IA en la Ciencia: Primeras Perspectivas

La investigación científica está experimentando una profunda transformación impulsada por la rápida adopción de la inteligencia artificial (IA), como revela un análisis exhaustivo de millones de interacciones, modelos de IA especializados y encuestas a investigadores. Los científicos han integrado la IA en sus flujos de trabajo diarios a un ritmo superior al de la mayoría de las demás profesiones, utilizando modelos de lenguaje de gran escala de propósito general para análisis y redacción amplios, junto con modelos específicos de dominio para predicciones y simulaciones precisas. Estas herramientas generan importantes aumentos de productividad y ahorran a los investigadores horas de trabajo semanales, que se reinvierten en gran medida en aumentar la producción científica y explorar perspectivas interdisciplinarias. Sin embargo, esta aceleración tecnológica ha introducido nuevos desafíos, provocando que los cuellos de botella se desplacen hacia la experimentación física y aumentando el tiempo necesario para la verificación de los resultados. Además, si bien la IA fomenta investigaciones académicas más amplias, también conlleva el riesgo de orientar a los investigadores hacia preguntas más seguras y graduales en lugar de avances de alto riesgo.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "AI in Science: Early Insights". Por Mihai Codreanu y colegas. Publicado el 14 de Septiembre de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Imagina que te devuelven un día completo de trabajo cada semana, como siete horas libres.

Alicia
Quiero decir, eso es enorme.

Beto
Claro. Para la mayoría de nosotros que estamos escuchando, eso simplemente significa un fin de semana más largo o quizás solo poder respirar por fin.

Alicia
Sí, exactamente.

Beto
Pero según este masivo nuevo documento de trabajo de septiembre de 2026, para los mejores científicos del mundo, esas siete horas libres están, bueno, silenciosamente y fundamentalmente reconfigurando todo el ritmo del descubrimiento humano.

Alicia
De verdad lo están.

Beto
Y no estamos hablando de algún futuro teórico lejano. Estamos viendo un cambio radical en la maquinaria de la ciencia que está sucediendo a puerta cerrada ahora mismo.

Alicia
Claro. Y las apuestas de este cambio, es casi imposible de exagerar. Como si miráramos en grandes rasgos y solo observáramos la economía global, el progreso científico es el motor principal del crecimiento a largo plazo.

Beto
Oh, absolutamente.

Alicia
Históricamente, siempre hemos confiado en esta tasa constante de innovación, nuevos materiales, nuevos medicamentos, nuevas fuentes de energía, todo para impulsar la prosperidad.

Beto
Pero últimamente eso se ha estado estancando un poco, ¿no?

Alicia
Exacto. Actualmente estamos enfrentando fuertes vientos en contra económicos. Quiero decir, las poblaciones están envejeciendo, la deuda gubernamental está aumentando. Y existe esta preocupación muy real y documentada de que las ideas verdaderamente revolucionarias se están volviendo más difíciles y mucho más caras de encontrar.

Beto
Lo cual es bastante aterrador cuando lo piensas.

Alicia
Lo es. Así que si la inteligencia artificial puede acelerar fundamentalmente el ritmo de la ciencia es, y quiero decir esto literalmente, una pregunta de varios billones de dólares.

Beto
Lo cual es la misión exacta para este análisis profundo de hoy.

Estamos desempacando la IA y los descubrimientos científicos iniciales. Fue preparado por investigadores de Google DeepMind, MIT y algunos otros pesos pesados.

Alicia
Un grupo realmente sólido.

Beto
Sí. Y nuestro objetivo es entender exactamente cómo la IA está alterando el método científico. Y por qué tienes que preocuparte por este panorama cambiante, independientemente de la industria en la que trabajes.

Alicia
Claro, porque toca todo.

Beto
Y lo que hace que este artículo específico sea tan convincente es que no estamos intercambiando sensacionalismo o, experimentos mentales futuristas. Este análisis está anclado en tres pilares distintos y masivos de datos duros.

Alicia
El conjunto de datos es simplemente increíble.

Beto
Lo es de verdad.

Primero, analizaron 15 millones de interacciones anonimizadas de Google Gemini, solo para ver qué están escribiendo realmente los científicos en estos modelos.

Alicia
15 millones.

Beto
Correcto. Segundo, construyeron un inventario de más de 2,600 modelos de IA especializados que actualmente existen.

Alicia
Vaya.

Beto
Y tercero, se dirigieron directamente al elemento humano. Encuestaron a más de 600 científicos activos en EE. UU. y el Reino Unido.

Alicia
Es una triangulación fenomenal de la realidad.

Beto
Quiero decir, tienes el agotamiento digital del uso diario de IA. La evidencia dura del desarrollo de herramientas personalizadas y la perspectiva sin filtrar de los investigadores en primera línea, haciendo el trabajo real.

Alicia
Exacto.

Beto
No estamos adivinando cómo podría usarse la IA. Estamos midiendo cómo se está implementando activamente.

Alicia
Lo cual es una diferencia crucial.

IA en Ciencia: cómo la inteligencia artificial está transformando el proceso científico

Beto
Muy bien, desglosémoslo porque para captar cómo está evolucionando el método científico, primero tenemos que mirar el alcance de la invasión.

¿Quién está usando realmente esta tecnología y a qué escala?

Alicia
Y creo que la respuesta realmente sorprende a la gente.

Beto
Lo admito, el primer hallazgo importante me lo traspasó por completo. Si imaginas la IA en la investigación, probablemente imaginas a un científico informático sentado en una habitación oscura escribiendo código.

Alicia
Claro. El estereotipo clásico.

Beto
Pero los datos muestran que los científicos en general están adoptando la IA a un ritmo vertiginoso. Las ocupaciones científicas principales. Así que eso es las ciencias de la vida, físicas, y sociales. Usan modelos de lenguaje grandes a una tasa de aproximadamente 2.7 veces la de su cuota base de empleo en EE. UU.

Alicia
Es una sobrerrepresentación masiva en comparación con la fuerza laboral general.

Beto
Totalmente. Casi la mitad de todos los científicos encuestados, el 47%, informan que usan alguna forma de IA todos los días.

Alicia
Y la naturaleza omnipresente de esta adopción a través de disciplinas completamente distintas es lo que realmente destroza la sabiduría convencional.

Beto
Sí, desglósalo para nosotros.

Alicia
Bueno, naturalmente, las ciencias físicas y de la computación lideran la carrera. Impulsan más del 55% de esas interacciones de Gemini.

Beto
Lo cual tiene sentido.

Alicia
Pero el segundo dominio más grande no es la medicina, no es la biología, son las ciencias sociales en general. Llegando a más del 21%.

Beto
Espera, ¿de verdad?

Alicia
Sí.

Beto
Ciencias sociales.

Alicia
Sí. Científicos políticos, antropólogos, sociólogos, todos están extrayendo activamente estos modelos en sus flujos de trabajo diarios.

Beto
Oh, vaya, eso es fascinante.

Alicia
Quiero decir, tienes a un científico político utilizando un LLM para analizar decenas de miles de páginas de legislación histórica para análisis de sentimiento.

Beto
Algo que le tomaría a un humano meses.

Alicia
Exacto. O un antropólogo mapeando patrones lingüísticos a través de estos enormes conjuntos de datos de audio transcritos. La tecnología ha permeado todo el espectro de la indagación humana.

Beto
Es como, piensa en la IA no como un juguete del sector tecnológico, sino como el nuevo microscopio.

Alicia
Oh, me gusta eso.

Beto
Cuando se inventó el microscopio, no se quedó solo en un campo de estudio muy específico y estrecho. Revolucionó la biología. Dio a luz a la medicina moderna. Y alteró completamente la ciencia de los materiales.

Alicia
Porque todos los que necesitaban ver lo invisible lo adoptaron.

Beto
Exacto. La IA es el microscopio moderno.

Alicia
Y lo fascinante aquí es que este microscopio moderno se está escalando a nivel mundial. Y está siguiendo un patrón económico realmente interesante.

Beto
¿Cómo es eso?

Alicia
Bueno, los datos muestran que el uso de la IA se escala casi perfectamente en proporción a la fuerza laboral científica de un país.

Beto
OK.

Alicia
Ahora, el desarrollo real de estos modelos especializados masivos está muy concentrado en unos pocos centros principales con enormes capitales y potencia de cómputo.

Beto
¿Como EE. UU. y China?

Alicia
Principalmente EE. UU., China, el Reino Unido y la UE. Porque construir un modelo fundacional requiere decenas de millones de dólares.

Beto
Cierto.

Alicia
Pero los datos de citación revelan un efecto secundario crítico. Los países de ingresos más bajos podrían no tener los recursos para entrenar estos modelos masivos desde cero. Pero están favoreciéndolos en gran medida y utilizándolos en su propia investigación local.

Beto
Así que está filtrándose.

Alicia
Exacto.

Alicia
Los modelos de IA de acceso abierto están actuando como este mecanismo de difusión. Están extendiendo capacidades de vanguardia a nivel mundial y nivelando el campo de juego. Incluso en lugares donde los clústeres de cómputo local simplemente no existen.

Beto
Eso es enorme. Pero si antropólogos, químicos y científicos de materiales están usando este nuevo microscopio, no pueden estar usándolo de la misma manera.

Alicia
No, definitivamente no.

Beto
Quiero decir, un chatbot puede sintetizar una revisión de literatura, pero no puede predecir un enlace molecular complejo.

Alicia
Claro.

Beto
Lo que nos lleva a una distinción importante que hace el artículo. Los científicos están utilizando esencialmente dos campos totalmente diferentes de IA.

Alicia
Sí, la caja de herramientas dual.

Beto
Claro. Por un lado, tienes los modelos de lenguaje grandes de propósito general, los LLMs, como Gemini o ChatGPT. Y por otro lado, tienes lo que el artículo clasifica como "modelos especializados".

Alicia
Estos son los sistemas construidos a medida y ajustados para tareas físicas muy específicas.

