentación de proyecto. https://www.frickbits.com

Lupi, G. Dear Data (con Stefanie Posavec, 2016) y metodología Data Humanism. Pentagram. https://www.pentagram.com/about/giorgia-lupi

Thorp, J. Algoritmo de adyacencia del National September 11 Memorial; residencia en The New York Times. https://www.ted.com/speakers/jer_thorp

Esteban Ruiz, J. A. Art as Structural Surplus: Toward a Relational Ontology Beyond Human Authorship (V2.3). PhilArchive y Zenodo, 2026.