Artículo publicado en las memorias del II CONGRESO NACIONAL Y I INTERNACIONAL DE LA

RED DE INVESTIGADORES EN ADMINISTRACIÓN. Universidad del Quindío. Armenia, 24,25 y

26 de octubre de 2013. ISSN: 2357-4860

LA CULTURA ORGANIZACIONAL COMO UN SISTEMA COMPLEJO:

Emergencia, Evolución y Adaptación a Través del Modelamiento y la
Simulación

ORGANIZATIONAL CULTURE AS A COMPLEX SYSTEM:

Emergency, Evolution and Adaptation Across the Modeling and Simulation
Rodrigo Martínez Díaz1; Álvaro Zapata Domínguez2

Resumen
Esta investigación busca propiciar el estudio de los fenómenos sociales colectivos
centrado en la cultura organizacional y abordándolo desde la perspectiva de las
ciencias de la complejidad como un fenómeno con las características de un
sistema complejo adaptativo que debe afrontarse mediante las herramientas y
procedimientos apropiadas. Se estimula la comprensión y utilización de las
metodologías de modelamiento y simulación avanzadas como un tercer paradigma
para la investigación científica.
Se describen las características de los paradigmas del modelamiento y simulación
basado en agentes (ABMS) y el de Creencias, Deseos, Actitudes (BDI)
proponiendo su integración para aprovechar las ventajas inherentes de cada uno.
Estos planteamientos están direccionados en armonía con las recomendaciones
de la Comisión Gulbenkian liderada por Immanuel Wallerstein para la
reestructuración de las Ciencias Sociales.

Palabras Clave: Cultura Organizacional; Complejidad; Inteligencia Artificial;

Agentes; ABMS

Clasificación JEL: C63, C70, D23, M14

1Magister en Administración de Empresas. Universidad del Valle. Doctorando en Administración, Universidad del Valle,
Cali/Colombia. Grupo de Investigación Humanismo y Gestión, Universidad del Valle.
E-mail: rodrigomartinezdiaz@gmail.com.

2Magister en Administración. Universidad del Valle. Ph.D. en Administración. École des Hautes Commerciales (HEC),
Universidad de Montreal. Grupo de Investigación Humanismo y Gestión, Universidad del Valle.
E-mail: alzapatado@gmail.com

1
ABSTRAC

This research seeks to promote the study of collective social phenomena focused
on organizational culture and approaching it from the perspective of complexity
science as a phenomenon with the characteristics of a complex adaptive system
that must be addressed by appropriate tools and procedures. It promotes the
understanding and use of modeling and simulation methodologies advanced as a
third paradigm for scientific research.

We describe the characteristics of the paradigms of modeling and agent-based

simulation (ABMS) and the Beliefs, Desires, Attitudes (BDI) proposing integration
to leverage the inherent advantages of each. These approaches are addressed in
line with the recommendations of the Gulbenkian Commission led by Immanuel
Wallerstein to restructure Social Sciences.

Key Words: Organizational Culture, Complexity, Artificial Intelligence, Agents,

ABMS

JEL Classification: C63, C70, D23, M14

2
INTRODUCCIÓN

Complejidad, Sociedades, Organizaciones y Cultura

La complejidad abraza la aparición de conceptos generales independientes del

paisaje, es una cualidad de los sistemas dinámicos adaptativos (San Miguel,
Toral, & Eguíluz, 2004). En razón a estas propiedades hay diferentes campos del
saber que pueden ser actualizados e innovados. Las ciencias sociales son
candidatas con buen potencial para aprovechar los avances de otros campos de
las ciencias en un trabajo de corte transdisciplinar (Ball, 2003) en (San Miguel,
Toral, & Eguíluz, 2004).

El comportamiento de las sociedades ha ocasionado por diferentes razones

económicas, políticas etc. la aparición de las organizaciones. Esto se constituye
en un hecho trascendental porque las organizaciones han ido asumiendo los roles
de la sociedad. Se han convertido en el sustituto de la sociedad, a decir de Perrow
(1992). Existe una percepción dominante en el sentido de las organizaciones
como “sociedades en pequeño” (Silverman, 1970) citado por Allaire y Firsirotu
(1984). Si se acepta este criterio, estas sociedades en miniatura deberán
evidenciar diferentes rasgos culturales (Allaire & Firsirotu, 1984). El estudio de la
cultura conduce al análisis organizacional por diferentes trayectorias que
vislumbran nuevos aportes a ambas áreas. La concepción de la cultura es
asociada progresivamente a la investigación sobre los asuntos organizacionales
(Smircich, 1983).

1. Complejidad y Procesos Sociales Colectivos

Las ciencias de la complejidad se ocupan de los eventos que resultan de
dinámicas no lineales y se relacionan con áreas como la teoría matemática del
caos (Strogatz, 1994), las estructuras disipativas (Prigonine & Stengers, 1984), y
los sistemas complejos adaptativos (Kauffman, 1995). Los sistemas complejos
adaptativos interaccionan adaptándose unos a otros y a su vez constituyendo otro
sistema que se adapta a las variaciones en su entorno (Stacey, 2005).

