Infraestructura de Mapeo

1. Resumen

Este documento describe una arquitectura para ingestar, normalizar, enriquecer, almacenar y servir datos de la web liminal, los movimientos regenerativos, los esfuerzos de renovación cívica y ecosistemas afines. Está pensado para dar soporte a una gama de aplicaciones en las que los usuarios necesitan ver mapas con datos geográficos y orientados a proyectos. Una nota sobre el alcance: este documento describe una arquitectura técnica y un conjunto de casos de uso. No es una teoría del cambio. La ruta causal que va de la infraestructura de datos a los resultados de coordinación requiere una capa de facilitación humana que este documento no modela por completo — esa cuestión se aborda en los documentos complementarios listados en la Sección 6.¹

El propio Navigator y Matrix de OpenHaven — un catálogo comparativo de más de 200 protocolos, plataformas y herramientas del ecosistema tecnológico descentralizado y peer-to-peer — es una de las principales fuentes de datos a las que esta arquitectura está pensada para servir, y la ilustración más clara de para qué sirve el pipeline. Desde una perspectiva de datos, un proyecto como OpenHaven requiere datos de entidades tecnológicas (protocolos, plataformas, herramientas y proyectos con atributos estructurados: madurez, licencia, capacidades, modelo de gobernanza), datos de marcos conceptuales (las estructuras teóricas y taxonómicas que hacen que la categorización tenga sentido), datos de personas y organizaciones (desarrolladores, mantenedores, comunidades y financiadores), e interconexiones conceptuales (cómo se relacionan las tecnologías entre sí: implementa, extiende, compite con, complementa).

Leído junto con el directorio más amplio de mapas y herramientas relevado más abajo, esto apunta a un objetivo más general: combinar los propios datos del matrix y del navigator de OpenHaven con el conjunto más amplio de mapas del ecosistema y herramientas de automatización catalogados en este documento para construir los marcos de descubrimiento, las automatizaciones y los mecanismos de conexión que un ecosistema fragmentado no tiene hoy. Llevado más lejos, ese objetivo apunta a algo más ambicioso y más distante: protocolos abiertos y descentralizados que pudieran replicar parte de lo que hoy hacen los motores de búsqueda centralizados y los chatbots de IA — descubrimiento, recuperación, recomendación, conexión — sin un único punto de control. Este documento no es ese protocolo, y construir uno sería una empresa genuinamente difícil, de varios años. Pero la arquitectura de datos descrita aquí — una forma común de ingestar, normalizar y servir información estructurada sobre personas, organizaciones, proyectos y tecnologías — está cerca de ser una precondición para ello, y puede leerse como un borrador temprano y parcial hacia el tipo de especificación que ese esfuerzo eventualmente necesitaría.

La base de esta arquitectura es un directorio curado de más de 60 mapas de ecosistemas, fuentes de datos, herramientas de automatización y esquemas de categorización, compilado a través del proyecto de investigación de mapeo y networking del ecosistema de la web liminal, originalmente patrocinado por el Institute of Applied Metatheory. Este documento ofrece un análisis sistemático de qué elementos de ese directorio son fuentes de datos accionables, qué herramientas de automatización ofrecen más valor, cómo se relacionan con casos de uso específicos y cómo se puede construir y mantener el pipeline completo.

La arquitectura se organiza en cinco capas:

• Ingestar — extraer datos de fuentes externas mediante APIs, scraping, exportación manual y recolección nativa de protocolos
• Normalizar — deduplicar y mapear datos heterogéneos hacia un modelo de entidad unificado
• Enriquecer — aplicar esquemas de categorización, inferencia de relaciones y etiquetado geográfico
• Almacenar — persistir los datos normalizados y enriquecidos en bases de datos de grafos y vectoriales
• Servir — exponer los datos mediante funciones que dan soporte a la coordinación cívica, el mapeo tecnológico, la inteligencia de red y la participación comunitaria

El siguiente diagrama muestra la estructura general del pipeline.

2. Casos de Uso Centrales

La infraestructura está diseñada para dar soporte a cuatro casos de uso que se entrecruzan. Comprender estos casos de uso es contexto esencial para evaluar qué fuentes de datos y herramientas vale la pena priorizar.

2.1 Catalizar la Participación Cívica

Una aplicación primaria demuestra cómo esta infraestructura cataliza la resiliencia democrática y el florecimiento comunitario. Las organizaciones comunitarias centradas en la participación cívica, el sensemaking y la participación democrática operan dispersas por ciudades y regiones, cada una desarrollando prácticas valiosas pero sin poder coordinarse eficazmente. Los líderes se ven desbordados intentando gestionar su propio hub a la vez que construyen relaciones con sus pares.

Con esta infraestructura de mapeo, estas organizaciones se vuelven visibles como una red coordinada. Los coordinadores de hubs cívicos pueden:

• Identificar vacíos donde se necesitan nuevos hubs
• Conectar organizaciones con capacidades complementarias para programas conjuntos
• Compartir estrategias exitosas adaptadas a contextos locales
• Rastrear el impacto tanto en el desarrollo de habilidades individuales como en la construcción de confianza comunitaria y el fortalecimiento institucional
• Demostrar el impacto colectivo a los financiadores que apoyan la resiliencia democrática

Este modelo genera efectos multiplicadores: a medida que las comunidades desarrollan un sensemaking y un liderazgo cívico más fuertes, cada otra iniciativa cívica se vuelve más eficaz. Construimos la infraestructura relacional y de desarrollo que fortalece a todo el ecosistema.

Vale la pena nombrar una pregunta previa: ya existen varios mapas del ecosistema que cubren organizaciones cívicas, incluyendo el NCL Healthy Democracy Ecosystem Map, Catalist y Hylo. Los vacíos de coordinación descritos aquí han persistido a pesar de esos recursos. Es más probable que esta infraestructura produzca los efectos descritos arriba cuando se combina con facilitación activa — alguien cuyo rol sea actuar sobre la visibilidad que los datos proveen, no solo mantenerla.²

2.2 Optimizar el Ecosistema Regenerativo

Una aplicación vital demuestra cómo esta infraestructura transforma iniciativas regenerativas fragmentadas en movimientos bioregionales coordinados. Las organizaciones regenerativas que trabajan en restauración de suelos, gestión de cuencas hidrográficas, soberanía alimentaria y renovación de ecosistemas operan de forma aislada a pesar de abordar sistemas ecológicos y sociales interconectados. Podríamos encontrar un colectivo de permacultura desarrollando prácticas de agricultura regenerativa mientras un consejo de cuenca trabaja en restauración ribereña, un hub alimentario construye cadenas de suministro locales y un land trust protege un hábitat crítico. Todos ellos podrían operar dentro de la misma bioregión con conciencia limitada de posibles sinergias — aunque en muchos casos la falla de coordinación tiene menos que ver con el descubrimiento que con la competencia por recursos, la incompatibilidad de gobernanza o diferentes teorías sobre el cuidado de la tierra que la mera visibilidad no resuelve.³

Con esta infraestructura de mapeo, estas iniciativas se vuelven visibles como un ecosistema regenerativo integrado. Los coordinadores pueden:

• Mapear las capacidades organizacionales frente a las necesidades bioregionales, revelando vacíos de cobertura
• Conectar a agricultores regenerativos con land trusts que poseen propiedades adecuadas
• Vincular proyectos de restauración ecológica con instituciones educativas que necesitan sitios de campo
• Coordinar cadenas de suministro que conecten a productores regenerativos con distribuidores y consumidores alineados con la misión
• Demostrar el impacto colectivo a los financiadores que apoyan el desarrollo regenerativo y la resiliencia climática

Esto crea coherencia bioregional, ya que los esfuerzos de restauración se alinean con los límites de las cuencas hidrográficas, los flujos económicos sostienen la salud ecológica, y el cuidado de la tierra integra el conocimiento indígena con la ciencia contemporánea. Construimos la infraestructura de coordinación que permite que los sistemas regenerativos funcionen como redes vivas en lugar de proyectos aislados.