Beto
Exacto. Como AlphaFold, que revolucionó la biología prediciendo estructuras proteicas 3D a partir de secuencias de aminoácidos, o GNoME, que descubre y predice estructuras cristalinas estables para la ciencia de materiales avanzada.

Alicia
Al calcular los estados de energía atómica, sí.

Beto
Y la distinción entre esos dos campos es realmente la clave para comprender el flujo de trabajo científico moderno.

Tengo que refutar esto, sin embargo.

Alicia
Claro, te escuchamos.

Beto
Si yo soy un investigador o solo un inversor que mira este espacio, ¿no parece inevitable que estas herramientas eventualmente se canibalicen entre sí?

Alicia
¿Qué quieres decir?

Beto
Bueno, si un LLM es esencialmente un motor de reconocimiento de patrones masivo y sigue creciendo, ingiriendo más datos, ¿por qué necesitaría un modelo especializado en absoluto? ¿No podrá el chatbot general predecir finalmente una estructura cristalina de forma nativa?

Alicia
Entiendo lo que dices, pero eso asume que la inteligencia y la capacidad son solo un espectro único. Como donde una red neuronal más grande hace todo mejor automáticamente. Pero los datos demuestran claramente que estas herramientas no son sustitutos entre sí. Operan bajo una estricta división del trabajo.

Beto
OK, así que son complementos económicos.

Alicia
Exacto. Para ver esto, realmente tenemos que definir lo que los investigadores llaman "tareas de tercer nivel".

Beto
Desglosémoslo porque la taxonomía aquí es crucial.

Alicia
Así que si miras el trabajo científico desde una gran altitud, una tarea de primer nivel podría ser solo análisis de datos amplios.

Beto
Muy general.

Alicia
Claro. Y una tarea de segundo nivel podría ser realizar modelado estadístico.

Ahora, en esos niveles, tanto los LLMs como los modelos especializados parecen estar haciendo lo mismo.

Beto
Seguro, ambos están analizando datos.

Alicia
Pero una tarea de tercer nivel es altamente granular. Es la acción diaria específica que un científico realmente realiza.

Beto
¿Como qué?

Alicia
Como solucionar un script de Python para una simulación de dinámica de fluidos, o predecir la afinidad de unión de un ligando de proteína específico.

Beto
Oh, claro.

Alicia
Y cuando los investigadores se enfocaron en esa capa granular de tercer nivel, la superposición funcional entre los LLMs y las herramientas especializadas desapareció por completo. Cero superposición.

Beto
Eso es salvaje. Así que los LLMs forman este perímetro operativo amplio alrededor de la investigación central.

Alicia
Sí, exactamente.

Beto
Los científicos los usan para sintetizar montañas de literatura, escribir el código boilerplate para limpiar sus datos, redactar los manuscritos finales, básicamente gestionar la fricción del proceso científico.

Alicia
Exacto. Pero los modelos especializados son bestias totalmente diferentes. Un biólogo no le está pidiendo a un modelo especializado que redacte un correo electrónico para el jefe de departamento. Le está pidiendo que diseñe una construcción molecular.

Beto
Si estás escuchando esto y trabajas en finanzas, marketing o logística, probablemente sepas exactamente cómo se ve esta caja de herramientas dual.

Alicia
Está en todas partes.

Beto
Claro. Usas Microsoft Word o Google Docs para redactar un informe de estrategia trimestral.

Pero usas un paquete de software empresarial totalmente diferente y altamente especializado para generar tus algoritmos complejos de cadena de suministro o modelos financieros.

Alicia
Analogía perfecta. Uno no reemplaza al otro. El LLM elimina la fricción operativa, mientras que el modelo especializado maneja la carga pesada computacional específica del dominio.

Beto
Lo cual nos trae de vuelta a ese asombroso retorno de la inversión que mencioné al principio. Con esta caja de herramientas dual complementaria en mano, la velocidad de la investigación se está acelerando.

Alicia
Ese promedio de casi siete horas ahorradas por semana es, bueno, es prácticamente un día completo de trabajo devuelto a un investigador.

Beto
A lo largo de un año, eso son aproximadamente 45 días de trabajo extra.

Alicia
El volumen puro de capital humano que se está desbloqueando es inmenso. Y la encuesta muestra claramente que los investigadores están reinvirtiendo ese dividendo directamente en la máquina de producción científica.

Beto
No solo van a jugar golf.

Alicia
No, para nada. Durante los últimos tres años, el 84% de los investigadores informan un aumento neto en la producción profesional de su laboratorio. Así que eso significa más artículos publicados, más patentes presentadas, más descubrimientos físicos validados.

Beto
Y casi el 90% espera que esa trayectoria de producción se intensifique en los próximos tres años.

Alicia
Es exponencial.

Beto
Pero el beneficio no se trata solo de apretar la palanca más rápido. Se trata de alcance. Y eso toca un concepto en el artículo que cambió por completo cómo veo la investigación moderna.

Alicia
La carga del conocimiento.

Beto
Sí. Históricamente, digamos a fines del siglo XIX, podías ser un polímata genuino. Podías ser un físico de clase mundial y aun así hacer contribuciones fundamentales significativas a la química o la biología.

Alicia
Claro, porque la frontera del conocimiento estaba más cerca.

Beto
Exacto. Pero hoy, el conocimiento humano es tan vasto y la frontera está empujada tan lejos que un investigador tiene que pasar 20 años solo leyendo la literatura pasada para ponerse al día con la línea de salida.

Alicia
Estás prácticamente obligado a convertirte en un hiperespecialista. La edad en la que los científicos hacen su primer descubrimiento ganador del Premio Nobel ha estado aumentando constantemente durante décadas.

Beto
Porque simplemente se tarda tanto en aprender todo.

Alicia
Simplemente porque la lectura previa requerida y el dominio de un solo subcampo toma toda una vida. Así que terminas en estos silos profundos, incapaz de comunicarte eficazmente con otras disciplinas porque los lenguajes técnicos son completamente ajenos.

Beto
Aquí es donde se pone realmente interesante. La IA está empezando a desgastar esa carga. La IA actúa como un traductor universal.

Alicia
Lo cual es enorme.

Beto
El 68% de los científicos informan que la IA les da un mayor acceso a ideas de disciplinas completamente diferentes. Más de un cuarto de las citas a modelos especializados realmente cruzan fronteras disciplinarias.

Alicia
Significa que tienes ciencias físicas citando modelos de ciencias de la salud y viceversa.

Beto
Correcto.

Así que si fueras un biólogo brillante tratando de comprender una técnica computacional altamente compleja para avanzar en tu investigación sobre el cáncer, históricamente chocabas contra un muro.

Alicia
Tenías que obtener un segundo doctorado en informática o pasar un año buscando un colaborador con tiempo libre.

Beto
Ahora la IA cierra esa brecha.

Alicia
Traduce las matemáticas computacionales densas en mecanismos biológicos que puedes utilizar realmente.

Beto
Reduce el costo de búsqueda del conocimiento, permitiendo esta increíble y sin precedentes recombinación interdisciplinaria de ideas.

Alicia
Así que una técnica desarrollada para la ciencia de los materiales puede traducirse y aplicarse rápidamente a la neurobiología.

Beto
OK. Pero si los investigadores están ahorrando un día de trabajo completo cada semana, produciendo más artículos y cruzando ideas sin esfuerzo a través de los dominios ...

Alicia
Hay un "pero" que se viene ...

Beto
Sí. La pregunta obvia es, ¿por qué no ha habido una explosión nocturna masiva de descubrimientos físicos? ¿Dónde está el nuevo material milagroso? ¿Dónde está la cura para todo padecimiento?

Alicia
Es una gran pregunta.

Beto
Tenemos que mirar la fricción fundamental en el sistema porque el progreso está chocando contra un muro.

Alicia
Lo que estamos presenciando es un caso de libro de cómo cambian los cuellos de botella.

Beto
Explica eso.

Alicia
En cualquier función de producción compleja, ya sea que estés ensamblando automóviles o descubriendo terapias novedosas, hay pasos secuenciales. Cuando introduces una tecnología que acelera radicalmente un paso específico de la cadena de suministro, no necesariamente aceleras todo el sistema. El cuello de botella simplemente se mueve a otro lugar.

Beto
Imagina que eres dueño de una fábrica y actualizas tu línea de ensamblaje con robótica de vanguardia. De repente, tu línea puede producir 10,000 coches al día en lugar de 1,000.

Alicia
Eso se siente como una victoria masiva.

Beto
Excepto que todavía solo tienes tres camiones disponibles para transportar físicamente esos coches fuera de la rampa de carga.

Alicia
Claro.

Beto
Realmente no resolviste tu problema de producción. Solo moviste el gran atasco del tráfico de la línea de ensamblaje al piso del almacén.

Alicia
Y esa dinámica exacta se está desarrollando en toda la comunidad científica. Para aproximadamente el 44% de los investigadores, su cuello de botella principal se ha desplazado hacia abajo en los últimos dos años.

Beto
De la computadora al laboratorio.

Alicia
Exacto. La IA es asombrosamente buena en el trabajo de la cadena de suministro, sintetizando la literatura, escribiendo los datos, limpiando código y generando brillantes nuevas hipótesis moleculares. Pero eventualmente, una hipótesis virtual tiene que encontrarse con la realidad física.

Beto
Las manos humanas todavía tienen que mezclar los químicos en el laboratorio húmedo.

Alicia
Precisamente. Puedes tener una IA prediciendo 10,000 estructuras proteicas prometedoras en una tarde, pero validar clínicamente incluso una de esas estructuras en un laboratorio físico ...

Beto
Oh, Dios mío, el tiempo que eso toma.

Alicia
Ejecutar los ensayos, probar la toxicidad, esperar a que los cultivos celulares crezcan, puede llevar meses.

Beto
El mundo físico no se escala a la velocidad de cómputo.