3
Las ciencias de la complejidad presentan hoy enormes potencialidades para el
estudio de los procesos sociales colectivos entendidos como resultado de la
interacción de los individuos que componen un sistema (Miceli, Guerrero,
Quinteros, Diaz-Mariano, & Kristoff-Mora Castro, 2006). Las posturas de la
complejidad presentan panoramas de modelización que se colocan por fuera de la
compartamentalización típica de las áreas disciplinares acogiendo una ontología
transcendente sobre los objetos de estudio disciplinares. Para Ball (2003) en (San
Miguel, Toral, & Eguíluz, 2004) “hay campos del saber que tienen el potencial de
ser significativamente reformulados y transformados por la disponibilidad de estos
nuevos conceptos. Algunos aspectos de las ciencias sociales son uno de esos
campos de mayor oportunidad donde parece una importante actividad
transdisciplinar de científicos provenientes del campo de las ciencias físicas” (San
Miguel, Toral, & Eguíluz, 2004, pág. 1).

Los sistemas complejos corresponden a totalidades de diversos componentes que

se relacionan interactivamente entre ellos. Las partes actúan de acuerdo a los
estímulos de sus propios entornos y sin una coordinación definida entre ellas. Se
producen patrones globales emergentes de manera que la emergencia de
comportamientos ordenados y las propiedades del todo no pueden ser
pronosticadas desde los atributos de las partes (MacGuire, McKelvey, Mirabeau, &
Oztas, 2006).

La cultura es un sistema complejo artificial construido por el hombre a través de

interacciones e influencias entre los seres humanos y entre estos y sus entornos
en el transcurso de la vida. Se constituye en proceso social colectivo que exhibe
las propiedades de emergencia, evolución y adaptación.

2. Emergencia, Evolución y Adaptación

El término emergencia reviste una alta relevancia en la literatura de la
complejidad. Se menciona insistentemente en diferentes áreas de la teoría de la
complejidad, la inteligencia artificial distribuida, y en la filosofía. Se utiliza de

4
diferentes maneras para describir eventos donde algún comportamiento
sistemático y global de una comunidad resulta de las acciones de múltiples
agentes autónomos en interacción (Epstein, 2007). Para Epstein (2007)
“emergente” se refiere “patrones macroscópicos estables surgiendo de la
interacción local de agentes” (Epstein, 2007, pág. 35). La conceptualización de la
emergencia se constituye en uno de los conceptos importantes para comprensión
de la complejidad. Los procesos de emergencia pueden parecer como misteriosos,
pero no contienen nada que tenga que ver con eventos místicos o mágicos ni
tampoco acientíficos. Las manifestaciones de la complejidad resultan asombrosas
y paradójicas dado que en general solamente somos capaces para interpretar una
parte del sistema complejo bajo examen, el sistema o el entorno pero no los dos a
la vez (Fromm, 2005).

Según Holland (1995), los fenómenos emergentes en los sistemas son patrones
persistentes típicos con componentes cambiantes que mantienen su coherencia
bajo el cambio. Los sistemas que presentan estas peculiaridades han sido
denominados como sistemas complejos adaptativos (Holland, 1995), “es decir,
ellos son inmutables y cambiantes, constantes y fluctuantes, persistentes y
desplazándose, inevitables e impredecibles” (Fromm, 2005, pág. 1). Definir el
término emergencia no resulta sencillo, se presentan dificultades y como puede
apreciarse con múltiples concepciones. Es el terreno de “un sistema de ideas bien
trillado, pero relativamente no demarcado, un pantano en la discusión” (Miller &
Page, 2007). Un sistema es complejo si se manifiestan dinámicas globales
emergentes como resultado de las acciones de sus componentes, sin la presencia
de un control centralizado, es decir un comportamiento colectivo auto-organizado
que no se puede inferir de las actitudes de los agentes individuales (Boccara,
2010).

La teoría de la evolución se fundamenta en la existencia de un mecanismo

denominado la selección natural que explica el desarrollo de las formas de vida
(Erdi, 2010). La evolución consiste en un enfoque general para la formación de

5
entidades complejas a través de cambios incrementales. A este respecto la
fenomenología de la vida en la tierra tiene una gran riqueza para el tratamiento del
concepto de evolución que puede incluir ajustes en aptitud, divergencia en rasgos
y extinción. Los ajustes son los responsables de las dinámicas evolutivas. Se
pueden utilizar sistemas como el sistema inmunológico y el de software
computacional para la explicación del proceso evolutivo (Bar-Yam, 1997). La
evolución en la vida animal se desarrolla a través de genes y en un sistema
cultural a través de memes.

La evolución cultural de las organizaciones interpretada como una analogía de la

biología con procesos de aprendizaje a través de herencia, imitación,
experiencias de ensayo y error conduce a la estructuración de lo que se define
como memes, que de acuerdo a Sahrov (2009) citado por Morris y otros
corresponden a “códigos mentales que son transferidos a través de un sistema de
comunicación, interpretados por un sistema receptor y transformados en
funciones/acciones” (Morris A. , Whitacre, Ross, & Ulieru, 2011, pág. 4). Los
memes se transmiten entre dos agentes en un sistema social y pueden darse a
través de auto-comunicación, comunicación con estados futuros a través de la
memoria y por comunicación directa por medio de procesos verbales entre los
agentes (Morris A. , Whitacre, Ross, & Ulieru, 2011).