2.3 La Creación de Redes de Acción Global

Una aplicación transformadora demuestra cómo esta infraestructura habilita la emergencia de redes de acción global coordinadas (GANs, por sus siglas en inglés) para abordar desafíos civilizatorios. Una GAN reúne a un conjunto de entidades e instituciones de los sectores gubernamental, sin fines de lucro y privado para trabajar colaborativamente en cuestiones críticas cuyo impacto trasciende la geografía.

En todo el mundo hay personas trabajando en iniciativas importantes que reconocen la necesidad de respuestas que igualen adecuadamente la escala e interconexión de las amenazas y crisis globales, incluyendo la disrupción climática, la erosión democrática, la transformación tecnológica y el desbordamiento de (des)información. Sin embargo, los esfuerzos por construir coordinación global fracasan repetidamente porque, o bien imponen estructuras de arriba hacia abajo que ignoran los contextos locales, o permanecen como redes puramente aspiracionales sin infraestructura operativa.

Las organizaciones establecidas que persiguen enfoques integrativos —incluyendo los movimientos metamodernos incipientes, las comunidades integrales, las redes regenerativas, las iniciativas de cambio sistémico— operan en paralelo sin suficiente conciencia de los esfuerzos complementarios ni mecanismos para la coordinación estratégica. Cada una desarrolla soluciones parciales dentro de su propio marco de cosmovisión, sin poder descubrir cómo sus perspectivas se integran con las de otras o cómo la coordinación podría generar un impacto a escala civilizatoria.

Podemos ver a las instituciones grandes —que incluirían universidades, ONGs internacionales, corporaciones con visión de futuro y agencias gubernamentales innovadoras— reconociendo que los enfoques convencionales están fallando. A pesar de la evidencia del fracaso del statu quo, estas entidades carecen de marcos para relacionarse con los movimientos integrativos emergentes. Estas instituciones poseen recursos sustanciales, credibilidad establecida y capacidad de implementación, pero operan dentro de supuestos de cosmovisión obsoletos. La infraestructura de mapeo crea un puente: las instituciones pueden descubrir y relacionarse con iniciativas integrativas que demuestran alternativas viables, y los movimientos de base pueden acceder a recursos institucionales y capacidad de escalamiento. Esto habilita una transición crucial en la que las instituciones no solo financian alternativas sino que participan activamente en redes coordinadas. Esto aprovecha las inmensas capacidades de las instituciones mientras evoluciona sus propios supuestos de cosmovisión a través de una colaboración auténtica con las iniciativas emergentes y sus ideas de nueva generación.

Este caso de uso representa la cadena causal más larga del documento y debe entenderse como una aspiración de largo horizonte más que como un resultado a corto plazo de la infraestructura. El marco GAN de Waddell citado en la Sección 5.6 documenta redes que emergieron de un trabajo relacional sostenido durante años, no de una mejor descubribilidad de datos. La infraestructura descrita aquí puede apoyar ese trabajo; no puede sustituirlo.⁴

2.4 Abordar Problemas y Crisis Sistémicas

Una aplicación crítica demuestra cómo esta infraestructura habilita respuestas coordinadas a desafíos de escala civilizatoria al conectar puntos de apalancamiento con los actores capaces de utilizarlos.

Organizaciones, fundaciones, agencias gubernamentales e instituciones de investigación reconocen que la disrupción climática, la erosión democrática y la desigualdad económica son desafíos sistémicos interconectados. Sin embargo, estas entidades tienden a operar dentro de un dominio particular sin una visibilidad clara de cómo su trabajo se conecta con las causas raíz o de cómo la coordinación con otros dominios podría amplificar su impacto.

Con esta infraestructura de mapeo, estos actores descubren sus puntos de apalancamiento complementarios. Por dar algunos ejemplos: una fundación que financia periodismo comunitario se conectaría con investigadores que estudian estructuras de incentivos económicos y desarrolladores de tecnología que construyen alternativas prosociales. Una organización ambiental vincula su trabajo de agricultura regenerativa con agencias de desarrollo económico, instituciones educativas que enseñan alfabetización ecológica y organizaciones de política pública que abordan estructuras de propiedad que requieren extracción.

La plataforma hace accionable el análisis de causas raíz al mostrar:

• Qué intervenciones son enmarcadas como abordando causas versus síntomas por los actores y esquemas representados en los datos⁵
• Qué puntos de apalancamiento controla cada organización
• Quién más está trabajando en desafíos interconectados donde la coordinación genera efectos multiplicadores

Esto transforma el manejo aislado de síntomas en una intervención coordinada sobre causas raíz, demostrando a financiadores y responsables de políticas que los desafíos sistémicos requieren — y pueden lograr — respuestas sistémicas.

Este caso de uso probablemente estaría conectado con la Strategic Metacrisis Mapping Initiative, una asociación entre el Institute of Applied Metatheory y el Eudaimonia Institute. Otra conexión posible sería con la investigación sobre la metacrisis que realiza CRI.

2.5 Transparencia de Financiadores y Medición de Impacto Multidimensional

Una aplicación crítica habilitante demuestra cómo esta infraestructura aborda una de las fallas más persistentes en la filantropía y la inversión de impacto: la incapacidad de verificar si los recursos están produciendo un cambio significativo y multidimensional, y de comunicar eso claramente a las personas que los aportan.

Las personas y los financiadores institucionales que consideran apoyar proyectos dentro de la web liminal, el ecosistema regenerativo y el espacio más amplio de respuesta a la metacrisis enfrentan un problema fundamental: se les pide financiar iniciativas en gran medida no institucionales, basadas en redes, cuyo impacto es difuso, relacional y resistente a la medición convencional de una sola métrica. Los financiadores a menudo no pueden ver cómo sus contribuciones se conectan con los resultados, quién más está financiando trabajo complementario, o si la red en su conjunto se está moviendo en una dirección coherente. Esta opacidad es una barrera significativa para movilizar el capital que estas iniciativas necesitan.

Con esta infraestructura de mapeo, los financiadores obtienen una vista multidimensional y en tiempo real del ecosistema que están apoyando. Esto incluye:

• Visibilidad de portafolio — todas las entidades financiadas presentadas en una sola vista, con sus relaciones entre sí y con los objetivos más amplios de la red
• Trazabilidad de contribuciones — un registro claro y auditable de hacia dónde fluye el financiamiento y qué actividades apoya
• Impacto relacional — cómo las organizaciones financiadas están conectadas y catalizando actividad en partes adyacentes de la red, sacando a la luz efectos multiplicadores que los informes de una sola organización pasan por alto
• Indicadores multidimensionales — el progreso se rastrea simultáneamente a través de dimensiones de desarrollo, ecológicas, cívicas y sociales, sin colapsarlo en una única métrica
• Contexto comparativo — cómo se comparan las iniciativas financiadas con esfuerzos similares en términos de alcance, profundidad y centralidad en la red
• Seguimiento longitudinal — cómo cambia el ecosistema a lo largo del tiempo como resultado de una inversión coordinada

Entregar esta capacidad requiere extender el modelo de datos y el pipeline de maneras específicas:

• Registro de eventos de impacto — un registro estructurado de actividades, productos y resultados asociados a cada entidad, vinculado a los registros de las entidades en el grafo
• Esquema de indicadores multidimensionales — un marco para categorizar el impacto a través de dimensiones (p. ej., desarrollo individual, confianza comunitaria, restauración ecológica, cambio institucional). Varios esquemas de categorización del directorio son relevantes aquí, incluyendo la taxonomía de ecología de respuesta a la metacrisis del IAM y el esquema NCL Healthy Democracy.
• Modelo de relación financiador-entidad — representación explícita de las relaciones de financiamiento en el grafo, incluyendo montos, plazos y propósitos, con controles de privacidad apropiados
• Funciones de agregación — la capacidad de consolidar datos de impacto desde entidades individuales hasta los niveles de portafolio, red y ecosistema
• Capa narrativa — espacio estructurado para contexto cualitativo junto a los indicadores cuantitativos, ya que gran parte de lo que importa en este ecosistema resiste la reducción a números

Para más información, ver el documento complementario Guía de Financiamiento entre Pares y Finanzas de Base Común.