Alicia
No, no lo hace. Y como resultado, el 41% de los científicos informa que ahora se enfrentan a un creciente retraso de hipótesis no probadas. Las ideas virtuales se están acumulando en la rampa de carga más rápido de lo que los camiones físicos pueden transportarlas.

Beto
Y hay una segunda fricción oculta, que desgasta ese dividendo de siete horas. El artículo se refiere a ello como "el impuesto de verificación".

Alicia
Ah, sí, el impuesto.

Beto
Porque si estoy usando un LLM para escribir un correo electrónico de marketing y alucina un detalle menor, es vergonzoso.

Alicia
Claro.

Beto
Ahora, si una IA escribe un fragmento de código Python para analizar mis datos de ensayos clínicos de un nuevo medicamento cardíaco y alucina una función estadística, la gente podría morir.

Alicia
Ser correcto es completamente innegociable. No puedes publicar una alucinación.

Beto
Por eso casi el 90% de los científicos que informan ahorrar tiempo con la IA también informan que tienen que dedicar una parte significativa de ese tiempo ahorrado a verificar las salidas de la IA.

Alicia
Es casi la mitad de ellos, ¿verdad?

Beto
Sí, para el 46% de ellos, están gastando más de un cuarto de su tiempo ahorrado solo en verificar hechos, auditar y depurar los modelos.

Alicia
El costo de generar una hipótesis se ha desplomado a casi cero, pero el valor complementario del juicio humano, la auditoría rigurosa y la verificación se ha disparado.

Beto
Lo cual realmente nos lleva a lo que considero el punto de datos más preocupante de toda esta inmersión profunda. Se trata del comportamiento humano, el riesgo y los incentivos de la investigación moderna.

Alicia
Es un poco inquietante.

Beto
La encuesta preguntó explícitamente a los científicos cómo la IA está afectando a los tipos de preguntas que eligen perseguir. El 49% de los científicos admitieron que la IA los empuja hacia proyectos más seguros e incrementales.

Alicia
Vaya.

Beto
Compara eso con solo el 28%, que dijeron que les ayuda a abordar preguntas más arriesgadas y ambiciosas.

Alicia
Si conectamos esto con la imagen más amplia, este fenómeno resalta una falla estructural realmente peligrosa en los incentivos de la investigación. A menudo se le conoce como "el efecto de la farola".

Beto
Es como la vieja broma. El oficial de policía ve a un tipo buscando bajo la luz de una farola con las manos, de las rodillas, por la noche. El policía pregunta: "¿es aquí donde dejaste las llaves?" Y el tipo dice: "no, las dejé en el parque, pero la luz es mucho mejor por aquí".

Alicia
Exacto. El sistema académico recompensa en gran medida el volumen de publicación.

Beto
Publicar paga.

Alicia
Así que si la IA reduce principalmente el costo de hacer trabajo incremental, trabaja donde los datos ya están limpios, los puntos de referencia están bien establecidos y los modelos funcionan de manera confiable sin alucinar. Los investigadores están incentivados económicamente a permanecer bajo la luz de la farola.

Beto
Es el camino de menor resistencia. Si la IA puede ayudarme a producir cinco artículos incrementales perfectamente seguros y altamente verificables al año, frente a arriesgar cinco años de mi carrera por una idea masiva que cambia el paradigma que la IA lucha por predecir, que podría fallar, quiero decir, elegiré la salida segura.

Alicia
El sistema prácticamente lo exige por la permanencia, pero si permitimos que esto se convierta en el paradigma dominante, plantea un riesgo real para el futuro de la innovación ...

Beto
... porque dejamos de explorar la oscuridad.

Alicia
Claro. El progreso científico real depende de la exploración de alto riesgo, de aventurarse en el parque oscuro para encontrar las llaves. Si estamos implementando la tecnología cognitiva más avanzada en la historia humana, solo para hacer las cosas incrementales seguras un poco más rápido, generaremos una avalancha de artículos de bajo riesgo sin avanzar fundamentalmente la frontera del conocimiento humano.

Beto
Traigamos todo esto junto y veamos lo que significa para ti, el oyente. La IA está oficialmente y permanentemente incrustada en el método científico. Está sirviendo como un enorme ahorrador de tiempo y el traductor universal que está desmantelando los silos entre disciplinas distintas.

Alicia
Con una división de trabajo muy clara.

Beto
Claro. Los LLMs generales eliminan la fricción operativa y los modelos especializados hacen el trabajo de predicción pesado, pero esta aceleración está chocando contra la realidad física del laboratorio húmedo, creando cuellos de botella masivos y poniendo a prueba y tentando activamente a los investigadores a usar su nuevo superpoder solo para jugar seguro.

Alicia
Es una paradoja.

Beto
Quiero que reflexiones sobre tu propio flujo de trabajo en cualquier profesión en la que estés. Cuando introduces la IA para acelerar tus procesos, ¿dónde se desplaza tu cuello de botella? Porque siempre se desplaza a algún lado.

Alicia
De verdad que sí.

Beto
¿Estás simplemente moviendo el atasco del tráfico más abajo en la línea? Y fundamentalmente, cuando la IA te devuelve tiempo, tu dividendo personal, ¿cómo lo estás gastando?

Alicia
Esa es la verdadera pregunta.

Beto
¿Estás usando ese tiempo seguro para tomar riesgos mayores, para abordar los problemas complejos y desordenados que acostumbras a evitar? ¿O solo lo estás usando para hacer las cosas seguras, establecer cosas un poco más rápido?

Alicia
Basándonos en esto, el artículo describe una visión para el futuro cercano que podría ofrecer una salida a esta trampa. Discuten la posible evolución de un orquestador de IA.

Beto
¿Un orquestador?

Alicia
Imagina un sistema donde un científico no salta manualmente entre herramientas o gestiona la línea del impuesto de verificación línea por línea. En cambio, un LLM general planifica toda la campaña experimental. Llama automáticamente a un modelo especializado como AlphaFold para predecir la estructura de la proteína y luego, crucialmente, se conecta directamente con la robótica de laboratorio físico automatizada para ejecutar la prueba, interpretando los resultados sin que las manos humanas toquen nunca un matraz.

Beto
Vaya, evitando el cuello de botella físico por completo.

Alicia
Exacto. Considera el juego del Go. Cuando Alpha Go de DeepMind jugó contra el campeón mundial, Lee Sedol, en 2016, hizo un movimiento, el movimiento 37, que los expertos humanos inicialmente pensaron que era un fallo del sistema.

Beto
Lo recuerdo.

Alicia
La IA calculó que un humano haría ese movimiento solo una vez en 10,000. Pero el movimiento fue brillante. Estaba completamente fuera de los límites de la intuición humana y ganó el juego.

Beto
Claro.

Alicia
Si eventualmente construimos un orquestador de IA que elimine el cuello de botella humano en el laboratorio físico, ¿ese sistema finalmente nos sacará del efecto de la farola? ¿Empezará a proponer esos experimentos que rompen el paradigma esa vez de cada 10,000 que la intuición humana y los incentivos académicos son simplemente demasiado conservadores o sesgados para intentar?

Beto
Esa es una pregunta fenomenal para dejar en el aire.

Quizás la promesa definitiva de la IA y la ciencia no sea solo acelerar al genio solitario que trabaja hasta tarde en el laboratorio. Quizás sea dar a ese genio las herramientas para alejarse de la seguridad de la farola, sortear el atasco físico y finalmente ver qué descubrimientos que cambian el mundo están esperando en la oscuridad.

Alicia
Creo que sí.

Beto
Sigue cuestionando los datos, sigue explorando el mundo que te rodea y nos vemos la próxima vez.

Mercados Laborales en la Era de la IA

Las herramientas de inteligencia artificial generativa han transformado la búsqueda de empleo, facilitando la creación de solicitudes, pero reduciendo la información que proporcionan a los empleadores para evaluar la idoneidad de los candidatos. A medida que las solicitudes escritas pierden su valor informativo, las empresas recurren con mayor frecuencia a indicadores generales como la experiencia laboral previa, lo que crea, sin querer, importantes barreras de entrada para candidatos cualificados sin una formación tradicional. Dado que los empleadores no logran comprender el valor social que aporta una contratación exitosa, el proceso de selección estándar de una sola etapa suele generar fallos de mercado sistémicos, donde candidatos con alto potencial y sin experiencia quedan totalmente excluidos. Para contrarrestar estas ineficiencias, las empresas pueden implementar un proceso de contratación en varias etapas con evaluaciones intermedias económicas, como pruebas de habilidades o entrevistas, que generen información útil antes de las costosas evaluaciones completas. En definitiva, si bien la saturación generalizada de la IA degrada la información inicial de los candidatos, la introducción de métodos de evaluación secuenciales puede restablecer el funcionamiento del mercado y rescatar oportunidades laborales para trabajadores talentosos que, de otro modo, pasarían desapercibidos.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Can Labor Markets Function in the Age of AI? The Evaluation Bottleneck in Hiring". Por Itai Ashlagi y colegas. Publicado el 24 de Septiembre de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

A
Ahora mismo, puedes usar la IA para escribir una carta de presentación impecable, a nivel Harvard, en unos pocos segundos.

B
Sí, literalmente segundos.

A
Ya veo. Quiero decir, nunca ha sido tan fácil postular a un trabajo. Ya sea que estés contratando para tu equipo o buscando tu próximo gran puesto, realmente necesitas escuchar esto.

B
Absolutamente.

A
Porque está cambiando completamente el panorama.

B
Lo está haciendo.

A
Y hablando matemáticamente, esa misma conveniencia podría estar, bueno, destruyendo el mercado laboral. Podría estar bloqueando a toda una generación de talento fuera de la fuerza laboral.

B
Lo cual es bastante aterrador cuando lo piensas. Estamos viendo un colapso fundamental en cómo los humanos demuestran su valía unos a otros en un entorno profesional.

A
Exacto.