Para Maldonado (2009) la evolución esta inextricablemente ligada a los cambios y

las extinciones, que argumenta, no obedecen a distribuciones normales sino a
leyes de potencia que se hallan en los fundamentos de los eventos no-lineales y
los fenómenos de complejidad creciente. La mejor teoría dedicada al cambio y el
movimiento es la teoría de la evolución (Maldonado, 1999). Los animales en
general no tienen ningún control sobre la evolución, pero en el caso humano la
selección natural ha perdido protagonismo y es la selección cultural con todos sus
rasgos la que domina el panorama evolutivo de hoy (Maldonado, 2009).

La adaptación se refiere a la propiedad para ajustarse a los diferentes entornos

que un sistema presenta conservando sus rasgos distintivos. Para los sistemas

6
sociales los cambios en la normatividad determinan la adecuación del marco
normativo del sistema a las nuevas exigencias (Vivanco Arancibia, 2007). En los
sistemas de alta complejidad -como las sociedades y las organizaciones- la
comunicación entre los agentes produce acciones tendientes a restablecer el
equilibrio. El sistema se auto-organiza tratando de mantener la estabilidad
estructural que “está garantizada por una organización adaptativa que sería
también una función de las condiciones de contorno fluctuantes” (Reynoso, 2006,
pág. 99).

3. La complejidad de la cultura organizacional

La cultura organizacional ha sido objetos de estudio y debate por muchos años,
diferentes autores han elaborado y probado diversos modelos para medir las
dimensiones de la cultura organizacional (Denison, Nieminen, Kotrba, & Lindsey,
2011; Hofstede, 1987; Schein, 1988, [1985]). En estos trabajos se realizan
evaluaciones de diversos modelos que se fundamentan en descripciones e
inferencias de tipo estadístico (regresiones, correlaciones, análisis factorial,
clúster, ecuaciones estructurales y demás técnicas de análisis multivariante) (Hair,
Black, Babin, & Anderson Rolph E., 2006). En general se diagnostica desde el
análisis de un agregado de datos sobre el que los investigadores cuantitativos
presumen distribuciones gaussianas que cumplen con el criterio de normalidad
que supone independencia de datos, varianza finita, intervalos de confianza
definidos y estables (Andriani & McKelvey, 2005). Los resultados se promedian y
generalizan con valores para las dimensiones del constructo cultura organizacional
como: participación, consistencia, adaptabilidad y misión (Denison, Nieminen,
Kotrba, & Lindsey, 2011). Tipo de cultura: clan, adhocrática, de mercado,
jerárquica (Cameron & Quin E., 2006). Hofstede (1987) propone: distancia de
poder, individualismo/colectivismo, masculinidad/feminidad, aversión al riesgo,
orientación de largo plazo/corto plazo, y últimamente indulgencia/restricción
(Hofstede, 1987).

7
Estos procedimientos revelan en alguna medida el estado del constructo cultural
pero no explican cómo se ha llegado a una situación determinada. La
investigación clásica basada en los dos paradigmas tradicionales ha empleado
metodologías cualitativas y cuantitativas con buenos aportes en diversos campos.
En las ciencias sociales en donde las personas se observan el uno al otro, se
hablan entre sí, aprenden de los demás, son influenciados e influencian a los
demás…etcétera, las condiciones que realmente operan son de interdependencia.
Por tanto, los investigadores deberían tomar en cuenta que los eventos extremos
son parte del mundo social y “los hallazgos estadísticos, por tanto, no debieran ser
aceptados en las ciencias de la organización si ellos ganan significancia vía algún
dispositivo de suposición a través del cual los eventos extremos y
(necesariamente) la varianza infinita son ignorados” (Andriani & McKelvey, 2005,
pág. 16). La denegación de estas realidades puede conducir a los profesionales y
consultores a emitir juicios inconvenientes y recomendaciones equívocas a los
administradores.

A este respecto los avances de los algoritmos de las ciencias de la complejidad en

la antropología y las ciencias sociales son prometedores (Miceli, Guerrero,
Quinteros, Diaz-Mariano, & Kristoff-Mora Castro, 2006). El estudio de los sistemas
complejos reviste la presencia de conceptos generales que no dependen del
contexto. Debido a estos alcances es posible representar la sociedad como un
sistema complejo adaptativo en modelos formales. Para avanzar en esta
trayectoria es indispensable arribar a las técnicas computacionales (Vivanco
Arancibia, 2007). Para progresar en estas propuestas se están utilizando los
modelos basados en ecuaciones (MBE) y modelos basados en agentes (MBA).