2.6 Identidad Digital, Prueba de Humanidad y Contribución Responsable

Una capa habilitante fundamental da soporte a todos los demás casos de uso al resolver un problema que se vuelve cada vez más agudo a medida que la infraestructura crece: saber que las personas y organizaciones representadas en el grafo son quienes dicen ser, y que las contribuciones — de financiamiento, conocimiento, trabajo y participación en la gobernanza — están genuinamente vinculadas a humanos reales y distintos, en lugar de bots, cuentas duplicadas o actores pseudónimos que no pueden ser responsabilizados. Una consideración arquitectónica importante es cómo esta infraestructura de mapeo se integraría con sistemas de identidad digital, incluyendo la prueba de humanidad. Esto es particularmente relevante cuando la infraestructura se usa para la rendición de cuentas a financiadores (Sección 2.5), la gobernanza participativa, el emparejamiento de necesidades/ofertas, y cualquier contexto donde la confianza y la verificabilidad importen.

La infraestructura de redes abiertas del tipo descrito en este documento históricamente ha luchado con la identidad de dos maneras opuestas: o bien recolecta demasiados datos personales, creando riesgos de privacidad y vigilancia, o recolecta muy pocos, habilitando ataques Sybil, tergiversación y la erosión de la confianza. Un tercer camino — la identidad digital verificable y que preserva la privacidad — se ha vuelto técnicamente viable gracias a la convergencia de los estándares de identificadores descentralizados (DID), las credenciales verificables (VCs) y los sistemas de prueba de conocimiento cero.

3. Análisis de Fuentes de Datos

El siguiente análisis organiza los más de 60 elementos del directorio en categorías y evalúa cada fuente de datos según su utilidad, método de acceso y relevancia para los casos de uso centrales descritos arriba. Los elementos que son puramente directorios de otros mapas, o que son principalmente ilustrativos en lugar de ricos en datos, son señalados pero despriorizados. Nótese que el directorio contiene información adicional y enlaces a los sitios web respectivos de cada uno.

3.1 Nivel 1 — Fuentes de Datos de Alto Valor

Estas fuentes contienen datos estructurados o semiestructurados sustanciales, directamente relevantes para uno o más casos de uso centrales. Deben priorizarse para una integración temprana.

3.2 Nivel 2 — Fuentes Especializadas o Específicas de Dominio

Estas fuentes son valiosas para capas o casos de uso específicos, pero no son lo suficientemente amplias ni accesibles como para ser integraciones de primera prioridad.

3.3 Esquemas de Categorización

Estos elementos no aportan datos de entidades, pero proveen marcos taxonómicos que pueden aplicarse para clasificar entidades existentes. Se usan en la capa de Enriquecimiento del pipeline.

3.4 Fuentes Nativas de Protocolo

Murmurations merece un tratamiento aparte de las fuentes anteriores. No es simplemente una fuente de datos, sino un protocolo — un estándar mediante el cual las organizaciones autopublican perfiles estructurados en URLs predecibles, y un índice de red que recolecta esos perfiles. Esto significa:

• Como fuente de ingesta, Murmurations provee un flujo continuamente actualizado de datos de perfiles de organizaciones que se han autopublicado — sin necesidad de scraping.
• Como mecanismo de publicación, las aplicaciones y plataformas pueden publicar perfiles Murmurations, haciéndolos descubribles para toda la red.
• La API del índice de Murmurations permite consultas filtradas por campo, ubicación, tipo de relación y esquema. Esta bidireccionalidad — ingestar desde y publicar hacia el mismo protocolo — hace que Murmurations sea excepcionalmente valioso para una infraestructura federada. Debería ser una de las primeras integraciones implementadas.

3.5 Fuentes a Despriorizar

Los siguientes elementos del directorio son, o bien directorios de otros mapas (ya contabilizados), principalmente ilustrativos/educativos, o demasiado difíciles de extraer como datos estructurados en esta etapa:

• An Overview of Second Renaissance Ecosystem Mapping Efforts (Life Itself) — directorio de directorios; útil para el descubrimiento pero no una fuente de ingesta
• The Flourishing of All Living Things (Naryan Wong) — directorio de mapas
• Grassroots Network of Networks (Michael Haupt) — basado en Roam; extracción estructurada difícil sin la cooperación del propietario
• Jerry’s Brain (Jerry Michalski) — rico pero idiosincrático; alto costo de curaduría por entidad
• Wisdom Wayfarer (Patrick Barry) — Google Sites; principalmente ilustrativo
• Joe Lightfoot’s Liminal Web Map — entrada de blog con imagen embebida; bajo valor estructural como fuente de datos
• Memetic Tribes of Culture War 2.0 — Google Sheet con datos de cosmovisión; útil como referencia pero de alcance limitado
• Mapping the Noosphere (Human Energy) — principalmente visualización, datos estructurados limitados
• Encyclopedia of Big Pictures (IAM/ARC) — en desarrollo; integrar cuando esté disponible

4. Análisis de Herramientas de Automatización

El directorio incluye una serie de elementos con capacidades de automatización. El siguiente análisis evalúa cada uno según su rol en el pipeline de infraestructura, su perfil de costos y su prioridad de implementación.

4.1 Orquestación de Pipeline

n8n

n8n es una plataforma de automatización de flujos de trabajo de código abierto con un editor visual de nodos, soporte para solicitudes HTTP, webhooks, programaciones y lógica condicional. Es la columna vertebral recomendada para las capas de ingesta y normalización de este pipeline.

• Casos de uso: Programar extracciones de datos desde APIs y scrapers; disparar trabajos de normalización y deduplicación; enrutar flujos de enriquecimiento; enviar alertas cuando se detectan nuevas entidades; coordinar corridas de clasificación por lotes
• Costo: Gratis si se autohospeda; plan en la nube disponible para despliegue gestionado
• Prioridad: Alta — implementar primero

Alternativa: Make (antes Integromat) ofrece funcionalidad similar con una interfaz más pulida pero un modelo de pago. Puede ser preferible para equipos menos cómodos con el autohospedaje. Una segunda alternativa es Apache Airflow, que es más potente para pipelines complejos basados en DAG pero requiere más carga de DevOps.

4.2 Embeddings e Inteligencia Semántica

Nomic Atlas

Nomic Atlas es una plataforma para construir mapas navegables de conjuntos de datos grandes usando embeddings. Acepta registros estructurados, calcula embeddings vectoriales y habilita el clustering semántico y la búsqueda por similitud. Es la herramienta recomendada para los componentes de inferencia de relaciones y detección de sincronicidad de la capa de Enriquecimiento.

