0DATA-2026-018 · 25 de julio de 2026 · Biotech Infrastructure

Biosíntesis de Datos

Un organismo biológico nunca injerta las proteínas de su presa — rechazo inmunitario. Las hidroliza en aminoácidos, invariantes no apropiables, y luego re-sintetiza sus propias proteínas. Del mismo modo, un sistema digital puede extraer las estadísticas suficientes de datos externos — distribuciones, restricciones, invariantes físicos — y luego re-sintetizar mediante un generador restringido. Este documento describe la arquitectura técnica de este proceso. Las implicaciones jurídicas de la extracción de invariantes estadísticos son complejas, dependen de la jurisdicción, y no quedan resueltas por este documento. La arquitectura descrita es un prerrequisito técnico para toda discusión sobre soberanía digital — no constituye asesoramiento jurídico.

1. El Problema: La Dependencia Jurídica

1.1 Los Datos Como Proteínas Ajenas

Del mismo modo que un organismo no puede injertar las proteínas de otra especie sin desencadenar un rechazo inmunitario masivo (Documentos 004, 005, 017), un organismo digital no puede importar datos bajo licencia sin desencadenar un rechazo jurídico. La licencia es un antígeno.

El problema es doble:

El Documento 004 — El Injerto Digital — estableció que un organismo 0DATA no puede simplemente «pegar» un componente externo. El Documento 010 — El Código Genético — demostró que toda función es la expresión de un gen invariante, no un módulo importado. Este documento resuelve la cuestión simétrica: ¿cómo puede un organismo 0DATA alimentarse de datos externos sin volverse dependiente de ellos?

Importar datos es importar una licencia. Importar restricciones es importar la física. La física no pertenece a nadie.

1.2 El Caso Autodata

Tomemos el ejemplo concreto del Garage Durand, cliente 0DATA. Para funcionar, necesita datos de reparación de automóviles: pares de apriete, esquemas eléctricos, tolerancias de motor, procedimientos de diagnóstico. Estos datos están en manos de editores como Autodata, bajo licencia.

Si Durand integra directamente la base Autodata en su organismo Forge:

• La licencia Autodata gobierna lo que Durand puede hacer con sus propios datos
• Si Autodata triplica sus tarifas, el organismo de Durand queda secuestrado
• Si Durand entrena un modelo con estos esquemas, corre el riesgo de memorizar imágenes protegidas por derechos de autor
• Una auditoría de conformidad puede revelar una infracción — incluso involuntaria

La solución no es eludir la licencia. La solución es no necesitar los datos.

2. La Lección de lo Vivo: Digestión Enzimática

2.1 Hidrólisis de las Proteínas

En el tubo digestivo, las proteínas ingeridas — ya provengan de la ternera, la soja o el trigo — son sistemáticamente hidrolizadas. Las enzimas (pepsina, tripsina, quimotripsina) rompen los enlaces peptídicos. El resultado no es «una proteína de ternera parcialmente digerida». Es un conjunto de aminoácidos libres — alanina, glicina, lisina, triptófano — indistinguibles de los procedentes de cualquier otra fuente.

Un aminoácido no tiene dueño. Una distribución de probabilidad no tiene copyright. Una restricción física no es patentable. Los hechos son el dominio público del universo.

2.2 ¿Qué Es un Aminoácido Digital?

En biología, los aminoácidos son los invariantes de la digestión proteica. Sea cual sea la proteína fuente — los 20 aminoácidos estándar son siempre los mismos. Del mismo modo, toda base de datos, por muy propietaria que sea, está construida sobre invariantes estadísticos y físicos que no son apropiables:

Estos invariantes son los «aminoácidos digitales». Se extraen de los datos fuente, pero no son los datos fuente. No contienen ninguna de sus filas, ninguna imagen, ningún esquema identificable. Son el equivalente informacional de la alanina libre en la sangre: utilizables, reconstituibles, pero sin procedencia jurídica.

3. Biosíntesis: El Generador Restringido

3.1 El Principio

Una vez extraídos los aminoácidos digitales, el organismo 0DATA activa su generador restringido. Este generador no contiene ningún dato fuente. Contiene únicamente el conjunto de restricciones (los invariantes extraídos) y un motor de síntesis que produce nuevas instancias que respetan esas restricciones.

El paralelo biológico es exacto: el ribosoma no contiene proteínas. Contiene el ARN mensajero (las restricciones) y sintetiza proteínas de novo a partir de aminoácidos libres.