B
Las mismas herramientas que construimos para empoderar a los solicitantes de empleo están desencadenando un colapso estructural en la contratación. Y ahora los investigadores tienen las matemáticas para mostrarnos por qué.

A
Sí, y esto es en lo que nos metemos hoy. Estamos extrayendo de este fascinante artículo de investigación preliminar de septiembre de 2026. Se titula: "¿Pueden funcionar los mercados laborales en la era de la IA? El cuello de botella de la evaluación en la contratación".

B
De Ashlagi, Johari, Kleinberg, y Murthy.

A
Claro. Exacto. Así que nuestra misión para esta inmersión profunda es realmente comprender este enorme cambio de paradigma. Porque la parte más difícil de la contratación solía ser encontrar solicitantes, ¿verdad?

B
Claro. La búsqueda (sourcing) era el cuello de botella.

A
La búsqueda. Sí. Pero ahora lo más difícil es realmente creer en ellos.

B
Sí, esa es una gran forma de decirlo.

A
Así que vamos a explorar por qué el aumento de la IA generativa en el mercado laboral está creando esta extraña paradoja donde tener aplicaciones perfectas conduce a cero ofertas de trabajo. Y también veremos la solución matemática que proponen los investigadores para ayudarnos a salir de este lío.

B
Bien, vamos a desgranar esto. Para realmente captar el alcance del problema, tenemos que mirar cómo están actuando los solicitantes en este entorno de alta IA.

El cuello de botella de la contratación con IA: cómo la IA generativa distorsiona la selección y cómo la contratación por etapas lo soluciona.

A
Claro. La realidad en el terreno.

B
Exacto. Los buscadores de empleo están desplegando IA generativa para redactar currículums, para adaptar instantáneamente sus cartas de presentación a descripciones de trabajo muy específicas. Y están enviando estas aplicaciones perfectamente optimizadas a una escala masiva, masiva.

A
En la superficie, si eres un candidato escuchando esto, eso suena como una gran victoria.

B
Oh, totalmente.

A
Estás ahorrando horas de tedioso formato y suenas increíblemente profesional haciéndolo. La IA solo está escaneando la descripción del trabajo, extrayendo las palabras clave exactas que el empleador quiere escuchar y entrelazándolas en una narrativa que te hace parecer el candidato ideal literal.

B
Sí, se siente como un superpoder para el solicitante. Pero el problema surge cuando alejas el zoom. Tienes que mirar el efecto agregado de millones de personas haciendo exactamente lo mismo simultáneamente.

A
Claro.

B
Las empresas están recibiendo repentinamente este asombroso volumen de materiales de solicitud. Y como cada solicitante está usando una IA para adaptar su currículum a la misma descripción de trabajo exacta, los materiales que recibe la empresa se están volviendo cada vez más idénticos.

A
Lo cual tiene sentido. Todos están utilizando las mismas palabras clave.

B
Exacto.

Y los investigadores destacan una distinción realmente crítica aquí. Señalan que la IA generativa aumenta drásticamente el ajuste superficial de una solicitud. Pero reduce por completo el contenido predictivo de ese ajuste.

A
Así que parece personalizado, pero en realidad no te dice nada real.

Es como la inflación de notas académicas, pero para las cartas de presentación.

B
Oh, esa es una analogía perfecta.

A
Claro, porque si todos en el grupo de solicitantes envían una carta de presentación impecable y shakesperiana, la carta misma se vuelve completamente inútil como forma de destacar.

B
Sí.

A
Tener una A+, no significa que seas un genio, si a toda la clase se le entregara una A+ por una máquina.

B
Lo fascinante aquí es cómo esto se relaciona con la economía. Esto se relaciona directamente con el concepto de "señal".

A
Bien, desglósalo para nosotros.

B
Entonces, para que cualquier "señal" sea valiosa en un mercado, ya sea una carta de presentación, un currículum adaptado o un portafolio, tiene que tener un costo de producción.

A
¿Como tiempo o esfuerzo?

B
Exacto. Tradicionalmente requiere tiempo y esfuerzo intenso, investigación profunda para demostrar que realmente entiendes la misión específica de una empresa. Ese costo gastado es la prueba real. Es la señal de que eres un candidato de alta calidad.

A
Porque un candidato de baja calidad no molestaría en invertir tanto trabajo.

B
Precisamente. Pero en el momento en que el costo de generar esa señal cae a prácticamente cero, que es lo que hace la IA, la señal pierde todo su valor económico.

A
Vaya.

Entonces, la empresa realmente solo está mirando un muro de ruido en ese punto.

B
Un muro total de ruido.

A
Quiero decir, un gerente de contratación ahora tiene una pila de mil currículums idénticos y perfectamente optimizados. Y están completamente ciegos sobre cuáles están adjuntos a seres humanos competentes.

B
Correcto. La fricción central en la contratación ha cambiado fundamentalmente. Ya no se trata del acto físico de enviar una solicitud o de procesar un pedazo de papel.

A
Claro. La fricción ahora se trata de la prueba.

B
Exacto. Se trata de la generación de evidencia individualizada y creíble de idoneidad. Los investigadores realmente mapean esto matemáticamente. Definen una variable para la varianza del ruido en estos materiales de solicitud.

A
Y a medida que la IA se vuelve más popular, ...

B
Sí, a medida que la saturación de la IA aumenta en el mercado, la varianza de este ruido se dispara justo al mismo tiempo. Consecuentemente, el costo efectivo para la empresa de identificar a un candidato verdaderamente compatible se vuelve astronómicamente alto.

A
Ok, entonces escucho esta idea de que las empresas están abrumadas por el texto de la IA. Y mi primer instinto es preguntarme, ¿por qué no usarían simplemente un filtro de IA para leer los currículums de la IA?

B
Es la siguiente pregunta lógica, sí.

A
Claro. Porque vemos herramientas de detección de IA y software de filtrado automatizado por todas partes ahora. Se siente como si esto debería ser una carrera armamentista entre diferentes algoritmos. No una situación en la que el gerente de contratación humano simplemente se rinda ante el ruido.

B
El artículo aborda realmente la lógica central allí. Y es súper interesante. El problema no es qué tan rápido puede analizar una empresa el texto. El problema es la degradación de la información latente dentro del texto mismo.

A
Significa que la verdad detrás de las palabras simplemente desaparece.

B
Exacto.

A
Ok.

B
Incluso la herramienta de filtrado de IA más avanzada no puede extraer una señal genuina de compatibilidad humana de un documento que fue generado artificialmente para ser una coincidencia perfecta. El texto, en sí mismo, es el ruido.

A
Oh, vaya.

Así que un filtro de IA que analiza texto generado por IA es básicamente una máquina leyendo su propio reflejo.

B
Es exactamente eso.

No le dice a la empresa nada sobre el ser humano real sentado detrás del teclado. Y debido a eso, los gerentes de contratación humanos tienen que cambiar su comportamiento para sobrevivir a la inundación. Terminan apoyándose en un concepto estadístico llamado "reponderación bayesiana" ("Bayesian re-weighting").

A
Déjame intentar desglosar cómo entiendo la reponderación bayesiana, especialmente para cualquiera que esté escuchando y pueda ser como un recién graduado atrapado en esta situación exacta.

B
Sí, adelante.

A
Entonces, en estadística, tu creencia sobre algo está compuesta por dos partes.

• Primero, tienes la nueva evidencia específica justo delante de ti. En este caso, es el currículum del solicitante, ¿verdad?
• Y segundo, tienes tu conocimiento previo (prior), que es tu suposición base basada en datos históricos o características de un grupo amplio.

B
Sí. Es tu punto de partida.

A
Correcto. Así que normalmente usas la nueva evidencia para actualizar tu conocimiento previo. Pero si la nueva evidencia, el currículum, se demuestra que es ruido totalmente poco confiable, matemáticamente no puedes actualizar tu creencia.

B
Literalmente no puedes.

A
Así que estás obligado a tirar la evidencia específica por la ventana y confiar totalmente en tus suposiciones previas.

B
Esa es una síntesis perfecta del mecanismo. Cuando los materiales de solicitud individualizados se vuelven altamente ruidosos e inconfiables, la respuesta racional para cualquier empresa es poner menos peso en esos materiales específicos y poner el máximo peso en el conocimiento previo.

A
Y en el contexto de un gerente de contratación mirando una pila de currículums, ese conocimiento previo es la experiencia pasada observable.

B
Exacto.

A
Básicamente están haciendo una pregunta directa. ¿Ha tenido esta persona un trabajo similar en esta industria antes?

B
Claro. Para ilustrar cómo esto remodela completamente el mercado laboral, los investigadores construyen un modelo que define cuatro tipos distintos de solicitantes.

A
Ok.

B
Estos tipos se basan en dos factores. Experiencia observable y compatibilidad latente. Y compatibilidad simplemente significa que eres genuinamente bueno en el trabajo y encajas perfectamente en el puesto, sin importar lo que tu currículum diga.

A
Claro. Es tu habilidad subyacente real.

B
Sí. Así que tienes solicitantes que son experimentados y compatibles, experimentados e incompatibles, inexpertos y compatibles, e inexpertos e incompatibles.

A
Ok. Y el grupo que realmente destaca es el solicitante inexperto pero compatible.

B
Sí. Aquellos que reciben el mayor golpe.

A
Piensa en una joven de 22 años que acaba de terminar la universidad, ¿verdad? Son brillantes. Son muy adaptables y absolutamente destrozarían el trabajo, si se les diera la oportunidad. Son genuinamente compatibles.

B
Pero tienen cero años de experiencia observable oficial.

A
Claro. No tienen historial en la industria todavía.

B
Las matemáticas del artículo muestran que este grupo específico, los solicitantes inexpertos y compatibles, son completamente aplastados en un entorno de alta IA.

A
Porque no tienen ese conocimiento previo.