• Casos de uso: Embeber descripciones de entidades para habilitar la búsqueda por similitud semántica; agrupar entidades en vecindarios temáticos; sacar a la luz afinidades ocultas entre entidades que no están explícitamente vinculadas
• Costo: Nivel gratuito disponible para conjuntos de datos pequeños-medianos; de pago para colecciones más grandes
• Prioridad: Alta para funciones de descubrimiento de adyacencia regenerativa y de participación cívica; media para OpenHaven

Alternativas: Una base de datos vectorial autohospedada (Qdrant, Chroma o pgvector) combinada con un modelo de embeddings de código abierto (p. ej., sentence-transformers) provee la misma capacidad a menor costo y con mayor control. Este es el camino recomendado si la privacidad de los datos es una preocupación o si el conjunto de datos crece mucho.

4.3 Visualización y Recorrido de Grafos

Kumu

Kumu es una herramienta de mapeo de relaciones usada por varias fuentes del directorio. Ya está embebida en el ecosistema y soporta importación/exportación de JSON, lo que la hace útil tanto como fuente de ingesta (extrayendo datos de mapas basados en Kumu) como capa de visualización (renderizando el grafo para la exploración humana).

• Casos de uso: Publicar vistas navegables por humanos del grafo de entidades; aceptar exportaciones JSON de mapas asociados; proveer una interfaz accesible para miembros de la comunidad no técnicos
• Costo: Gratis para proyectos públicos; de pago para mapas privados
• Prioridad: Media — útil como front-end de visualización pero no requerida para el pipeline central

HuViz

HuViz es una herramienta de visualización de grafos RDF de código abierto. Si la capa de almacenamiento expone un endpoint SPARQL, HuViz puede servir como una interfaz de recorrido pública y sin costo para el grafo de interconexiones conceptuales.

• Casos de uso: Exploración pública de relaciones de marcos conceptuales; visualización de datos RDF/enlazados
• Costo: Gratis (código abierto)
• Prioridad: Baja-media — relevante si se adopta RDF/SPARQL para la capa conceptual

4.4 Inteligencia Geográfica y Territorial

ArcGIS

ArcGIS provee capas de datos geoespaciales, APIs de mapeo y herramientas de análisis. Es relevante para las capas de bioregión y proyectos basados en territorio del modelo de datos.

• Casos de uso: Datos de polígonos de bioregión; enriquecimiento geográfico de entidades basadas en territorio; visualización de territorio
• Costo: ArcGIS Online tiene un nivel gratuito con acceso a datos públicos; la plataforma completa es costosa. Considerar el uso de alternativas gratuitas (QGIS, OpenStreetMap, capas de datos de One Earth) para la funcionalidad central
• Prioridad: Media para casos de uso de territorio/bioregión; evaluar la cobertura del nivel gratuito antes de comprometerse

Whole Earth Codec / Planet Labs

Estas herramientas proveen imágenes satelitales y analítica terrestre. Son relevantes para los casos de uso de monitoreo territorial más avanzados, pero probablemente están fuera de alcance en el corto plazo dado su costo y complejidad.

• Prioridad: Baja — postergar hasta que los casos de uso basados en territorio estén más desarrollados

4.5 Grafo de Conocimiento y Mapeo Conceptual

Obsidian y Roam

Ambas herramientas aparecen en el directorio como entornos de grafos de conocimiento con capacidad de automatización. En el contexto de esta infraestructura, son más útiles como herramientas de autoría de cara al contribuyente — los miembros del equipo y los contribuyentes de la comunidad pueden mantener notas estructuradas en Obsidian o Roam que se exportan e ingestan periódicamente hacia el grafo principal. El plugin Dataview de Obsidian en particular habilita consultas estructuradas sobre vaults locales que pueden exportarse como JSON.

• Casos de uso: Gestión de conocimiento del contribuyente; fuente de exportación estructurada para trabajo de curaduría manual
• Costo: Obsidian es gratis (local); Roam tiene suscripción. Ambos tienen plugins comunitarios para exportación
• Prioridad: Baja para el pipeline; media para el flujo de trabajo del contribuyente

IAM Context

Context (contextdriven.ai) es una plataforma producida por el IAM para el mapeo e interconexión de marcos conceptuales. Tiene capacidades tanto de fuente de datos como de automatización. Dada la relación con el IAM, es un candidato natural para la integración — tanto extrayendo sus datos de marcos conceptuales hacia el grafo como potencialmente usando sus capacidades de categorización para clasificar otras entidades.

• Casos de uso: Ingesta de datos de marcos conceptuales; categorización asistida por IA de marcos e ideas
• Costo: Evaluar a través de la asociación con el IAM
• Prioridad: Media — coordinar con el IAM los términos de integración

4.6 Herramientas de Automatización a Despriorizar

El Omni Mapping Project (Buckminster Fuller Institute) y PLAN Systems tienen ambos capacidades de automatización listadas, pero sus APIs específicas y rutas de integración no están bien documentadas en fuentes públicas. Deben monitorearse pero no priorizarse para una implementación temprana.

5. Arquitectura del Pipeline

La arquitectura se organiza en cinco capas. Cada capa tiene un conjunto definido de entradas, transformaciones y salidas. Las capas están diseñadas para implementarse de forma incremental — se puede construir un pipeline mínimo viable con las primeras tres capas y expandirlo a partir de ahí.

5.1 Capa 1 — Ingesta

La capa de Ingesta es responsable de extraer datos de fuentes externas de forma programada o disparada, y depositarlos en un área de staging sin procesar. No transforma ni valida datos — su único trabajo es la recuperación confiable.

Flujos de entrada

• APIs nativas de protocolo: índice de Murmurations, GraphQL de Hylo, API de MediaWiki de P2P Foundation, API de Restor, API de SuperConnector
• Scrapers web programados: metacrisis.org (HTML de Obsidian), Civic Tech Guide, páginas públicas de Catalist, Second Renaissance / Cohere (si no hay acceso directo a Airtable), Planetary Portal, ReFi Ecosystem, Web3 Metacrisis Wiki
• Exportaciones JSON de Kumu: Weavers Social Trust Map, mapa del ecosistema Decentralized Tech, mapa Limicon, y cualquier otro mapa público basado en Kumu
• Importaciones manuales / por lotes: exportaciones CSV de mapas respaldados por Airtable, entregas de datos de socios, exportaciones de vaults de Obsidian/Roam de contribuyentes
• APIs geo/satelitales: capas públicas de ArcGIS, datos de Mapbox de One Earth, datos de bioregión de Standingwave, datos de proyectos basados en territorio de Restor

Opciones de herramientas

• Opción A (recomendada): n8n autohospedado como motor de orquestación. Los nodos de n8n manejan solicitudes HTTP, parseo de JSON, disparo programado y escritura a la base de datos de staging. Esto requiere un servidor Linux (2+ GB de RAM) con Docker.
• Opción B: Make (hospedado en la nube, sin autohospedaje). Menor carga operativa pero tiene costos por operación que aumentan con la escala. Mejor para equipos sin capacidad de DevOps.
• Opción C: Scripts personalizados en Python gestionados por cron o un programador en la nube (GitHub Actions, Fly.io, Railway). Máxima flexibilidad pero requiere tiempo de ingeniería para mantenerlo.

Almacenamiento de staging

Los datos sin procesar deben aterrizar en un área de staging relacional simple antes de la normalización. Una base de datos Postgres con una tabla por tipo de fuente funciona bien. Esto provee un punto de control — si la normalización falla, los datos sin procesar se preservan y el proceso puede volver a ejecutarse sin necesidad de volver a extraerlos.

5.2 Capa 2 — Normalización

La capa de Normalización transforma datos heterogéneos sin procesar en un modelo de entidad unificado. Es la capa intelectualmente más exigente de diseñar bien — las decisiones que se toman aquí determinan qué tipos de consultas y relaciones son posibles más adelante.