Los modelos basados en agentes (MBA) poseen superiores atributos a los que se
basan en ecuaciones (MBE) ya que a diferencia de los modelos basados en
ecuaciones permiten generar el comportamiento general de una sociedad a partir
de los comportamientos individuales o técnica bottom-up. A partir de los nuevos
conocimientos y posibilidades algunos científicos han llegado a proponer el

8
desplazamiento hacia una ciencia social generativa enmarcada en lo que se ha
denominado la tercera sistémica que corresponde a un corpus teórico
fundamentado en los planteamientos de algunos investigadores por los años 80.
Se incluyen Ilya Prigogine (1984) con la teoría del no-equilibrio, Rene Thom y la
teoría de las catástrofes, Edgar Morin (1977-1998) y el pensamiento complejo,
entre otros. La ciencia social generativa está basada en los algoritmos de la
complejidad. Pueden mencionarse los autómatas celulares, los modelos multi-
agente, las redes neuronales artificiales y los algoritmos genéticos (Vivanco
Arancibia, 2007).

4. Un ejemplo: El Modelo de diseminación cultural de Axelrod

A modo de ilustración se presenta un bosquejo del modelo basado en agentes de
Axelrod (1997) que inicia con la pregunta inspiradora: “si las personas tienden a
volverse más semejantes en sus creencias, actitudes y comportamiento cuando
interactúan, ¿Por qué no desaparecen en algún momento todas esas diferencias?”
(Axelrod, 2004 [1997], pág. 183). Se trata de explorar un mecanismo adicional a
los que ya han presentado otros científicos sociales que busca explorar la manera
como las personas se tornan más parecidas en sus rasgos culturales cuando
interactúan y explicar porque la tendencia hacia la convergencia se suspende
antes de lograr la homogenización cultural. Se pretende proporcionar un nuevo
tipo de explicación para las razones del porqué no llegamos todos a ser
culturalmente idénticos.

Para Axelrod (1997) la cultura corresponde a un conjunto de rasgos culturales

como el lenguaje, la religión, la filiación política etc. que toman valores no
necesariamente binarios. De esta forma se permite que los rasgos culturales de
cada individuo puedan tomar valores de un rango predeterminado, es decir un
individuo podría definirse como un vector (𝜎𝑖1 , 𝜎𝑖2 , … . 𝜎𝑖𝐹 ) que determina un
determinado atributo para un determinado agente. El primer sufijo i indica la
identificación del agente y el valor del segundo sufijo indica el tipo conglomerado
al que pertenece el agente (el tipo de religión, por ejemplo).

9
Una cultura se expresa por un grupo de valores (F) para cada rasgo cultural y un
número de opciones posibles q, lo que implica que existen qF posibles culturas. El
modelo también considera el concepto de vecindad que sirve para establecer el
grado de influencia de un agente sobre otro. La simulación a medida que se dan
iteraciones posibilita el cambio de creencias y criterios de cada agente para la
toma de decisiones de manera autónoma. Se establece cada vez un tipo de
cultura colectivo que emerge de los comportamientos individuales que han sido
previstos por el sistema (San Miguel, Toral, & Eguíluz, 2004).

El modelo de diseminación cultural de Axelrod (1974) se fundamenta sobre dos

premisas: 1) el principio de homofilia, que indica que la interacción tiene mayor
probabilidad de ocurrencia entre individuos con rasgos culturales parecidos y; 2) el
principio de influencia social, que considera que la interacción entre agentes
impulsa la formación de semejanzas culturales.

A pesar de que el modelo de Axelrod (1974) se basa en estos dos principios que
intuitivamente conducirían a una globalización de los rasgos culturales se
evidenció que se logra sostener un estado de diversidad cultural (polarización). El
dispositivo de convergencia local empleado -los individuos se hacen más similares
a través de la interacción, pero también se hacen más diferentes de los demás-
tiene la posibilidad de evolucionar hacia la diversidad cultural si se supera un valor
critico Qc para el número de opciones de cada rasgo. Si este parámetro es inferior
a ese valor crítico resulta un estado de globalización cultural. El resultado del
fenómeno cultural se observa en la Figura 1 en donde se describen las fases de
emergencia, evolución y adaptación. La combinación de homofilia e influencia
social produce y mantiene la diversidad cultural al crear barreras culturales
(Universidad de las Islas Baleares. IFISC, 2006).

10
 Figura 1 Emergencia, Evolución y Adaptación Cultural

eeeeion

Fuente: http://ifisc.uib-csic.es/research_topics/socio/WEBSOCIOFISICA.pdf

La dinámica de la red se congela cuando todos los agentes llegan a adquirir los
mismos rasgos o cuando no hay vecinos que tengan algún rasgo en común. El
modelo de Axelrod (1997) permite experimentar a manera de laboratorio
computacional una serie de alternativas que suceden en la evolución de la
dinámica social en la vida real como la formación y evolución de redes, los
principios básicos de la competencia entre fenómenos colectivos auto-
organizados, los efectos exógenos debidos al marketing y la influencia de los
mensajes emitidos por los diferentes medios de comunicación (San Miguel, 2012).
En la Figura 1 se pueden apreciar los tres procesos fundamentales de los
sistemas complejos adaptativos: emergencia, evolución y adaptación y la
posibilidad de transición hacia la globalización o la polarización cultural
dependiendo de los parámetros del modelo.