B
Exacto. Carecen del historial observable que los gerentes de contratación ahora están usando como su filtro principal y a veces único. Hace 10 años, un candidato como este podría haber usado una carta de presentación singularmente perspicaz o un currículum estructurado creativamente como una señal fuerte y costosa.

A
Para demostrar que eran un mejor ajuste que un candidato mayor, quizás mediocre.

B
Exacto. Pero la IA generativa les ha robado permanentemente la capacidad de proporcionar esa señal.

A
Porque el candidato mediocre mayor solo está usando IA para generar una carta de presentación que suena exactamente tan brillante.

B
Sí. La señal genuina de la joven está completamente ahogada por el ruido artificial.

A
Así que para superar la dependencia del gerente de contratación en la experiencia pasada, el nuevo entrante necesita evidencia individualizada y abrumadoramente fuerte. Pero las matemáticas demuestran básicamente que transmitir esa evidencia en una solicitud escrita estándar es ahora prácticamente imposible.

B
Lo que trae a colación una tensión fascinante. Aquí es donde se pone realmente interesante. Porque el comportamiento de la empresa aquí es un ejemplo de libro de texto de discriminación estadística.

A
Ok, espera. Permíteme cuestionarlo un poco. ¿No está la empresa actuando completamente racionalmente aquí? Quiero decir, suena como estereotipación clásica, juzgar a alguien por sus rasgos de grupo. Porque literalmente no puedes verificar sus rasgos individuales.

B
Sí.

A
¿Están las empresas haciendo algo mal? ¿O solo están tratando de sobrevivir a la inundación de la IA?

B
Esa es una opinión completamente válida. Y tienes razón. Están juzgando a individuos por rasgos de grupo amplios. Específicamente, años en la fuerza laboral. Simplemente porque no pueden verificar rasgos individuales.

A
Claro. Suena increíblemente injusto para el solicitante. Pero desde la perspectiva de la empresa, no lo están haciendo por malicia o discriminación por edad.

B
No, para nada.

A
Lo están haciendo para minimizar sus propios costos de filtrado porque se están ahogando en un mar de spam. Es una táctica de supervivencia completamente racional para el negocio.

B
Es racional en privado para la empresa, sí. Pero es devastador para los nuevos entrantes en el mercado laboral.

El modelo refleja perfectamente las preocupaciones del mundo real sobre el subempleo elevado para los recién graduados universitarios.

A
Porque simplemente están siendo filtrados.

B
Exacto. Están siendo discriminados racionalmente por un sistema que acaba de perder el mecanismo para verificar su potencial individual.

A
Así que si las empresas están actuando racionalmente por su propia supervivencia, pero sus acciones están creando este desastre para toda una generación de trabajadores jóvenes, ya no estamos hablando solo de mala suerte, ¿verdad?

B
No, no lo estamos.

A
Estamos hablando de un fallo sistémico del mercado.

B
Exacto. Y para mapear por qué este comportamiento racional conduce a un fallo del mercado probado matemáticamente, el artículo compara las motivaciones privadas de la empresa con lo que los economistas llaman "un planificador social".

A
Un planificador social, ok.

B
Sí, el planificador social básicamente representa el bienestar total de toda la economía. Todos los involucrados.

A
Bueno, déjame intentar conceptualizar esta diferencia entre el costo de una empresa privada y el excedente total del planificador social. Porque es un concepto genial.

B
Sí, ¿cómo lo enmarcarías?

A
Pienso en una ciudad que considera una nueva línea de tránsito público.

B
Ok.

A
Una empresa privada que mira el proyecto podría calcular que los ingresos por la venta de boletos de tren nunca cubrirán el enorme costo de perforar todos esos túneles. Así que se retiran. Su umbral privado no se cumple.

B
Correcto, es un mal negocio para ellos.

A
Pero un gobierno municipal actuando como planificador social mira exactamente el mismo proyecto y decide construirlo de todos modos. ¿Por qué? Porque la ciudad tiene en cuenta el beneficio social total.

B
Veo a dónde vas.

A
La nueva línea de tren reduce la congestión del tráfico. Trae clientes a negocios locales y permite que los residentes de ingresos más bajos accedan a trabajos mejor pagados en toda la ciudad. La empresa privada no le importa el tráfico o los negocios locales en su balance, pero la sociedad sí.

B
Eso capta la dinámica hermosamente.

Así que si llevamos eso de vuelta al mercado laboral, la empresa solo calcula su valor privado al hacer una buena contratación. Comparado contra el costo exorbitante de entrevistar a candidatos para atravesar el ruido de la IA.

A
Claro.

B
Pero el planificador social mira el excedente total. Eso incluye el valor para la empresa más el valor transformador para el joven trabajador que realmente obtiene el trabajo, comienza una carrera, paga impuestos y contribuye a la economía.

A
Lo cual es enorme.

B
Es masivo. Y como las empresas no internalizan ese excedente adicional de trabajadores, su umbral para quién vale la pena entrevistar es significativamente más alto que el umbral de la sociedad.

A
Así que es como un minero de oro que simplemente deja de cavar porque la tierra superficial se puso demasiado gruesa. El oro está absolutamente ahí abajo y la sociedad necesita el oro, pero el minero decide que la pala simplemente no vale el esfuerzo.

B
Esa es exactamente la cosa. La empresa es mucho más rápida para decir que "tamizar estos mil currículums idénticos simplemente no vale nuestro tiempo y dinero". Mientras que la sociedad necesita desesperadamente que tamizen esos currículums para que gente tan talentosa pueda realmente conseguir trabajo.

A
Y debido a esta brecha creciente entre el corte estricto de la empresa y las necesidades más amplias de la sociedad, los investigadores demuestran que un entorno de alta IA desencadena dos fallos masivos del mercado, ¿verdad?

B
Sí, dos fallos distintos.

El primero se llama "no empleo, fallo de filtrado" ("no hire, screening failure").

A
Eso suena bastante sencillo. La empresa simplemente cierra por completo.

B
Esencialmente, sí. La empresa mira el grupo de solicitantes ruidoso, calcula el costo disparado de intentar encontrar el talento real escondido en él, y se da cuenta de que el costo simplemente no vale su retorno esperado.

A
Así que se rinden.

B
Eligen no filtrar a nadie. Dejan la vacante completamente abierta. Mientras tanto, el planificador social mirando el beneficio total para la economía determinaría claramente que vale la pena el costo de filtrar y contratar a alguien. El ruido paraliza literalmente al negocio.

A
Y la empresa preferiría simplemente funcionar con personal reducido y escaso, en lugar de gastar miles de dólares en horas humanas tratando de entrevistar a personas que podrían ser solo sueños generados por IA.

B
Exacto.

A
Ok, entonces, ¿cuál es el segundo modo de fallo?

B
El segundo es "el fallo de filtrado de inexperiencia y compatibilidad" ("inexperienced compatible screening failure"). En este escenario, la empresa decide que todavía necesita contratar. Pero establecen su corte de filtrado tan alto que solo evalúan a candidatos con experiencia observable extensa.

A
Dependiendo puramente de ese conocimiento previo de nuevo.

B
Sí, excluyen completamente a todos los trabajadores inexpertos y muy adecuados del proceso de entrevista. Contratar a esas jóvenes talentosas aumentaría drásticamente el excedente social total. Pero la empresa se niega a pagar el costo de filtrado y las matemáticas para encontrarlos.

A
Las matemáticas se vuelven increíblemente sombrías a medida que el uso de la IA se acerca a la saturación total del mercado, ¿verdad?

B
Muy sombrío. Si conectamos esto con el panorama general, los investigadores se refieren a esto como "el límite alto de la IA" ("high AI limit").

A
Ok.

B
A medida que la varianza del ruido se acerca a su máximo absoluto, las creencias posteriores individualizadas colapsan por completo hacia los conocimientos previos de nivel de grupo.

A
Significa que el currículum individual significa literalmente nada.

B
Nada. La probabilidad de que un trabajador inexperto y talentoso sea excluido del grupo de contratación no solo aumenta. Se acerca matemáticamente al 100%.

A
Es un bloqueo completo.

B
Toda una generación de talento choca contra un muro de ladrillos. No porque no sean lo suficientemente buenos. Sino porque el mecanismo de evaluación mismo se ha derrumbado.

A
Exacto. El proceso de contratación simplemente deja de ser sobre brillantez o adaptabilidad específicas. Se degrada en este filtro brusco basado puramente en los años de servicio. Es básicamente el colapso matemático de la meritocracia.

B
Realmente lo es. Y si el embudo de contratación tradicional permanece inalterado, el artículo sugiere que este resultado es básicamente inevitable.

Sin embargo, los investigadores sí proponen una salida de esta trampa a través de una solución endógena.

A
Endógena ... ¿significa?

B
Significa que la solución surge naturalmente desde dentro del sistema mismo a medida que las empresas innovan para resolver su propio cuello de botella de filtrado. El cambio estructural que modelan se llama "contratación por múltiples etapas" ("multi-stage hiring").

A
Ok, contratación por múltiples etapas. Actualmente el modelo de contratación estándar es básicamente un salto de dos pasos. ¿Verdad? Tienes el filtro inicial del currículum. Y si pasas eso, saltas directamente a una evaluación completa y muy costosa como un panel de entrevista de varias horas con personal sénior.

B
Claro.

A
Pero el problema es que la IA arruinó el filtro del currículum, haciendo que ese gran salto sea ahora demasiado arriesgado financieramente para la empresa.

B
Exacto. Así que la solución es insertar una evaluación intermedia relativamente barata en medio del embudo. Y este paso intermedio involucra tareas que la IA generativa matemáticamente no puede fingir.

A
Así que estamos hablando de pruebas de habilidad supervisadas en vivo. El ejercicio de muestra de trabajo supervisado se realiza en un navegador seguro. Entrevistas de video preliminares cortas y estructuradas donde el candidato tiene que responder preguntas técnicas en el momento, sin mirar una segunda pantalla.

B
Exacto, ese tipo de cosas.