Modelo de entidad unificado

Los tipos de entidad recomendados son:

• Persona — individuos con atributos: nombre, roles, afiliaciones, ubicación geográfica, información de contacto, enlaces de perfil
• Organización — entidades legales con atributos: nombre, tipo (sin fines de lucro, cooperativa, empresa, grupo informal), sector, alcance geográfico, sitio web
• Proyecto / Iniciativa — esfuerzos delimitados con atributos: estado, fechas de inicio/fin, organización(es) matriz, stack tecnológico, foco temático
• Tecnología — protocolos, plataformas y herramientas con atributos: madurez, licencia, modelo de gobernanza, capacidades, ecosistema
• Marco Conceptual — marcos teóricos publicados con atributos: dominio, citas clave, pensadores asociados, alcance de aplicación
• Lugar — entidades geográficas con atributos: tipo (bioregión, ciudad, país, territorio), coordenadas, polígono, jerarquía administrativa
• Medios — artefactos de contenido con atributos: tipo (libro, podcast, video, blog), creador(es), fecha de publicación, URL

Deduplicación

El problema más difícil en la normalización es la resolución de entidades — reconocer que “Life Itself” en una fuente y “Life-Itself” en otra se refieren a la misma organización. Se recomienda un enfoque de dos pasadas:

1. Coincidencia difusa de cadenas: usar una biblioteca como RapidFuzz (Python) para encontrar duplicados candidatos por encima de un umbral de similitud (p. ej., 0.85). Marcarlos para revisión.
2. Similitud de embeddings: embeber nombre + descripción de la entidad y calcular la similitud coseno. Las entidades que son textualmente similares pero nombradas de forma diferente aparecerán aquí.
3. Cola de revisión humana: los casos límite (similitud 0.7–0.9) entran a una interfaz de revisión ligera donde un curador confirma o rechaza la fusión.
4. Registro canónico: los duplicados confirmados se fusionan en un registro canónico con seguimiento de procedencia — los registros fuente se preservan y se vinculan al canónico.

Opciones de herramientas

• Opción A: Scripts de normalización basados en Python disparados por n8n, escribiendo a Postgres. Usa RapidFuzz para coincidencia difusa, sentence-transformers para deduplicación basada en embeddings.
• Opción B: Un servicio comercial de resolución de entidades (p. ej., Senzing, que tiene una edición comunitaria gratuita) si el problema de resolución de entidades resulta complejo a escala.
• Opción C: Resolución asistida por LLM para casos ambiguos — un prompt estructurado que presenta dos registros candidatos y pregunta si son la misma entidad. Esto es costoso a escala pero eficaz para los casos difíciles.

5.3 Capa 3 — Enriquecimiento

La capa de Enriquecimiento agrega atributos derivados a las entidades normalizadas: etiquetas de categoría de los esquemas aplicados, tipos de relación inferidos, enriquecimiento geográfico y embeddings semánticos.

Categorización

Cada esquema de categorización del directorio puede aplicarse como un trabajo de etiquetado por lotes. El proceso para cada esquema es:

1. Definir las categorías del esquema y sus descripciones en un prompt estructurado.
2. Para cada entidad del tipo relevante (p. ej., todas las organizaciones), enviar una solicitud de clasificación a un LLM con el nombre de la entidad, su descripción y las opciones de categoría del esquema.
3. Almacenar la(s) etiqueta(s) resultante(s) como atributos de borde en el grafo, preservando qué esquema produjo qué etiqueta.

Esquemas recomendados para implementación temprana: Social Change Map (roles), taxonomía de Ecología del IAM (enfoques integrativos), taxonomía NCL Healthy Democracy (organizaciones cívicas), Planetary Portal (organizaciones de gobernanza global).

Inferencia de relaciones

Más allá de las relaciones explícitas declaradas en los datos fuente, el grafo puede beneficiarse de relaciones inferidas:

• Coafiliación: dos personas que están ambas afiliadas a la misma organización tienen una relación implícita que vale la pena sacar a la luz
• Proximidad temática: las entidades cuyas descripciones se agrupan en el espacio de embeddings probablemente estén relacionadas, aunque no haya ninguna conexión explícita documentada
• Colocalización geográfica: las entidades que operan en la misma bioregión o ciudad tienen una proximidad contextualmente significativa
• Afinidad basada en esquemas: las entidades que comparten múltiples etiquetas de categoría en múltiples esquemas tienen un posicionamiento convergente que vale la pena hacer explícito

Generación de embeddings

Todos los registros de entidad deben embeberse después de la normalización y el enriquecimiento. El vector de embedding habilita la búsqueda semántica y el clustering.

• Opción A: Nomic Atlas — subir registros y calcular embeddings a través de su servicio gestionado; la visualización de atlas es un subproducto
• Opción B: sentence-transformers (local, gratis) — ejecutar la generación de embeddings en tu propia infraestructura usando modelos como all-MiniLM-L6-v2 o una variante ajustada al dominio

Enriquecimiento geográfico

Para entidades con datos de ubicación, adjuntar información de bioregión, cuenca hidrográfica y límites administrativos. Esto habilita el filtrado geográfico y las recomendaciones sensibles al territorio.

• Usar el esquema de bioregión de One Earth como la taxonomía de bioregión primaria
• Geocodificar direcciones postales a coordenadas usando OpenStreetMap Nominatim (gratis) o la API de Google Maps
• Realizar búsquedas de punto en polígono para asignar membresías de bioregión y entidad política

5.4 Capa 4 — Almacenamiento

La capa de Almacenamiento persiste los datos normalizados y enriquecidos en dos sistemas complementarios: una base de datos de grafos para los datos explícitos de relación entre entidades, y un almacén vectorial para la búsqueda semántica.

Base de datos de grafos

Una base de datos de grafos es el ajuste natural para este modelo de datos porque el valor principal del conjunto de datos está en las relaciones entre entidades, no en las entidades de forma aislada.

• Opción A (recomendada para la mayoría de los equipos): Neo4j Community Edition — madura, bien documentada, gratis para despliegue autohospedado de un solo servidor. Lenguaje de consulta Cypher potente, buenas herramientas de visualización, amplios recursos comunitarios.
• Opción B: SurrealDB — más nueva, modelo de esquema más flexible (soporta grafo + documento + relacional en uno), API más moderna, pero ecosistema menos maduro. Buena opción si se quiere minimizar la complejidad de infraestructura.
• Opción C: Apache AGE (Age Graph Extension para Postgres) — agrega capacidades de grafo a Postgres, permitiendo mantener una sola tecnología de base de datos. Mejor si ya se está comprometido con Postgres para el almacenamiento de staging.
• Opción D: perspectivas AD4M — si la infraestructura se construye de forma centrada en el agente en lugar de centrada en el servidor, las perspectivas de AD4M proveen un grafo soberano y nativo de RDF donde cada agente mantiene sus propios datos y los comparte a través de vecindarios. Esto elimina por completo la base de datos de grafos central en favor de un modelo federado. Esto es arquitectónicamente más ambicioso y se aparta del pipeline hospedado en servidor descrito en este documento, pero podría ser la dirección correcta a largo plazo dados los valores del ecosistema y el trabajo de desarrollo activo en Coasys.

Almacén vectorial

El almacén vectorial guarda los vectores de embedding para la búsqueda semántica. Opera como complemento de la base de datos de grafos, no como reemplazo.