11
En la contemporaneidad los investigadores han desarrollado nuevos modelos para
el estudio del comportamiento organizacional (Chao & Moon, 2005). La cultura
organizacional ha sido expresada como un sistema complejo a través de modelos
de influencia y selección utilizando técnicas de balance e información (Frank &
Fahrbach, 1999). Maimone y Mormino (2012) argumentan que la cultura
organizacional no puede considerarse como un sistema monolítico, como un
rompecabezas de rasgos inconsistentes, sino como un universo multidimensional
en donde conviven el isomorfismo y el dis-isomorfismo, la estabilidad y el cambio,
de acuerdo a la escala y el tiempo de análisis. Las investigaciones evidencian un
pluriverso coexistiendo con una meta-cultura débil, por tanto, es adecuado el
enfoque de las ciencias de la complejidad como un marco para desvelar algunas
características ocultas de la cultura en las organizaciones postmodernas
(Maimone & Mormino, 2012).

Frank & Farbach (1999) han elaborado un tratamiento de la cultura organizacional

con las herramientas matemáticas de la dinámica de sistemas que incluye
discontinuidades y no-linealidades y los efectos de la información dentro de
modelos de balance/actitud afectiva. A través de dos procesos fundamentales,
influencia y selección, se determina el tipo de cultura de una organización como un
fenómeno que tiene tanto influencia interna como efectos exógenos. La evolución
de la cultura organizacional resulta ser un proceso caótico complejo. (Frank &
Fahrbach, 1999). Chao y Moon (2005) presentan el concepto de mosaico cultural
para el entendimiento de la complejidad de la cultura, como una conceptualización
metafórica de los múltiples indicadores de cultura usados para describir un
individuo (Chao & Moon, 2005, pág. 1138). A nivel individual se consideran
apropiadas las teorías del caos y las ciencias de la complejidad para entender la
influencia de la cultura en los valores de las personas. A nivel de grupo se
considera conveniente la utilización de la teoría de redes para interpretar las
dinámicas interpersonales dentro de la organización (Chao & Moon, 2005).

12
4.1 La Cultura Artificial. Nicholas Gessler (1995) ha realizado desde tiempo atrás
diversas contribuciones al tema de la cultura artificial y destaca los beneficios de la
utilización del paradigma de la vida artificial al estudio científico de la evolución
cultural que denomina como el programa de la cultura artificial (Gessler, 1995).
Gessler (2004) sustenta su argumentación hacia la pertinencia de la cultura
artificial anotando que “mientras ellos usan mentalidades tradicionales para
estudiar a las personas que escriben y utilizan simulaciones, nuestro fin es el uso
de mentalidades evolutivas y computacionales para estudiar a las personas
mediante la escritura y el uso de simulaciones” (Gessler, 2004, pág. 3), (Gessler,
2004). Las aplicaciones de los algoritmos de las ciencias de la complejidad en la
antropología y las ciencias sociales son prometedores (Miceli, Guerrero,
Quinteros, Diaz-Mariano, & Kristoff-Mora Castro, 2006).

5. Agentes
“Un agente es un sistema computarizado que está situado en algún entorno, y es
capaz de acción autónoma en este entorno para cumplir con sus objetivos
delegados” (Wooldridge, 2009, pág. 21). La complejidad del proceso de toma de
decisiones del agente puede ser influenciada por las diferentes características del
entorno (Russell & Norvig, 2010). Los agentes inteligentes se caracterizan por
acciones autónomas para lograr sus objetivos de diseño, la flexibilidad se refiere a
reactividad, pro-actividad y actitud social (Wooldridge, 2009). Los agentes pueden
decidir en base al presente, en cuyo caso se denominan como agentes puramente
reactivos o en base al presente y la historia llamados agentes con estado. Las
arquitecturas concretas para los agentes inteligentes se clasifican como basadas
en la lógica, reactivas, creencias-deseos-intenciones (BDI), y por capas
(Woodlridge, 1999). La técnica ABMS se fundamenta sobre la demostración de
técnicas altamente exitosas que incluyen la simulación de eventos discretos y
programación orientada a objetos. El paradigma de la modelización y simulación
basada en agentes (Agent-Based Modeling and Simulation –ABMS-) puede

13
proporcionar nuevas estrategias de solución a los problemas de hoy (North &
Macal, 2007).

5.1 Agentes BDI. Esta arquitectura corresponde a la escuela cognitiva y se inspira

en la visión cognitiva del ser humano (Bratman, 1987). Fundamenta sus raíces en
la tradición filosófica de la comprensión del razonamiento práctico, es decir el
proceso de decisión momento a momento sobre la acción a tomar para el
cumplimiento de nuestros objetivos. El razonamiento práctico involucra: 1) que
fines deseamos lograr y; 2) como lograr esos fines. Los agentes BDI no solo
intercambian datos, sino que se acercan a la representación de las actividades
sociales de nuestra vida diaria: cooperación, coordinación, negociación y
similares. La teoría del modelo BDI considera no únicamente la ejecución de
planes, sino su formación, conservación, terminación, modificación y
reconsideración.