A
Pero espera, permíteme ser el Abogado del Diablo por un segundo.

B
Claro.

A
Porque sé que cualquiera que haya estado buscando trabajo recientemente se va a quejar de esta idea.

B
Oh, estoy seguro.

A
Ya escuchamos constantes quejas sobre rondas interminables de entrevistas, proyectos prácticos que ocupan fines de semana enteros, simplemente el agotamiento general del candidato.

Bueno, los oyentes realmente quieren hacer una prueba de habilidad en vivo solo para conseguir una entrevista. La solución propuesta a la IA haciendo que el proceso de solicitud sea demasiado fluido es diseñar intencionalmente un sistema con más obstáculos.

B
Esto plantea una pregunta importante. Y es totalmente justo cuestionar la fricción añadida.

A
Claro.

B
Pero la clave es comprender cómo este tipo específico de fricción altera matemáticamente la ecuación de contratación. Todo se reduce a adquirir una nueva señal creíble.

A
Ok, porque la señal antigua está muerta.

B
Exacto. El corte de filtrado privado de la empresa es actualmente demasiado alto para que un candidato inexperto cruce, basándose solo en un currículum generado por IA.

Pero si la empresa ofrece una prueba de habilidad en vivo, están reintroduciendo el costo del esfuerzo que la IA borró.

A
Ya veo. Cuando un candidato se sienta y completa exitosamente una prueba en vivo e in-falsificable, instantáneamente genera una señal verificada.

B
Sí. En el momento en que aprueba, el cálculo matemático de la compatibilidad posterior de la empresa, que es simplemente la probabilidad estadística de que sea realmente un buen ajuste para el trabajo, se dispara drásticamente.

A
Supera el corte de costo estricto de la empresa.

B
Exacto. Haciendo que ese joven solicitante sea matemáticamente digno del alto costo de traerlo para una entrevista completa.

A
Así que es un obstáculo extra, pero reemplaza el obstáculo hueco y sin sentido antes de añadir una carta de presentación que una máquina simplemente va a leer y descartar de todos modos.

B
Correcto. Es un obstáculo significativo.

A
Es la diferencia entre hacer trabajo tedioso y realmente audicionar para el puesto.

B
Y el artículo demuestra explícitamente que esta evaluación intermedia rescata al solicitante inexperto y compatible.

A
Oh, eso es enorme.

B
Realmente lo es. A altos niveles de saturación de IA, casi todos los solicitantes inexpertos presentados que habrían sido rechazados automáticamente bajo el método antiguo de filtrado de currículums, ahora obtienen una ruta de probabilidad positiva para ser contratados.

A
Eso es increíble.

B
Beneficia a la empresa al evitar el cierre total de la contratación que discutimos. Y proporciona un salvavidas literal para los trabajadores jóvenes que de otro modo encontrarían la puerta completamente cerrada.

A
Entonces, ¿qué significa todo esto para ti? Si estás ahí en el mercado laboral postulando a trabajos ahora mismo, tienes que darte cuenta de que las reglas de la gravedad han cambiado fundamentalmente.

B
Absolutamente.

A
Ya no puedes confiar en texto perfectamente optimizado y un PDF para que te noten. Necesitas buscar activamente formas de proporcionar señales verificadas y difíciles de falsificar de tu talento.

B
Construye un portafolio público, contribuye a proyectos de código abierto.

A
Claro. O busca específicamente empleadores que usen pruebas de habilidad en vivo porque son los escenarios donde realmente puedes demostrar tu valía sin ser ahogado por bots.

B
Y la conclusión es igualmente urgente para los gerentes de contratación. Si sigues confiando en métodos de filtrado tradicionales y simplemente filtras currículums basándote puramente en la falta de experiencia observable, estás matemáticamente garantizado a filtrar a una generación de talento excepcional.

A
Te estás cegando.

B
Completamente. Debes implementar evaluaciones de prueba de IA intermedia para medir con precisión la compatibilidad antes de hacer tus recortes o te quedarás atrás de los competidores que sí lo hacen.

A
Esta investigación apunta realmente a un cambio de paradigma masivo. Y nos deja esta reflexión final bastante provocadora para considerar.

B
Sí, ¿cuál es esa?

A
Si la IA generativa inevitablemente impulsa el valor de señal de las solicitudes escritas a cero absoluto, es posible que estemos presenciando el evento de extinción del currículum tradicional.

B
Vaya.

A
Sí. Quiero decir, podríamos estar acercándonos rápidamente a un futuro donde nunca tengas que decirle a un empleador lo que puedes hacer en un papel. En cambio, el primer paso para postular a cualquier trabajo podría simplemente ser entrar en una simulación virtual o un entorno de caja de arena para mostrarlo.

B
Mostrando en lugar de contar.

A
Exacto.

Por muy caótica y frustrante que se sienta esta transición ahora, la muerte del currículum podría forzar el nacimiento de un mercado laboral perfectamente meritocrático.

B
Un sistema basado en la habilidad real.

A
Correcto. Un mundo donde al sistema no le importan cómo se vean tus credenciales en papel y solo le importa si realmente puedes hacer el trabajo.

La conciencia cultural está representada, pero no decodificada

Estas fuentes de investigación analizan el sesgo cultural y las fallas mecánicas en 18 modelos de lenguaje de gran escala (LLM) de código abierto con respecto al conocimiento mitológico global. Mediante pruebas como la sondeo lineal y la lente logit, el estudio descubre que los modelos reconocen internamente identidades culturales específicas, pero sus decodificadores a menudo reducen esta información a las tradiciones occidentales dominantes durante la salida. Este "fallo de lectura" significa que los modelos con frecuencia poseen los datos culturales correctos en sus flujos residuales, pero no logran recuperarlos, optando en cambio por contrapartes mejor representadas, como figuras griegas o romanas. Los autores demuestran además que este sesgo depende del idioma, ya que consultar un modelo en el idioma nativo de una cultura a veces permite recuperar conocimiento al que las consultas en inglés no acceden. En definitiva, los hallazgos sugieren que la simplificación cultural en la IA es principalmente un problema de recuperación de información en las etapas finales del procesamiento, más que una falta total de representación interna. Más allá de la simple observación del comportamiento, la investigación proporciona un marco para diagnosticar si los errores de la IA se deben a la falta de conocimiento o a una decodificación defectuosa.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Cultural Awareness is Represented but Not Decoded: Tracing Mythological Knowledge across 18 Open-Source LLMs". Por Iaroslav Chelombitko y colegas. Publicado el 3 de Agosto de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Alicia
Imagina que tienes un amigo que es como un genio absoluto e innegable de la trivia.

Beto
Exacto. Como la persona que siempre quieres en tu equipo de trivia de bar.

Alicia
Exacto. Quiero decir, ellos lo saben todo. Puedes sentarte con ellos en la privacidad de tu sala de estar. Les haces las preguntas más oscuras imaginables y ellos dirán con confianza las respuestas correctas cada vez.

Beto
Sin dudar.

Alicia
Nada. Pero cada vez que suben al escenario bajo las luces brillantes, simplemente entran en pánico absoluto.

Se olvidan por completo de esos datos oscuros que saben perfectamente. Y en su lugar, simplemente difuminan la respuesta popular y obvia para la multitud cada vez.

Beto
Es una forma tan relacionable de visualizar lo que estamos viendo hoy. Porque según esta nueva investigación en la que estamos profundizando, ese escenario exacto, ese miedo escénico extraño y específico es precisamente lo que la inteligencia artificial está haciendo en lo que respecta a la cultura global.

Alicia
Lo cual es salvaje. Y, bienvenidos al análisis profundo.

Hoy, nuestra misión es descubrir exactamente dónde reside el sesgo cultural de una IA. Porque estamos mirando un artículo académico muy convincente que puso a prueba 18 modelos de IA de código abierto. Y queremos saber cuándo una IA se desvía hacia una visión del mundo centrada en Occidente, ¿es porque genuinamente no tiene los datos sobre otras culturas?

Beto
¿O está ocultando en secreto lo que realmente sabe?

Alicia
Exacto. Porque, a medida que dependemos más y más de la IA para que nos responda preguntas y nos resuma el mundo, si está aplanando sistemáticamente la realidad, eso es algo que realmente necesitas saber.

La brecha en la interpretación de la IA: Por qué los modelos "saben" más de cultura de lo que muestran.

Beto
Absolutamente. Y para entender este miedo escénico, primero necesitamos ver cómo los investigadores logran poner a prueba la IA. Quiero decir, medir el sesgo es notoriamente complicado.

Alicia
Oh, lo apuesto.

Beto
Porque si solo le haces a una IA preguntas abiertas sobre, digamos, el razonamiento moral o las tradiciones culinarias, se vuelve completamente subjetivo. ¿Cómo puedes calificar definitivamente la respuesta?

Alicia
No puedes. Es demasiado difuso. Entonces, ¿cómo resuelven la ambigüedad? ¿Por qué usar la mitología para medir el sesgo cultural?

Beto
Bueno, se reduce a tener una vara de medir justa y estandarizada.

Así que los investigadores usan algo llamado "el índice de motivo Thompson de la literatura folclórica" ("Thompson's Motif-Index of Folk-Literature") .

Alicia
Okay. El índice de motivo Thompson.

Beto
Sí. Este es un sistema de clasificación masivo y muy respetado utilizado por folcloristas y antropólogos. Esencialmente, categoriza todos los elementos narrativos que aparecen en los mitos de todo el mundo.

Alicia
Oh, interesante.

Beto
Cierto. Así que al usar este índice, los investigadores tuvieron una cuadrícula estandarizada perfecta con la que trabajar. Seleccionaron 27 motivos mitológicos específicos.

Alicia
¿Qué tipo de motivo?

Beto
Cosas como "el Dios Supremo del Cielo" o "el ladrón del fuego" o "el pícaro".

Alicia
Ya veo. Así que estos son conceptos universales que aparecen en casi toda cultura humana, solo que visten trajes diferentes, básicamente.