┌─────────────────────────────────────────────────────────┐
│              BIOSÍNTESIS DE DATOS 0DATA                 │
│                                                         │
│  DATOS FUENTE           SANDBOX AISLADO                 │
│  (bajo licencia) ────► ┌──────────────────────┐        │
│                         │  EXTRACTORES         │        │
│                         │  • KS-Profiler        │        │
│                         │  • Copula-Fitter      │        │
│                         │  • Constraint-Learner │        │
│                         │  • Schema-Reverser    │        │
│                         └──────────┬───────────┘        │
│                                    │                    │
│                          ┌─────────▼───────────┐        │
│                          │  AMINOÁCIDOS        │        │
│                          │  DIGITALES          │        │
│                          │  (distribuciones,   │        │
│                          │   restricciones,    │        │
│                          │   esquemas, cópulas)│        │
│                          └─────────┬───────────┘        │
│                                    │                    │
│  DATOS FUENTE                       │ Export sandbox    │
│  DESTRUIDOS ◄─────────────────────┘ (datos fuente      │
│                                       borrados)         │
│                                    │                    │
│                          ┌─────────▼───────────┐        │
│                          │  GENERADOR          │        │
│                          │  RESTRINGIDO        │        │
│                          │  • CopulaSampler     │        │
│                          │  • DiffusionModel    │        │
│                          │  • PhysicsSimulator  │        │
│                          └─────────┬───────────┘        │
│                                    │                    │
│                          ┌─────────▼───────────┐        │
│                          │  DATOS SINTÉTICOS   │        │
│                          │  de novo             │        │
│                          │  (nunca vieron       │        │
│                          │   Autodata)          │        │
│                          └──────────────────────┘        │
└─────────────────────────────────────────────────────────┘

3.2 Tres Motores de Síntesis

Según la naturaleza de los datos a sintetizar, 0DATA despliega uno de los tres motores siguientes:

El punto crucial: ninguno de estos motores contiene los datos fuente. Contienen el conjunto de restricciones — el equivalente digital del ARN mensajero. Los datos sintéticos producidos son creaciones originales, no copias. Como una proteína sintetizada por un ribosoma humano a partir de aminoácidos procedentes de un bistec: la proteína es humana, no bovina.

3.3 CopulaSampler — Detalle Técnico

El CopulaSampler es el motor más general. Procede en tres etapas:

// Etapa 1: Ajuste de las marginales
para cada variable Xᵢ en el esquema:
    fᵢ ← KernelDensityEstimate(Xᵢ)  // distribución marginal suavizada
    uᵢ ← CDF(fᵢ, Xᵢ)               // transformación a uniforme [0,1]

// Etapa 2: Ajuste de la cópula
C ← FitCopula({u₁, u₂, ..., uₙ})    // cópula gaussiana o t-Student
// C captura TODAS las dependencias sin memorizar ningún punto

// Etapa 3: Muestreo
para k = 1 a N_sintéticos:
    (v₁, ..., vₙ) ← SampleCopula(C)  // muestra en [0,1]ⁿ
    xᵢ ← InverseCDF(fᵢ, vᵢ)        // transformación inversa → valor real
    // x es un punto sintético, nunca visto en los datos fuente

La cópula es la pieza maestra. Captura la estructura de dependencia entre variables sin almacenar ninguna observación individual. Es el equivalente matemático de la hidrólisis: hemos roto los enlaces (los puntos individuales), pero hemos conservado los aminoácidos (las distribuciones marginales) y la receta de ensamblaje (la cópula).

La cópula es al dato lo que el ARN mensajero es a la proteína. Codifica la estructura sin contener la sustancia.

4. Doble Validación

4.1 El Problema de la Confianza

Tener un generador no basta. Hay que probar que los datos sintéticos son a la vez utilizables (estadísticamente equivalentes a los datos fuente) y jurídicamente limpios (ninguna memorización de los datos fuente). Estas dos exigencias están en tensión: cuanto más fieles a la fuente, mayor el riesgo de memorizar. 0DATA resuelve esta tensión mediante una doble validación independiente.

4.2 Validación 1 — Equivalencia Estadística (Test KS)

El test de Kolmogórov-Smirnov (KS) se aplica a cada variable y a cada par de variables para verificar que las distribuciones sintéticas no son distinguibles de las distribuciones fuente:

para cada variable Xᵢ:
    Dᵢ ← KS(D_fuente[Xᵢ], D_sint[Xᵢ])
    si Dᵢ > umbral_crítico (α = 0.01):
        RECHAZO — la distribución de Xᵢ no se reproduce

para cada par (Xᵢ, Xⱼ):
    // Test de la estructura de dependencia
    Dᵢⱼ ← KS(cópula_fuente[Xᵢ,Xⱼ], cópula_sint[Xᵢ,Xⱼ])
    si Dᵢⱼ > umbral_crítico (α = 0.01):
        RECHAZO — la dependencia (Xᵢ,Xⱼ) no se reproduce

El umbral de rechazo es estricto (α = 0.01) pero no arbitrario: está calibrado para que, si los datos sintéticos provienen realmente de la misma distribución que los datos fuente, la probabilidad de rechazo erróneo sea inferior al 1%.