En la arquitectura BDI las intenciones son procesadas integradamente con los

deseos y las creencias para configurar la estructura mental de un agente, la cual
determina su comportamiento hacia el logro de sus objetivos (Ren, 2011). La
estructuración de las intenciones depende de un modelo de mundos posibles. Las
intenciones se comportan como planes de acción parciales que el agente debe
realizar para cumplir con sus fines (Olivares Ceja, 2002).

El modelo BDI combina tres componentes principales: 1) el aspecto filosófico que

se estudia el razonamiento práctico, dirigido hacia las acciones y que comprende
la deliberación y el razonamiento medios-fines. Los resultados de la deliberación
son las acciones; 2) la arquitectura de software, que se encarga de la
implementación de los agentes BDI y; 3) el sistema lógico que determina los
principios que rigen el estado mental del agente para guiar deseos, intenciones y
acciones. Son muy utilizadas las lógicas modales y temporales (Woldrige & Simon,
2003). El proceso sintetizado de operación del agente BDI racional se presenta en
la Figura 2.

14
 Figura 2 Agente Racional - BDI

ALTERNATIVAS
DESEOS CREENCIAS

FILTRO

INTENCIONES PERFECCIONAMIENTO

ACCIONES

Fuente: http://www.agentgroup.ing.unimo.it/Zambonelli/PDF/T6_4.pdf

6. Discusión y perspectivas
El modelamiento y simulación basado en agentes (ABMS) utiliza generalmente
entidades relativamente simples que reaccionan ante estímulos provenientes del
entorno. Este paradigma ha sido exitoso en el aspecto ecológico, pero no siempre
ocurre lo mismo cuando se trata de simular el comportamiento de los seres
humanos (Padgham, Scerri, Jayatilleke, & Hickmott, 2011). El modelo de agentes
BDI proporciona un equilibrio entre comportamiento proactivo en busca de las
metas y la respuesta reactiva al entorno posibilitando descripciones de alto nivel
del comportamiento humano. Se ha evidenciado su eficiencia en la construcción
de aplicaciones complejas (Benfield, Hendrickson, & Galanti, 2006).

Los trabajos de investigación deben propiciar la construcción de nuevas teorías, la

validación y actualización de las teorías existentes e impulsar la construcción de
una comunidad transdisciplinar de científicos sociales que apliquen los desarrollos
de otros campos como la física y la inteligencia artificial, que elaboren modelos

15
generativos y ejecuten sus simulaciones. Áreas como la ecología y la biología
evolutiva, las ciencias de la computación, las matemáticas de los sistemas
dinámicos y la vida artificial son potenciales depósitos de nuevas alternativas. Al
mismo tiempo los científicos sociales también pueden ofrecer a los estudiosos de
estas disciplinas sus conocimientos y experiencias en el tratamiento de los
fenómenos en los grupos sociales colectivos (Axelrod, 2005).

Dada la naturaleza compleja de la cultura organizacional y la importancia de su

influencia sobre el comportamiento de los seres humanos dentro de las
organizaciones, se advierte la conveniencia de integración de los dos paradigmas
ABMS para el razonamiento y la toma de decisiones y BDI para la observación y
actuación dentro del mundo. Se intenta obtener mejores descripciones de la
emergencia, evolución y adaptación y ampliar el entendimiento teórico del
fenómeno cultural. Este tipo de estudios aún son escasos. Si se logra desarrollar
simulaciones complejas como se ha propuesto se habrá dado un gran paso
(Padgham, Scerri, Jayatilleke, & Hickmott, 2011).

De acuerdo con Wallerstein (1995) todos los investigadores a partir de sus

orígenes transportan paradigmas y prejuicios que alteran su percepción de la
realidad social y por tanto su objetividad. La idea sería que “empujar las ciencias
sociales a combatir la fragmentación del conocimiento es empujarlas también en
dirección a un grado significativo de objetividad” (Wallerstein, 2001 [1995], pág.
100). Las ciencias de la complejidad con su característica transdisciplinariedad y
específicamente adoptando los métodos de la inteligencia artificial son potenciales
aportantes a este objetivo dirigido hacia la reestructuración de las ciencias
sociales.

REFERENCIAS

Allaire, Y., & Firsirotu, M. (01 de Enero de 1984). Theories of Organizational

Culture. Recuperado el 28 de Octubre de 2012, de Organization Studies:
http://oss.sagepub.com/content/5/3/193