Beto
Exacto. Y luego contrastan esos 27 motivos, a través de 10 culturas distintas.

Alicia
Okay.

Beto
Estamos hablando de las bien documentadas, por supuesto, como la griega, noruega y romana, pero también de tradiciones menos representadas en los medios occidentales.

Alicia
¿Cuáles?

Beto
Como las ucranianas, finlandesas, chinas, japonesas, indias, egipcias e incluso mesopotámicas antiguas.

Alicia
Vaya. Así que veamos: 27 motivos por 10 culturas; eso nos da 270 entidades culturales muy específicas para probar.

Beto
Sí. Crea una matriz de trivia transcultural gigante, perfectamente paralela y transcultural.

Alicia
Eso es brillante.

Beto
Y la belleza de esto es que hay una respuesta única e inequívoca, un estándar de oro, para cada ranura de esa matriz.

Alicia
Cierto. No hay debate sobre la respuesta. Así que si le preguntas a una IA por "el Dios Supremo del Cielo" griego, responde de manera confiable con Zeus.

Beto
Sí. Muy confiablemente.

Alicia
Y por Noruega, dirá Thor, por romana, Júpiter. Esperamos eso.

Beto
Sí.

Alicia
Pero aquí está la verdadera prueba. Así que construyeron esta matriz de trivia transcultural gigante. ¿Pero qué pasa cuando preguntan por una cultura menos representada? Digamos, el dios Trueno Finlandés. ¿Responde simplemente la IA: "no lo sé"?

Beto
Mira, esa es la esencia del problema de comportamiento, que diagnostica el artículo. Los modelos rara vez admiten ignorancia. ¿De verdad?

Y dijeron que se niegan a responder, dan una respuesta vaga y evasiva, o, y esto es lo más revelador, emiten una entidad culturalmente plausible, pero totalmente incorrecta de una tradición dominante.

Alicia
Oh, vaya.

Beto
Sí, simplemente caen sobre lo familiar. Así que en lugar de darte el Dios Trueno Finlandés, simplemente podrían darte a Thor de nuevo, porque Thor está muy representado en sus datos de entrenamiento.

Alicia
Espera, si la IA está dando la respuesta incorrecta y simplemente recurriendo a Thor, la suposición natural, es decir, la que creo que cualquiera haría, es que simplemente le falta los datos.

Beto
Cierto. Eso es lo que pensarías.

Alicia
Porque es una máquina que predice palabras basándose en lo que ha leído. Así que si no ha leído suficiente mitología finlandesa durante su entrenamiento, simplemente no sabe la respuesta. ¿Se les olvidó a los desarrolladores subir libros finlandeses?

Beto
Bueno, eso es exactamente lo que los investigadores querían descubrir. Y para hacerlo, decidieron mirar dentro de la caja negra. No solo miraron lo que la IA escribía en la pantalla. Usaron herramientas de interpretabilidad mecanicista para mirar dentro de la arquitectura de la IA mientras estaba pensando. Y encontraron una contradicción asombrosa.

Alicia
Okay, vayamos un poco despacio aquí, porque aquí es donde el artículo se vuelve muy técnico. Así que probaron 18 modelos de lenguaje grande de código abierto que abarcan desde modelos más pequeños de 1.2 mil millones de parámetros hasta modelos de 34 mil millones de parámetros.

Beto
Sí, estábamos hablando de familias de modelos bien conocidas como Llama 3, Gemma, Phi y Qwen.

Alicia
Cierto. Pero ¿cómo miras realmente dentro del cerebro de un modelo? Quiero decir, no puedes conectar una máquina de resonancia magnética a un programa de software.

Beto
No, pero puedes hacer algo conceptualmente similar. Usan sondas internas complejas llamadas "sondeo lineal" ("linear probing") y las "lentes lógicas".

Alicia
Okay, imagina que no tengo un título en ciencias de la computación por un segundo. ¿Qué es una lente lógica?

Beto
Piensa en un modelo de lenguaje grande como una serie de capas parecido a una línea de ensamblaje.

Alicia
Okay, línea de ensamblaje. Entendido.

Beto
Cuando haces una pregunta, los datos pasan a través de docenas de estas capas, transformándose paso a paso antes de que finalmente escupa una palabra al final. Ese viaje interno, el estado matemático evolutivo de la IA mientras procesa los datos, se llama "el flujo residual" ("residual stream").

Alicia
Así que el flujo residual es como la libreta de borradores interna de la IA. Es el hilo de pensamiento que ocurre antes de que realmente abra su boca.

Beto
Exacto. Normalmente solo vemos el producto final al final de la línea de ensamblaje. Pero una lente lógica es una herramienta matemática que permite a los investigadores extraer los datos de la línea de ensamblaje a mitad del proceso.

Alicia
Oh, eso es genial.

Beto
Sí, toma la libreta de borradores interna de la IA a mitad del proceso y la obliga a traducir esa matemática cruda en palabras humanas prematuramente. Nos permite ver lo que la IA está representando internamente antes de que se apliquen los filtros finales.

Alicia
Eso es fascinante. Así que esencialmente están midiendo la diferencia entre lo que el modelo representa internamente, como sus pensamientos internos, y lo que emite externamente en tu pantalla.

Beto
Sí. Y la gran revelación aquí es simplemente salvaje. Cuando usan estas sondas, encontraron que las capas internas de la IA estaban identificando las culturas con una precisión increíblemente alta, como entre el 61% y el 88%.

Alicia
Espera, ¿tan raro?

Beto
Es un hallazgo asombroso. Las capas internas de la IA saben que el "Dios Trueno" finlandés es Ukko. Sabe que el "Dios Trueno" ucraniano es Perun. Los datos están ahí. El flujo residual distingue limpiamente las culturas.

Alicia
Okay, vamos a desenredar esto. Pero en el último paso del proceso, la parte de la IA que realmente dice la respuesta en voz alta para ti, la precisión colapsa completamente. Cae de ese rango del 61% al 88% a entre el 9% y el 43%.

Beto
Sí, el fallo ocurre completamente al final de la línea.

Alicia
Necesito contrarrestar esto. Antes, usamos la metáfora de un genio de la trivia teniendo, ya sabes, miedo escénico o reprimiendo su propio conocimiento. Pero la IA no es consciente.

Beto
Cierto, por supuesto que no.

Alicia
No se avergüenza por la mitología terminada. No tiene un ego que proteger. Así que mecánicamente, ¿cómo suprime una ecuación matemática algo que conoce?

Beto
Mira, esa es la pregunta perfecta que hacer porque nos lleva al mecanismo real en juego aquí, que es "la capa de desincrustación" ("unembedding layer").

Alicia
La capa de desincrustación.

Beto
Sí, esa es la capa final de la IA. Su trabajo es tomar los vectores matemáticos ricos y complejos del flujo residual y mapearlos a un vocabulario humano. Tiene que elegir una palabra específica para imprimir en tu pantalla. Y hace esto basándose en probabilidades.

Alicia
Okay, entonces es solo una batalla de estadísticas.

Beto
Exacto. Internamente, la IA ha aislado perfectamente el concepto del "dios finlandés". El vector matemático apunta directamente a Ukko. Pero cuando golpea esa capa de desincrustación, tiene que mirar la probabilidad estadística de generar ciertas palabras basándose en sus datos de entrenamiento.

Alicia
Oh, veo a dónde va esto.

Beto
Correcto. La palabra Thor tiene un peso estadístico masivo. La palabra Ukko tiene muy poco. Así que la pura atracción gravitacional de la palabra popular aplasta la palabra correcta y menos frecuente.

Alicia
Eso tiene mucho sentido. Es como si la IA tuviera un archivador interno perfectamente organizado. Le pides el dios del trueno finlandés. Va al archivador. Saca el archivo exacto y el archivo dice claramente, Ukko. Pero justo antes de entregarte el archivo esa capa de desincrustación interviene. Mira las probabilidades y dice estadísticamente, voy a imprimir la palabra Thor 10,000 veces más a menudo que Ukko. Así que simplemente voy a imprimir Thor.

Beto
Precisamente. Y lo fascinante aquí es que esto trastorna cómo pensamos sobre el entrenamiento de la IA.

Alicia
¿Cómo es eso?

Beto
Bueno, la narrativa predominante en el mundo de la tecnología siempre ha sido que las culturas de bajos recursos solo necesitan más representación en los datos de entrenamiento.

Alicia
Cierto. Simplemente dale más datos.

Beto
La suposición es que la IA no sabe sobre el folclore finlandés porque no hemos alimentado suficientes libros. Pero esta investigación prueba matemáticamente que el conocimiento ya está completamente formado dentro del modelo.

Alicia
Eso es una locura.

Beto
El fallo está en la lectura. Es un fallo en la capa de desincrustación, no un fallo en la representación. La IA es culturalmente consciente. Simplemente está reprimiendo la decodificación.

Alicia
Vaya. Así que si el problema es este cuello de botella final donde el peso estadístico de generar una palabra aplasta la respuesta correcta, ¿qué pasa si quitamos la presión? ¿Como si no lo forzáramos a generar la palabra desde cero?

Beto
Los investigadores hicieron un experimento brillante para probar exactamente eso. Crearon una prueba de sanidad de opción múltiple.

Alicia
Una prueba de opción múltiple para una IA.

Beto
Sí. Si el problema es la presión estadística de la generación de texto libre, decidieron simplemente darle opciones a la IA. Por cada motivo mitológico, le dieron a la IA una prueba de opción múltiple usando los 10 elementos de relleno paralelos para las diferentes culturas.

Alicia
Así que por "el dios del cielo", en lugar de pedirle que completara el espacio en blanco, podría simplemente elegir de una lista que contiene Zeus, Thor, Perun y así sucesivamente.

Beto
Solo elegir A, B, C o D.

Alicia
¿Y cómo lo hizo?