Esta validación garantiza la utilidad de los datos sintéticos. Un mecánico que consulta los datos sintéticos debe obtener la misma precisión de diagnóstico que con los datos fuente — sin tener acceso a los datos fuente.

4.3 Validación 2 — Auditoría Anti-Memorización (Inferencia de Pertenencia)

La segunda validación está inspirada en los Membership Inference Attacks (Shokri et al., 2017). El principio: un atacante externo, incluso con acceso completo a los datos sintéticos, no debe poder determinar si un punto concreto pertenecía a los datos fuente.

0DATA implementa una auditoría de caja negra:

// FASE 1: Entrenamiento del clasificador de ataque
para cada punto p en (D_fuente ∪ D_retención):
    features(p) ← distancia_a_los_k_vecinos_más_cercanos(p, D_sint)
    // + densidad local, + rango en la distribución marginal
    label(p) ← 1 si p ∈ D_fuente, 0 si p ∈ D_retención

clasificador_ataque ← TrainClassifier(features, labels)

// FASE 2: Evaluación
AUC ← AUC_ROC(clasificador_ataque, conjunto_test)
si AUC > 0.55:
    FALLO — los datos sintéticos filtran información de pertenencia
si AUC ≤ 0.55:
    ÉXITO — el atacante no lo hace mejor que el azar

El umbral AUC ≤ 0.55 es deliberadamente muy conservador. Un AUC de 0.50 corresponde al azar perfecto; 0.55 significa que el atacante tiene una ventaja del 5% — ya demasiada. El objetivo real es AUC ≤ 0.52.

4.4 La Tabla de Decisión

Un solo cuadrante es aceptable. Los otros tres devuelven al generador para su recalibración. No hay compromiso entre utilidad y legalidad. La doble validación es un Y lógico, no una media ponderada.

5. Procedencia y Soberanía Jurídica

5.1 Hashear las Restricciones, Nunca los Datos

Un punto crucial distingue la biosíntesis 0DATA de los enfoques convencionales de «datos sintéticos»: la cadena de procedencia.

En un enfoque convencional, se conserva la traza de los datos fuente para probar la conformidad. Pero conservar esa traza es mantener la dependencia jurídica. 0DATA invierte la lógica:

// ENFOQUE CONVENCIONAL (defectuoso)
hash(D_fuente) → registrado en SPINA
// Problema: D_fuente está bajo licencia. El hash es una prueba de posesión.

// ENFOQUE 0DATA (biosíntesis)
hash(Conjunto_de_Restricciones) → registrado en SPINA
hash(Generador + Semilla) → registrado en SPINA
// El conjunto de restricciones NO está bajo licencia.
// El generador es un activo 0DATA, no un derivado de los datos fuente.

La procedencia 0DATA no dice «estos datos vienen de Autodata». Dice: «estos datos han sido generados por el generador G, restringido por el conjunto C, con la semilla S, en la fecha T». Es una procedencia de creación, no una procedencia de copia.

5.2 La Licencia Se Deprecia, el Generador Se Aprecia

Es el principio económico fundamental de la biosíntesis:

Cada ciclo de biosíntesis refina el conjunto de restricciones. Cuantos más datos digerimos (procedentes de fuentes diversas), más preciso se vuelve el generador — sin depender jamás de ninguna fuente concreta. Es el equivalente digital de una dieta variada: cuantas más proteínas diferentes ha digerido el organismo, más rica es su biblioteca de aminoácidos, más robustas son sus propias síntesis.

La licencia es un alquiler. El generador es un órgano. Un alquiler se paga cada mes. Un órgano se construye una vez y alimenta al organismo de por vida.

5.3 Soberanía por el Vacío

La posición jurídica de 0DATA es radical pero límpida: el organismo no posee ninguna copia de los datos bajo licencia. Posee distribuciones, restricciones, cópulas, esquemas — otros tantos objetos matemáticos que no son obras en el sentido del derecho de autor.

Esta posición tiene un precedente jurídico sólido: los hechos no son protegibles por derechos de autor (Feist Publications v. Rural Telephone Service, 1991, Tribunal Supremo de EE. UU.). Una distribución de probabilidad es un hecho estadístico. Una restricción física es un hecho natural. Una cópula es una estructura matemática.