• Opción A (recomendada para autohospedaje): Qdrant — construido específicamente para búsqueda vectorial, bien documentado, gratis y de código abierto, desplegable con Docker, soporta filtrado por payload
• Opción B: pgvector — extensión de Postgres; la más simple si ya se está ejecutando Postgres
• Opción C: Chroma — liviano, fácil de comenzar, bueno para desarrollo; menos probado a escala
• Opción D: Pinecone — completamente gestionado, excelente rendimiento, pero tiene costos continuos por consulta

5.5 Capa 5 — Servicio

La capa de Servicio expone los datos almacenados a través de un conjunto de funciones que pueden ser consumidas por cualquier número de aplicaciones front-end o servicios posteriores. La capa de servicio se define deliberadamente en términos de funciones en lugar de plataformas específicas, de modo que la misma infraestructura pueda impulsar múltiples front-ends simultáneamente.

Descubrimiento y búsqueda de entidades

La función de servicio más fundamental: dada una consulta (palabra clave, descripción semántica o filtro de tipo de entidad), devolver las entidades coincidentes con sus atributos y relaciones. Esta función sustenta cualquier directorio, interfaz de búsqueda o función de recomendación.

• Implementación: API GraphQL o REST que envuelve consultas a la base de datos de grafos, con la búsqueda semántica como señal secundaria de ranking desde el almacén vectorial

Recorrido de relaciones

Dada una entidad de partida, devolver sus vecinos hasta N grados de separación, opcionalmente filtrados por tipo de relación, tipo de entidad o atributo. Esta función sustenta la visualización de redes, el descubrimiento de adyacencia y el caso de uso de “encontrar personas/organizaciones cerca de este concepto”.

• Implementación: consultas de recorrido de base de datos de grafos (Cypher para Neo4j); parametrizadas por profundidad, dirección y predicados de filtro

Categorización y etiquetado

Dada una entidad o un conjunto de entidades, devolver sus etiquetas de categoría a través de uno o más esquemas aplicados. Habilita el filtrado por rol, enfoque, foco temático o alcance geográfico.

• Implementación: búsqueda de atributos en la base de datos de grafos; resultados del trabajo de clasificación almacenados como atributos de borde desde la entidad hacia el nodo de categoría

Similitud semántica

Dada una entidad o una descripción en texto libre, devolver las entidades semánticamente más similares en el grafo. Esta es la función central para el descubrimiento de adyacencia, el emparejamiento de necesidades/ofertas y la detección de sincronicidad.

• Implementación: consulta de vecino más cercano en el almacén vectorial usando el embedding de la entidad o texto de consulta; resultados combinados con datos del grafo para una respuesta enriquecida

Consulta geográfica

Dada una ubicación, radio o identificador de bioregión, devolver las entidades presentes u operando en esa área. Habilita vistas territoriales, paneles de bioregión y coordinación relevante a nivel local.

• Implementación: consulta geoespacial que combina búsquedas de punto en polígono con recorrido de grafo

Feed de cambios y alertas

Emitir eventos cuando se ingestan nuevas entidades, cuando se actualizan entidades existentes o cuando se infieren nuevas relaciones. Habilita funciones de coordinación en tiempo real y sistemas de notificación.

• Implementación: captura de datos de cambios (CDC) en la base de datos con entrega por webhook; n8n puede servir como el enrutador de eventos

Exportación y federación

Permitir que las organizaciones asociadas extraigan datos de entidades en formatos estándar (JSON de perfil Murmurations, CSV, JSON-LD). Habilita que los datos fluyan de vuelta hacia el ecosistema más amplio, contribuyendo a los comunes en lugar de solo consumir de ellos.

• Implementación: endpoints de exportación parametrizados; generador de perfiles Murmurations para cualquier tipo de entidad

El modelo de vecindarios de AD4M — donde las perspectivas compartidas se sincronizan de par a par a través de lenguajes de enlace intercambiables en lugar de enviarse a un endpoint central — representa una implementación más nativa de esta función que un índice al estilo Murmurations, y vale la pena evaluarlo a medida que madura la arquitectura de federación.

5.6 Metodología Analítica: Mapping for Clarity y el Marco GRASP

Las cinco capas técnicas descritas arriba (Ingesta, Normalización, Enriquecimiento, Almacenamiento, Servicio) definen cómo se mueven los datos a través de la infraestructura. Esta sección aborda una pregunta complementaria: una vez que los datos están fluyendo y las funciones de servicio están operativas, ¿cómo deberían los profesionales usar realmente esta infraestructura para producir información y acción significativas para las redes y comunidades a las que está destinada a apoyar?

La respuesta propuesta aquí se basa en el marco Mapping for Clarity (MfC) desarrollado por Jim Ritchie-Dunham y descrito en Global Action Networks (2011) de Steve Waddell. MfC es una metodología basada en sistemas para hacer legibles las redes complejas — no solo de forma descriptiva, sino estratégica, de una manera que conecta lo que le importa a los participantes con los puntos de apalancamiento donde la intervención tendría el mayor efecto. Su concepto analítico central es GRASP:

• Goal (Objetivo) — ¿Por qué existe la red?
• Resources (Recursos) — ¿Qué recursos generan valor para los stakeholders, y cuáles habilitan el trabajo que crea ese valor?
• Actions (Acciones) — ¿Qué acciones aprovechan más eficazmente los recursos habilitantes?
• Structure (Estructura) — ¿Cuáles son los vínculos entre los objetivos, los recursos y las acciones?
• People (Personas) — ¿Qué le importa a las personas en este sistema?

Estas cinco preguntas proveen un lente estructurado para analizar cualquier red cuyas entidades hayan sido ingestadas y mapeadas. En lugar de tratar los datos como un directorio estático, GRASP los trata como un sistema dinámico que puede ser interrogado para revelar desalineaciones, vacíos y puntos de apalancamiento.

Aplicando GRASP a la infraestructura

Para cada red, ecosistema o caso de uso que la infraestructura saca a la luz, los profesionales pueden recorrer los elementos de GRASP usando los datos y herramientas ya presentes en el pipeline:

Goal (Objetivo): Los esquemas de categorización aplicados en la capa de Enriquecimiento (taxonomía de ecología de metacrisis del IAM, Social Change Map, esquema NCL Healthy Democracy) codifican cada uno una teoría implícita de lo que las redes de su dominio intentan lograr. Comparar el objetivo declarado de una red (a partir de los datos de su propio perfil) con los objetivos implícitos en su categorización puede sacar a la luz divergencias — organizaciones que creen estar haciendo un tipo de trabajo pero cuyas relaciones y actividades se agrupan en torno a otro.

Resources (Recursos): El grafo de entidades contiene tanto los recursos que generan valor (lo que los stakeholders necesitan de la red para permanecer comprometidos y participando) como los recursos habilitantes (lo que hace posible el trabajo). Las funciones de recorrido de relaciones pueden identificar qué entidades están proveyendo recursos habilitantes críticos — infraestructura, financiamiento, conocimiento, capacidad de convocatoria — y cuáles están desatendidas en su acceso a esos recursos. Esta es la base para el emparejamiento de necesidades/ofertas.

Actions (Acciones): La función de similitud semántica, en combinación con el registro de eventos de impacto descrito en la Sección 2.5, puede identificar qué tipos de acciones están más fuertemente correlacionados con resultados de impacto en redes comparables. Con el tiempo, a medida que más redes registran datos de actividad, la infraestructura acumula evidencia comparativa sobre qué acciones en qué posiciones de la red tienden a producir efectos multiplicadores.

Structure (Estructura): La función de recorrido de relaciones mapea directamente las preguntas estructurales: ¿quién está conectado con quién, a qué grado de separación, a través de qué nodos intermediarios? El análisis de Waddell de la red sudafricana de la Global Reporting Initiative ilustra cómo el análisis estructural revela organizaciones puente, clusters aislados y grupos de stakeholders subconectados. El mismo análisis está disponible aquí para cualquier red en el grafo, usando medidas estándar de centralidad de grafo (intermediación, cercanía, grado) aplicadas mediante consultas de Neo4j o SurrealDB.