16
Andriani, P. P., & McKelvey, B. (01 de Septiembre de 2005). Beyond Gaussian
Averages: Redirecting Organizational Science Toward Extreme Events and
Power Laws . Recuperado el 07 de Marzo de 2013, de
http://www.international.ucla.edu/cms/files/andriani_mckelvey.pdf
Axelrod, R. (2004 [1997]). La Complejidad de la Cooperacion: Modelos de
Cooperacion y Colaboracion Basados en Agentes. Buenos Aires: Fondo de
Cultura Economica de Argentina.
________. (17 de Mayo de 2005). Advancing the Art of Simulation in the Social
Sciences . Recuperado el 14 de Abril de 2013, de http://www-
personal.umich.edu/~axe/research/AdvancingArtofSim.pdf
Bar-Yam, Y. (1997). Dinamics of Complex Systems. Boulder, Colorado. USA:
Westview Press.
Benfield, S. S., Hendrickson, J., & Galanti, D. (8-12 de Mayo de 2006). Making a
Strong Business Case for Multiagent Technology. Recuperado el 07 de
Marzo de 2013, de agentisoftware.com:
http://jmvidal.cse.sc.edu/library/aamas-06/docs/itInv01.pdf
Boccara, N. (2010). Modeling Complex Systems. New York: Springer.
Bratman, M. E. (1987). Intentions, Plans, and Practical Reason. Harvard University
Press.
Cameron, K. S., & Quin E., R. (2006). Diagnosing and Changing Organizational
Culture. San Francisco: Jossey-Bass.
Chao, G. T., & Moon, H. (2005). The Cultural Mosaic: A Metatheory for
Understanding the Complexity of Culture. Recuperado el 20 de Febrero de
2012, de American Psychological Association:
http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.124.4336
Denison, D., Nieminen, L. R., Kotrba, & Lindsey. (2011). Diagnosing
Organizational Cultures: A Conceptual and Empirical Review of Culture
Effectiveness Surveys. Recuperado el 30 de Septiembre de 2012, de
International Institute for Management Development and the University of
Michigan Business School:
http://www.denisonconsulting.com/sites/default/files/documents/resources/di
agnosing_organizational_cultures_manuscript_with_identifiers_2.3.2012.pdf
Epstein, J. M. (2007). Agent Based Computational Models and Generative Social
Science. En J. M. Epstein, Generative Social Science: Studies in Agent-

17
 Based Computational Models (págs. 4-46). Princeton, New Jersey:
Princeton University Press.
Erdi, P. (2010). Complexity Explained. Berlin: Springer-Verlag.
Frank, K. A., & Fahrbach, K. (Mayo-Junio de 1999). Organization Culture as a
Complex System: Balance and Information in Models of Influence and
Selection. Recuperado el 26 de Septiembre de 2012, de Organization
Science/Vol. 10 No. 3, Ma-June 1999:
https://www.msu.edu/user/k/e/kenfrank/web/papers/Organization%20Cultur
e%20as%20a%20Complex%20System.pdf
Fromm, J. (2005). Types and Forms of Emergence. Recuperado el 13 de Abril de
2013, de http://arxiv.org/ftp/nlin/papers/0506/0506028.pdf
Gessler, N. (1995). Etnography of Artificial Culture: Specifications, Prospects, and
Constrains. Recuperado el 18 de Mayo de 2012, de MIT Press, Cambridge:
http://www.duke.edu/web/isis/gessler/cv-pubs/95ethnoac.htm
_________. (2004). Computer Models of Cultural Evolution. Recuperado el 14 de
Noviembre de 2012, de https://web.duke.edu/isis/gessler/cv-
pubs/02comocultevo.pdf
_________. (2004). The Emergence of Reputation in Natural and Artificial
Cultures. Recuperado el 9 de Noviembre de 2012, de
https://web.duke.edu/isis/gessler/cv-pubs/04reputation.pdf
Hair, J. F., Black, W. C., Babin, B. J., & Anderson Rolph E., T. R. (2006).
Multivariate Data Analisys. Upper Saddle River, New Jersey: Pearson.
Hofstede, G. (1987). Relativité culturelle des pratiques et théories de l'organisation.
Recuperado el 25 de Mayo de 2012, de Revue française de gestion, N°64,
pp.10-20: http://prism.univ-paris1.fr/New/cahiers/.../CR11-01.pdf
Holland, J. H. (1995). Hidden Order: How Adaptation Builds Complexity. New York:
Basic Books.
Kauffman, S. (1995). At Home in the Universe . New York: Oxford University
Press.
Levin, S. A., & H., S. S. (2007). Complex Adaptive Systems. Princeton, New
Jersey: Princeton University Press.
MacGuire, S., McKelvey, B., Mirabeau, L., & Oztas, N. (2006). Complexity
Sciences and Organization Studies. En C. Stewart, C. Hardy, T. B.