Si un editor como Autodata objetara: «sus datos sintéticos se parecen demasiado a los nuestros», la respuesta 0DATA es: «pruebe que un punto específico de nuestros datos sintéticos es una copia de un punto específico de su base». Ahora bien, por construcción, ningún punto sintético existe en la base fuente — el generador muestrea en el espacio continuo de las restricciones, no en el conjunto discreto de los datos fuente. La probabilidad de colisión es matemáticamente nula para toda variable continua.

6. Aplicación: Garage Durand — Autodata Digerido

6.1 El Pipeline

Volvamos al caso concreto del Garage Durand. He aquí el pipeline de biosíntesis completo:

┌──────────────────────────────────────────────────────────────┐
│              GARAGE DURAND — BIOSÍNTESIS AUTODATA            │
│                                                              │
│  FASE 1: DIGESTIÓN (sandbox aislado, una sola vez)           │
│  ┌────────────────────────────────────────────────────────┐  │
│  │ Base Autodata (50 000 procedimientos, esquemas,         │  │
│  │ tolerancias)                                           │  │
│  │          │                                              │  │
│  │          ▼                                              │  │
│  │  EXTRACTORES ESTADÍSTICOS                               │  │
│  │  ├── Esquema: Procedimiento(Vehículo, Pieza,            │  │
│  │  │     Herramienta, Etapa₁, ..., Etapaₙ, Par,           │  │
│  │  │     Tolerancia, Duración)                            │  │
│  │  ├── Distribuciones: ~N(μ,σ²) por par, ley de           │  │
│  │  │     Poisson para el número de etapas                 │  │
│  │  ├── Cópulas: dependencia par/diámetro,                 │  │
│  │  │     duración/etapas                                  │  │
│  │  └── Restricciones físicas: par ≥ 0,                    │  │
│  │        tolerancia ≤ par × 0.15, etc.                    │  │
│  │          │                                               │  │
│  │          ▼                                               │  │
│  │  CONJUNTO DE RESTRICCIONES (8 KB) — SIN datos fuente     │  │
│  └────────────────────────────────────────────────────────┘  │
│                                                              │
│  FASE 2: BIOSÍNTESIS (dentro del organismo Forge)            │
│  ┌────────────────────────────────────────────────────────┐  │
│  │  CopulaSampler(Conjunto_de_Restricciones,               │  │
│  │               semilla=0xDEADBEEF)                       │  │
│  │          │                                               │  │
│  │          ▼                                               │  │
│  │  200 000 procedimientos sintéticos generados             │  │
│  │          │                                               │  │
│  │          ▼                                               │  │
│  │  DOBLE VALIDACIÓN                                        │  │
│  │  ├── Test KS: p > 0.01 en todas las marginales ✓        │  │
│  │  └── Auditoría MIA: AUC = 0.51 (ataque aleatorio) ✓     │  │
│  └────────────────────────────────────────────────────────┘  │
│                                                              │
│  RESULTADO: Durand tiene 200 000 procedimientos utilizables, │
│  estadísticamente equivalentes a Autodata, jurídicamente     │
│  independientes. La licencia Autodata ya no es necesaria.    │
└──────────────────────────────────────────────────────────────┘

6.2 El Costo de la Libertad

¿Cuánto cuesta esta independencia?

Retorno de la inversión: Desde el segundo año, el costo total de la biosíntesis (4 000 €) es inferior a la licencia Autodata (10 000 € acumulados). El tercer año, la brecha se amplía: 4 500 € frente a 15 000 €. Y el generador sigue mejorando.

Pero el verdadero beneficio no es financiero. Es existencial: el organismo de Durand no muere si Autodata desaparece, cambia sus condiciones o es comprado por un competidor. La biosíntesis no es una optimización de costos. Es una garantía de continuidad.

6.3 Más Allá de Autodata

El pipeline de biosíntesis es genérico. Se aplica a:

La biosíntesis no es una solución para Autodata. Es un principio general de soberanía informacional. Todo dominio donde los datos están bajo licencia es un dominio donde la biosíntesis se aplica.

7. Integración con el Corpus

7.1 Con la Ley (000)

La Ley estipula: «Un organismo digital es viable si y solo si funciona como un organismo biológico.» Ningún organismo biológico depende de una fuente externa única para sus aminoácidos. Digiere, sintetiza, es autónomo. La biosíntesis de datos es la expresión de esta autonomía en el dominio informacional. Un organismo 0DATA que depende de una base de datos bajo licencia no es viable en el sentido de la Ley — está en diálisis informacional.