People (Personas): Este es el elemento más cualitativo y el más difícil de automatizar. La capa narrativa del modelo de datos de impacto — donde las entidades pueden adjuntar contexto cualitativo estructurado a sus registros de actividad — es donde vive “lo que le importa a las personas”. El clustering basado en embeddings de Nomic Atlas puede sacar a la luz la proximidad temática entre lo que diferentes actores expresan como sus motivaciones y valores, incluso cuando usan lenguajes distintos para describirlos.

Usando GRASP para guiar las prioridades de automatización

No todo el trabajo de automatización tiene el mismo valor. GRASP provee un marco de decisión para priorizar qué pipelines de automatización construir o ejecutar primero, según qué pregunta analítica sea más apremiante para un caso de uso dado:

La dimensión de los diagnósticos visuales

El capítulo de Waddell sitúa a GRASP dentro de un conjunto más amplio de métodos de diagnóstico visual — issue crawls, análisis de redes sociales, análisis de redes de valor, mapeo de conceptos y mapeo geográfico — cada uno adecuado para diferentes aspectos de la complejidad de las redes. Las funciones de servicio descritas en la Sección 5.5 se corresponden directamente con estos métodos:

• Descubrimiento y búsqueda de entidades → análogo al issue crawl (identificar quién está en la arena)
• Recorrido de relaciones → análisis de redes sociales
• Consulta geográfica → mapeo geográfico
• Similitud semántica → mapeo de conceptos (sacando a la luz la proximidad conceptual)
• Categorización y etiquetado → análisis de redes de valor (asignando roles y tipos de intercambio)

Esta alineación significa que la infraestructura no es meramente un almacén de datos, sino una plataforma para llevar a cabo toda la gama de análisis de diagnóstico visual que describe Waddell — con la ventaja significativa de que los datos se actualizan continuamente en lugar de recolectarse en una encuesta única. Las redes pueden analizarse en un momento dado y luego reanalizarse periódicamente, haciendo posible observar si las intervenciones dirigidas a vacíos estructurales están teniendo el efecto deseado.

Sirviendo a usuarios, organizaciones y comunidades

La intención práctica de aplicar GRASP a través de esta infraestructura es mejorar tres tipos de resultado, que corresponden a los tres niveles de la capa de Servicio:

Para usuarios y contribuyentes individuales: conectar a las personas con recursos, colaboradores y oportunidades que no habrían encontrado de forma independiente. Las funciones de similitud semántica y consulta geográfica son los mecanismos principales aquí. El objetivo es reducir la fricción de coordinación que actualmente hace que personas trabajando en problemas similares en redes adyacentes a menudo no se encuentren hasta años después de comenzar su trabajo, si es que llegan a encontrarse.

Para organizaciones y proyectos: ayudar al liderazgo a entender dónde se ubica su organización dentro de la red más amplia, qué vacíos estructurales podrían estar en posición de llenar, y qué socios potenciales tienen capacidades complementarias. Las funciones de recorrido de relaciones y categorización dan soporte a esto. El marco GRASP provee la estructura analítica que convierte estos puntos de datos en recomendaciones estratégicas en lugar de mera información.

Para comunidades y ecosistemas: habilitar el tipo de autocomprensión sistémica que Waddell documenta como transformadora — donde los participantes pasan de preguntar “qué pueden darme” a “cómo puede lo que hago hacerlos exitosos a ellos también”. La metodología MfC logra esto haciendo visible el sistema completo a todos sus participantes simultáneamente. Esta infraestructura hace que esa visibilidad sea persistente y actualizable, en lugar de depender de un evento de mapeo participativo único. Vale la pena enfatizar que Waddell documenta esta autocomprensión sistémica como el producto de procesos participativos facilitados — issue crawls, convocatorias multi-stakeholder, facilitación experta a lo largo del tiempo. La infraestructura provee la capa de datos que hace que esos procesos sean más informados y sus resultados más duraderos. No reemplaza a los procesos mismos.⁶

6. Referencias

Esta sección lista las fuentes primarias citadas o utilizadas a lo largo de este informe, organizadas por categoría. Las fuentes se dan en un formato apto para citación académica o profesional. Se proveen URLs donde hay versiones de acceso abierto disponibles.

6.1 Libros e Informes

Bauwens, M., & Niaros, V. (2016). Value in the commons economy: Developments in open and contributory value accounting. Heinrich Böll Foundation. https://www.boell.de/en/2017/02/01/value-commons-economy-developments-open-and-contributory-value-accounting

Conaty, P., & Bollier, D. (2016). Democratic money and capital for the commons. Commons Strategies Group / Heinrich Böll Foundation. https://www.boell.de/en/2016/01/15/democratic-money-and-capital-commons

Field, J. (2026, marzo). A digital nervous system for the wise web. Coasys. [Artículo de Medium] https://medium.com/coasys/a-digital-nervous-system-for-the-wise-web

Lightfoot, J. (2021). The liminal web: Mapping an emergent subculture of sensemakers, meta-theorists, and systems poets. joelightfoot.org. https://www.joelightfoot.org/post/the-liminal-web-mapping-an-emergent-subculture-of-sensemakers-meta-theorists-systems-poets

Nørgaard, B., Hedlund, N., & Meglin, C. (2025). Mapping an ecology of integrative approaches to addressing the metacrisis. Institute of Applied Metatheory. https://appliedmetatheory.org/mapping-ecology-integrative-approaches-addressing-metacrisis/

Nørgaard, B. (2025). Report on liminal web ecosystem networking and mapping. Institute of Applied Metatheory. https://coda.io/d/Report-on-Liminal-Web-Ecosystem-Networking-and-Mapping-public-ve_d1X6mvo57yO

Owocki, K. (2024). Onchain capital allocation handbook. Allo/Gitcoin. https://allobook.gitcoin.co

Owocki, K., Stringer, D., & Ospina, D. (2025). The networked firm: Capital allocation in the age of blockchain and AI. Allo Capital.

Power, S., & Seefeld, L. (2024). Bioregional financing facilities: Reimagining finance to regenerate our planet. BioFi Project / Dark Matter Capital Systems. https://www.biofi.earth

Smith, R. (2025). A sociology of big pictures: Network strategy for a 21st century worldview. Institute of Applied Metatheory. https://appliedmetatheory.org/a-sociology-of-big-pictures/

Waddell, S. (2011). Global action networks: Creating our future together. Palgrave Macmillan. [El Capítulo 4, “Seeing the Whole,” es la fuente principal del marco GRASP / Mapping for Clarity citado en la Sección 5.6 de este informe.]

6.2 Fuentes de Datos y Mapas de Ecosistemas

Las siguientes son las principales fuentes de datos y mapas de ecosistemas referenciados en la Sección 3. Las descripciones completas y los métodos de acceso se proveen en esa sección; esta lista provee referencias en formato de citación.