18
 Lawrence, & W. R. Nord, The Sage Handbook of Organization Studies
(págs. 165-214). Londres: SAGE Publications Ltd.
Maimone, F., & Mormino, S. (2012). Organizational Cultures: Toward a Complex
Approach for Understanding of Cultures in Postmodern Organizations.
Recuperado el 07 de Enero de 2013, de
http://ijm.cgpublisher.com/product/pub.28/prod.1415
Maldonado, C. E. (1999). Esbozos de una Filosofia de la Logica de la
Complejidad. Recuperado el 12 de Febrero de 2012, de Visiones sobre la
complejidad, 2ª Edición, Colección “Filosofía y Ciencia" -
Colciencias/Fepafem/Academia Nacional de Medicina, pp. 37:
http://carlosmaldonado.org/articulos/Esbozo%20Dr.%20Maldonado.pdf
_____________. (10 de Noviembre de 2009). Evolucion, Teoria de las
Extinciones, Complejidad. Recuperado el 23 de Junio de 2012, de
http://www.carlosmaldonado.org/
Miceli, j. E., Guerrero, S. G., Quinteros, R. A., Diaz-Mariano, D., & Kristoff-Mora
Castro, J. (2006). Teorias de la Complejidad y el Caos en Ciencias
Sociales. Modelos Basados en Agentes y Sociedades Artificiales.
Recuperado el 14 de Noviembre de 2012, de http://revista-
redes.rediris.es/webredes/arsrosario/06-Miceli%20y%20otros.pdf
Morris, A., Whitacre, J., Ross, W., & Ulieru, M. (2011). The Evolution of Cultural
Resilience and Complexity. Recuperado el 29 de Noviembre de 2012, de
http://necsi.edu/events/iccs2011/papers/343.pdf
North, M. J., & Macal, C. (2007). Managing Business Complexity. New York:
Oxford University Press, Inc.
Olivares Ceja, J. M. (Julio de 2002). Un Modelo de Interaccion entre Agentes con
Proposito, Ontologias Mixtas y Eventos Inesperados. Recuperado el 18 de
Abril de 2012, de Tesis Doctoral:
http://www.cic.ipn.mx/sitioCIC/images/sources/cic/tesis/A971632.pdf
Padgham, L., Scerri, D., Jayatilleke, G., & Hickmott, S. (2011). INTEGRATING BDI
REASONING INTO AGENT BASED MODELING AND SIMULATION.
Recuperado el 10 de Marzo de 2013, de
http://www.cs.rmit.edu.au/agents/www/agentsbib/auto-
generated/papers/wsc11-psjh.pdf
Prigonine, I., & Stengers, I. (1984). Order Out of Chaos. New York: Bantam Books.

19
Ren, Q. (Agosto de 2011). A BDI AGENT BASED FRAMEWORK FOR
MODELING AND SIMULATION OF CYBER PHYSICAL SYSTEMS.
Recuperado el 22 de Marzo de 2013, de Tesis de Maestria:
http://digital.library.temple.edu/cdm/singleitem/collection/p245801coll10/id/2
13130/rec/20
Reynoso, C. (2006). Complejidad y Caos: una exploracion antropologica. Buenos
Aires: Editorial Tapeyu, Buenos Aires.
Russell, S. J., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach.
Upper Sadle: Pearson.
San Miguel, M. (2012). Fenomenos Colectivos Sociales. Recuperado el 13 de
Mayo de 2013, de IFISC (CSIC-UIB), Campus Universitat Illes Balears,. E-
07071 Palma de Mallorca.:
http://digital.csic.es/bitstream/10261/79529/1/fenomenos_colectivos_SanMi
guel.pdf
____________., Toral, R., & Eguíluz, V. M. (2004). Redes Complejas en la
Dinámica Social. Recuperado el 27 de Septiembre de 2012, de
http://www.ifisc.uib.es/raul/publications/O/O8_ste06.pdf
Schein, E. (Enero de 1988, [1985]). Organizational Culture and Leadership.
Barcelona: Plaza & Janes, Editores.
Smircich, L. (1983). CONCEPTOS DE CULTURA Y ANÁLISIS
ORGANIZACIONAL. Recuperado el 20 de Mayo de 2012, de
http://colaboracion.uv.mx/iiesca/Lists/Anuncios/Attachments/554/Cultura%2
0y%20an%C3%A1lisis%20organizacional.pdf
Stacey, R. (2005). Experiencing Emergence in Organizations. New York:
Routledge.
Strogatz, S. (1994). Nonlinear Dynamics and Chaos. Cambridge, Ma.: Perseus
Books Publishing, LLC.
Universidad de las Islas Baleares. IFISC. (2006). Noise and complex networks in
the propagation of culture - IFISC. Recuperado el 22 de Junio de 2013, de
http://ifisc.uib-csic.es/research_topics/socio/WEBSOCIOFISICA.pdf
Vivanco Arancibia, M. (Noviembre de 2007). Temas de la Complejidad I.
Recuperado el 14 de Febrero de 2012, de
http://www.google.com.co/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&v
ed=0CDIQFjAA&url=http%3A%2F%2Fwww.facso.uchile.cl%2Fu%2Fdownlo
ad.jsp%3Fdocument%3D65287%26property%3Dattachment%26index%3D

20
 0%26content%3Dnull&ei=OcAeUfLLEY6c9QT-
kIHoCA&usg=AFQjCNG0RSeF3UgpM
Wallerstein, I. (2001 [1995]). Abrir las Ciencias Sociales - Informe de la Comision
Gulbenkian para la Reestructuracion de las Ciencias Sociales. Mexico. D.F.:
Siglo XXI.
Woldrige, M., & Simon, P. (2003). Ratioanl Action- Lecture 4 - the BDI Model.
Recuperado el 14 de Febrero de 2012, de
http://www.agentgroup.ing.unimo.it/Zambonelli/PDF/T6_4.pdf
__________. (1999). Intelligent Agents . En G. Weiss, Multiagen Systems: A
Modern Approach to Distributed Artificial Intelligence (págs. 27-77).
Cambridge, Massachusets: MIT press.
__________. (2009). An Introduction of Mutiagents Systems. UK: John Wiley &
Sons.

21