7.2 Con el Código Genético (010)

La biosíntesis activa el gen SOBREVIVIR — la autonomía, la capacidad de funcionar sin dependencia externa. Es una expresión epigenética de este gen, desencadenada cuando el organismo encuentra datos externos necesarios para su función. No crea un quinto gen.

7.3 Con el Injerto Digital (004)

El Documento 004 estableció que el injerto de un componente externo exige compatibilidad inmunitaria. La biosíntesis resuelve el problema en origen: en lugar de injertar los datos (rechazo jurídico), primero los digerimos en invariantes, y luego sintetizamos datos nativos del organismo. No hay rechazo porque no hay injerto.

7.4 Con SPINA (008)

SPINA registra el hash del conjunto de restricciones y el hash del generador + semilla en cada ciclo de biosíntesis. Esto constituye la prueba de procedencia sin exponer jamás los datos fuente. Si surge un litigio, SPINA puede demostrar que los datos de Durand fueron generados por el pipeline restringido — no copiados de Autodata.

8. Límites y Extensiones

8.1 Lo Que la Biosíntesis No Puede Hacer

La biosíntesis tiene límites que conviene enunciar con claridad:

• Textos exactos: no puede reproducir una formulación textual precisa (un procedimiento legal, un artículo de ley). Los aminoácidos de un texto son n-gramas, y la síntesis produce paráfrasis, no citas.
• Imágenes fotorrealistas: el DiffusionModel restringido puede generar esquemas técnicos pero no fotografías de piezas específicas sin riesgo de memorización residual.
• Datos de cardinalidad muy baja: si la base fuente contiene menos de ~100 ejemplos, la distinción entre «distribución aprendida» y «puntos memorizados» se vuelve borrosa.
• Series temporales no estacionarias: la biosíntesis captura distribuciones estacionarias. No puede reproducir una tendencia evolutiva que no haya modelado como restricción.

Estos límites no son fracasos. Definen el dominio de validez de la biosíntesis: datos estructurados o semiestructurados, cardinalidad suficiente (>1000 ejemplos), distribuciones estacionarias o cíclicas.

8.2 Extensiones Futuras

El Documento 018 abre tres ejes de investigación:

1. Biosíntesis diferencialmente privada: integrar el marco de Dwork (2006) para garantizar una privacidad formal (ε-differential privacy) además de la validación empírica MIA. El generador se convierte en un mecanismo ε-DP por diseño.
2. Digestión multi-fuente: combinar los aminoácidos extraídos de varias bases competidoras (Autodata + Haynes + Revue Technique) para producir un conjunto de restricciones más rico que cada fuente individual — sin violar jamás ninguna licencia.
3. Biosíntesis continua: el generador se actualiza en continuo a medida que se extraen nuevas restricciones, sin volver jamás a los datos fuente. El organismo aprende sin recordar.

9. Conclusión

La biosíntesis de datos es el componente entre la soberanía digital proclamada y la dependencia real de los datos bajo licencia. No propone eludir las licencias. Propone dejar de necesitarlas.

El paralelo biológico es completo y sin fisuras:

• La digestión (hidrólisis enzimática) → la extracción estadística en sandbox aislado
• Los aminoácidos (invariantes no protegibles) → las distribuciones, restricciones, cópulas
• La biosíntesis ribosomal → el generador restringido (CopulaSampler, DiffusionModel, PhysicsSimulator)
• El control de calidad del plegamiento proteico → la doble validación KS + MIA
• La autonomía metabólica → la soberanía jurídica

El Garage Durand no necesita poseer Autodata. Necesita reparar coches. La biosíntesis le da los datos para hacerlo. La cuestión de la independencia jurídica frente a la licencia fuente corresponde al derecho aplicable.

Arquitectura técnica, no asesoramiento jurídico. Este documento describe cómo extraer invariantes y re-sintetizar. Si estos invariantes son jurídicamente «limpios» depende del derecho aplicable. La arquitectura hace la pregunta pertinente — no la responde.

El Documento 000 — La Ley — sentó el principio. El Documento 004 — El Injerto — definió el trasplante. El Documento 010 — El Código Genético — fijó el ADN. El Documento 018 — La Biosíntesis — cierra el ciclo metabólico. Un organismo 0DATA sabe ahora alimentarse sin comprometerse, digerir sin memorizar, sintetizar sin copiar.

Es la diferencia entre un organismo libre y un organismo bajo perfusión. El primero sobrevive a la extinción de su fuente de datos. El segundo se extingue con ella.