Bauwens, M. (Ed.). P2P Foundation Wiki. https://wiki.p2pfoundation.net [En curso; API de MediaWiki disponible en wiki.p2pfoundation.net/api.php]

Berggruen Institute. Planetary Portal. https://planetaryportal.org

Bowen, C. Decentralized tech ecosystem map. Kumu. https://kumu.io/DigLife/decentralized-tech

Civic Hall. Civic Tech Guide. https://civictech.guide

de Graf, B. NooNAO. https://nao.is

de Graf, B., & Standingwave. Standingwave bioregional map. https://standingwave.net/apps/mapbox/

Ecovillage Network / Joubert, K. Global ecovillage map. https://ecovillage.org/ecovillages/map/

Iyer, D. The Social Change Map. https://www.socialchangemap.com

Life Itself. Second Renaissance ecosystem map. https://secondrenaissance.net/ecosystem/cohere/map

Lindenberger, D. Thaumazo community mycelium. https://thaumazo.org/projects/community-mycelium

National Civic League. Healthy Democracy Ecosystem Map. https://www.nationalcivicleague.org/2024-healthy-democracy/

One Earth. One Earth bioregion navigator. https://www.oneearth.org/navigator/

ReFi DAO. ReFi Ecosystem. https://www.refidao.com/ecosystem

Restor. Restor ecological restoration map. https://restor.eco

Roote. Wisdom Age. https://www.roote.co/wisdom-age

Schull, J. Big Map to Save the Future. https://bigmaptosavethefuture.net

Sloww. Meta-Crisis Meta-Resource. https://metacrisis.org

Terran Collective. Hylo. https://www.hylo.com

Weavers. Weavers Social Trust Map. https://trust.weavers.org

6.3 Herramientas y Plataformas

Las siguientes herramientas y plataformas se referencian en las Secciones 4 y 5. Las referencias remiten a las páginas de inicio de los proyectos y, cuando está disponible, a la documentación técnica.

6.4 Estándares, Protocolos e Infraestructura de Identidad

Los siguientes estándares y herramientas de infraestructura de identidad se referencian en el tratamiento que hace el informe de la identidad digital, la prueba de humanidad y la federación (Secciones 2.6, 4.7 y 5.4).

W3C. (2022). Decentralized identifiers (DIDs) v1.0. https://www.w3.org/TR/did-core/

W3C. (2022). Verifiable credentials data model v1.1. https://www.w3.org/TR/vc-data-model/

W3C. (2017). Resource Description Framework (RDF). https://www.w3.org/RDF/

W3C. (2013). SPARQL 1.1 query language. https://www.w3.org/TR/sparql11-query/

W3C. (2017). Shapes Constraint Language (SHACL). https://www.w3.org/TR/shacl/

Murmurations Protocol. Murmurations network index and profile schema specification. https://murmurations.network

SpruceID. Open-source DID and verifiable credentials tooling. https://spruceid.com

Veramo. JavaScript framework for DIDs and verifiable credentials. https://veramo.io

Solid Project. Personal data pods specification (Berners-Lee). https://solidproject.org

cheqd. Blockchain-based credential network. https://cheqd.io

6.5 Marcos de Medición de Impacto

Los siguientes marcos se referencian en el tratamiento que hace el informe de la medición de impacto multidimensional (Secciones 2.5 y 4.7).

Global Impact Investing Network (GIIN). IRIS+ impact measurement system. https://iris.thegiin.org

United Nations. Sustainable Development Goals (SDGs). https://sdgs.un.org/goals

R3.0. (2020). From monocapitalism to multicapitalism: 21st century system value creation (Baue, W.). https://www.r3-0.org

6.6 Organizaciones e Iniciativas Clave Referenciadas

Las siguientes organizaciones e iniciativas se nombran en este informe en el contexto de casos de uso, asociaciones de datos o relaciones del ecosistema. Esta lista se provee como referencia; no es exhaustiva.

Footnotes

1. Este documento describe qué datos fluyen a través de un pipeline y qué funciones puede servir ese pipeline. No modela por qué los actores cambiarían su comportamiento como resultado de tener acceso a esas funciones, quién haría el trabajo de facilitación de actuar sobre los datos, o cómo se lograría y mantendría un compromiso sostenido de los contribuyentes. Estas no son preguntas técnicas — son organizacionales y relacionales. Los documentos complementarios las abordan directamente: Infraestructura de Mapeo debe leerse junto con la Guía de Financiamiento entre Pares y Finanzas de Base Común y el documento complementario Financiando los Comunes en la Práctica, que juntos abordan la capa de coordinación humana que esta arquitectura requiere. ↩

2. El ecosistema de la web liminal y la tecnología cívica ha sido mapeado múltiples veces: el mapa de la Web Liminal de Joe Lightfoot (2021), el Second Renaissance Ecosystem Map de Life Itself, la Ecology of Integrative Approaches del IAM, Catalist, Hylo y NooNAO existen todos y son parcial o totalmente accesibles públicamente. Los vacíos de coordinación descritos en este caso de uso han persistido a pesar de esos recursos. Esto no significa que la infraestructura de mapeo no tenga valor — significa que la infraestructura por sí sola no es suficiente y que la restricción vinculante es más probablemente la capa de facilitación que la capa de datos. La pregunta a sostener es: ¿qué harían diferente los coordinadores con esta infraestructura que no están haciendo ahora, y qué les impide hacerlo hoy? ↩

3. El escenario descrito en este caso de uso — organizaciones colocalizadas que no se conocen entre sí — se está volviendo menos común a medida que maduran las redes regenerativas regionales. Las fallas de coordinación más típicas en los ecosistemas regenerativos son: la competencia por recursos entre organizaciones que aplican a los mismos financiadores con alcances superpuestos; la incompatibilidad de gobernanza entre grupos con culturas de toma de decisiones diferentes; y el desacuerdo sustantivo sobre teorías del cuidado de la tierra, la soberanía del conocimiento indígena o la práctica regenerativa que no se resuelven con la mera conciencia mutua. Una infraestructura que saque a la luz estas tensiones con mayor claridad es valiosa — pero debe entenderse como algo que hace legibles los conflictos existentes, no que los disuelve. ↩

4. El análisis de Steve Waddell sobre las Redes de Acción Global en Global Action Networks: Creating Our Future Together (2011) documenta organizaciones como la Global Reporting Initiative, el Forest Stewardship Council y el Marine Stewardship Council. Estas redes surgieron de años de compromiso sostenido multi-stakeholder, construcción de relaciones diplomáticas y desarrollo organizacional — no de una mejor descubribilidad de datos. La infraestructura de mapeo descrita en este documento puede apoyar la formación de GANs haciendo que los participantes potenciales sean visibles entre sí y proveyendo infraestructura analítica compartida. No puede sustituir el trabajo relacional y político que Waddell identifica como el mecanismo real de la emergencia de las GANs. Este caso de uso debe entenderse como una aspiración de largo horizonte dependiente de una inversión sustancial en facilitación, más que como un resultado de infraestructura a corto plazo. ↩

5. La afirmación de que la infraestructura puede identificar qué intervenciones abordan causas raíz versus síntomas implica un nivel de conocimiento causal sobre sistemas complejos que actualmente no existe como artefacto computable. La clasificación basada en LLM contra esquemas de categorización — el mecanismo descrito en la capa de Enriquecimiento — puede identificar cómo los actores describen y enmarcan su propio trabajo, y puede sacar a la luz convergencias y divergencias en cómo diferentes esquemas categorizan la misma entidad. No puede arbitrar entre teorías del cambio en competencia ni determinar rutas causales reales en sistemas sociales complejos. El lenguaje revisado en el texto principal (“enmarcadas como abordando causas versus síntomas por los actores y esquemas representados en los datos”) refleja lo que el sistema realmente puede producir. ↩

6. El cambio que documenta Waddell — de “qué pueden darme” a “cómo puede lo que hago hacerlos exitosos” — se describe en Global Action Networks como el producto de lo que él llama procesos de “Mapping for Clarity”: compromisos multi-stakeholder estructurados y facilitados en los que todos los participantes ven el sistema completo simultáneamente y trabajan juntos a través de los elementos de GRASP. Estos no son sesiones de análisis de datos — son procesos relacionales y deliberativos que resultan estar informados por datos. La infraestructura descrita en este documento hace que esos procesos sean más analíticamente rigurosos y sus resultados más persistentes y actualizables. No los hace menos necesarios. ↩