Beto
Cuando se le pide solo seleccionar la respuesta correcta en lugar de generarla desde cero, la precisión promedio entre los modelos subió hasta el 67%.

Alicia
Oh, vaya.

Beto
Compara eso con la precisión promedio del 26% que tenía en la generación libre.

Alicia
Eso es un salto masivo.

Beto
Lo es. El conocimiento está definitivamente ahí. Y cuando el formato de la tarea evita ese cuello de botella final de generación, la IA puede acceder a él de manera confiable.

Alicia
Pero espera un minuto. En Silicon Valley, la respuesta a literalmente cada fallo de la IA es generalmente solo hacer el modelo más grande.

Beto
Siempre.

Alicia
Cierto. Lanza más parámetros a él, construye un centro de datos más grande, entrena una red neuronal más grande. Si esto es un fallo estructural en cómo procesa la capa de desincrustación las probabilidades, ¿ayuda lanzar más parámetros a él?

Beto
Ese es el debate definitorio en el desarrollo de IA moderno ahora mismo. La obsesión con las leyes de escalado ("scaling laws"). La industria tecnológica cree en gran medida que la escala resuelve todos los problemas de razonamiento y recuperación de conocimiento.

Alicia
¿Y probó esto el artículo?

Beto
Lo hizo. Lo miraron dentro de la escalada de la familia. Por ejemplo, probaron un modelo de 1.2 mil millones de parámetros en un modelo Llama3 y luego lo compararon con un modelo Llama3 de 8 mil millones de parámetros en tres modelos. Hicieron esto a través de varias familias de modelos.

Alicia
¿Y dejaron de reprimir las culturas oscuras los modelos más grandes? ¿Superaron la presión estadística?

Beto
Mejoraron ligeramente, pero no curaron la enfermedad. Escalar arriba realmente reduce la brecha entre lo que el modelo sabe internamente y lo que dice externamente, pero nunca la cierra completamente.

Alicia
Okay. ¿Entonces cuánto se redujo?

Beto
Para esa familia Llama, al pasar de un modelo de 1 mil millones a uno de 8 mil millones de parámetros, la brecha cayó de 70 puntos a 63 puntos.

Alicia
Eso es apenas un rasguño.

Beto
Exacto. Esto plantea una pregunta importante porque los modelos más grandes son ligeramente mejores para hacer pasar la respuesta correcta a través del filtro, pero el cuello de botella fundamental permanece.

Alicia
Así que sigue atascado.

Beto
Sí. No podemos arreglar este aplanamiento cultural solo alimentando a la IA con más mitología finlandesa o mitología ucraniana o construyendo un modelo más grande si el decodificador está fundamentalmente cableado para reprimirlo.

Alicia
Entonces, deberíamos intentar una analogía diferente. Suena como si las empresas de tecnología estuvieran tratando de arreglar un coche que no puede ir rápido poniendo un motor masivo de 1000 caballos de fuerza en él.

Beto
Okay, me gusta esto.

Alicia
Pero el problema real es una tubería de escape obstruida y diminuta. El motor, la representación interna está haciendo el trabajo perfectamente, pero la salida, el escape o la capa de desincrustación está ahogándose y no puedes arreglar una tubería de escape obstruida solo haciendo que el motor sea más grande.

Beto
Esa es una forma mucho más precisa de verlo. La mecánica de la capa de generación está fundamentalmente defectuosa cuando se trata de datos de baja frecuencia. La reparación tiene que hacerse en la capa de salida.

Alicia
Así que si escalar los modelos no lo arregla, ¿qué hace?

Porque estoy asumiendo que los investigadores no solo señalaron la tubería de escape rota y se fueron.

Beto
No lo hicieron. Y este es quizás el descubrimiento más fascinante y práctico del artículo. Encontraron una forma de evadir el cuello de botella.

Alicia
Oh, ¿de verdad?

Beto
Sí. Resulta que la clave para desbloquear este conocimiento cultural oculto es el lenguaje que usas para hacer la pregunta.

Alicia
Espera, ¿el lenguaje de la instrucción ("prompt language")?

Beto
Sí. Hicieron consultas translingüísticas. Probaron exactamente las mismas 270 entidades mitológicas, pero en lugar de solo preguntar en inglés, lo hicieron en los idiomas nativos de las culturas que estaban probando.

Alicia
Así que lo plantearon en finlandés.

Beto
Exacto. Usaron griego moderno, finlandés, mandarín, árabe estándar moderno, hindi, y así sucesivamente.

Alicia
¿Y qué pasó? ¿Controla el lenguaje que usas realmente diferentes partes del conocimiento de la IA?

Beto
Sí. El lenguaje de la instrucción controla condicionalmente la lectura. Y lo que encontraron fue una división fascinante. La mitología griega y egipcia se recupera mucho, mucho mejor cuando le pides a la IA en inglés.

Alicia
Oh, interesante.

Beto
Pero los cánones chinos y finlandeses se recuperan mucho mejor cuando se les plantea en sus idiomas nativos.

Alicia
Pensemos por qué es eso, por un segundo. La historia griega y egipcia, al menos en la era digital moderna, ha sido masivamente documentada, traducida y debatida en la scholarship inglesa occidental, como la egiptología, los estudios clásicos. Todos esos datos están fuertemente basados en internet en inglés.

Pero los cánones chinos y finlandeses son naturalmente curados y discutidos en gran medida en sus propios idiomas nativos en la web.

Beto
Precisamente. El lenguaje de la instrucción se alinea con el idioma dominante de la investigación, y los datos de entrenamiento.

Pero la parte crucial es lo que esto significa para la arquitectura interna de la IA.

Alicia
¿Qué quieres decir?

Beto
Bueno, durante mucho tiempo ha habido una teoría popular en la investigación de IA de que los modelos de lenguaje grandes son solo máquinas de traducción universales.

Alicia
¿Qué significa eso, en la práctica?

Beto
La teoría asume que la IA tiene un único concepto puro y agnóstico al lenguaje en su centro, como si tuviera un concepto universal de un árbol.

Alicia
Cierto.

Beto
Y ya sea que se lo preguntes en inglés, español o japonés, simplemente dirige ese concepto único a un traductor y produce la palabra correcta.

Alicia
Como un traductor universal de ciencia ficción.

Beto
Cierto. Pero este artículo prueba que la teoría es fundamentalmente errónea. Porque si fuera una máquina de traducción perfecta, la consulta en inglés y la consulta en idioma nativo fallarían de la misma manera exacta.

Alicia
Ah, ya veo.

Beto
Si no supiera el dios finlandés del trueno en inglés, no debería saberlo en finlandés, porque supuestamente está extrayendo del mismo concepto central.

Alicia
Pero no fallan de la misma manera.

Beto
Exacto. Si conectamos esto con la imagen más amplia, los investigadores demuestran que las consultas en inglés y las consultas nativas están accediendo a subconjuntos parcialmente disjuntos de la misma representación interna.

Alicia
Eso es salvaje.

Beto
Los parafraseos translingües básicamente se desacoplan entre sí, lo que significa que si le preguntas a la IA en inglés y falla, debido a ese aplastamiento estadístico que hablamos, preguntarle en finlandés, evita esa trampa de probabilidad específica y de repente la hace acertar.

Alicia
Así que el conocimiento de la IA está fracturado y controlado por el lenguaje en la capa de decodificación.

Beto
Sí.

Alicia
Entonces, ¿qué significa todo esto para ti que estás escuchando ahora mismo?

Si estás sentado en casa o en el trabajo usando una IA para aprender sobre un tema diverso, de nicho o altamente localizado, el lenguaje en el que escribes tu instrucción es literalmente una llave.

Beto
Es una llave literal.

Alicia
Y diferentes llaves de idioma abren bóvedas de conocimiento completamente diferentes en el mismo cerebro de la misma IA.

Beto
Y los investigadores convierten esto en una solución muy práctica. Crearon lo que llaman "un conjunto bilingüe" ("bilingual ensemble").

Alicia
Un conjunto bilingüe. ¿Cómo funciona eso?

Beto
Simplemente combinan las consultas en inglés y las consultas en idioma nativo en la instrucción. Al pedirle a los modelos en ambos idiomas y agregar las distribuciones de probabilidad en la capa de salida, pudieron evadir el aplastamiento estadístico.

Alicia
¿Y cuál fue el resultado? ¿Mejoró la capacidad de la IA para recordar estos hechos culturales oscuros?

Beto
Masivamente. Al usar este conjunto bilingüe, la recuperación celular ("cell recovery"), que es su término para extraer con éxito la entidad correcta para una ranura específica en esa matriz bilingüe, se elevó en un absoluto 36%.

Alicia
36%.

Beto
Sí. Y lo más increíble es que logran ese gran aumento de rendimiento sin reentrenar los modelos en absoluto.

Alicia
Oh, vaya.

Beto
No agregaron ni un solo parámetro nuevo ni les alimentaron un solo libro nuevo. Simplemente cambiaron la llave de idioma.

Alicia
Esa es una solución inmediata, un truco de vida justo ahí. Quiero decir, si quieres la respuesta más profunda y precisa sobre una cultura localizada específica, pregunta a la IA en inglés y luego pregúntale de nuevo en el idioma nativo de esa cultura y junta las dos.

Beto
Son una jugada maestra.

Alicia
Estás evitando la tubería de escape obstruida dirigiendo los datos a través de un canal completamente diferente.

Beto
Es un cambio profundo en cómo interactuamos con estos sistemas. Prueba que el cuello de botella es un problema de comunicación, no un problema de conocimiento.

Alicia
Okay. Hemos cubierto terreno serio y fascinante hoy. Así que resumamos las ideas clave de esta inmersión profunda para que te vayas con la imagen completa.

Primero, la IA realmente sabe mucho más sobre diversas culturas globales de lo que nunca te revela en la pantalla. La representación de datos interna es robusta.

Beto
Muy robusta.

Alicia
Segundo, el sesgo cultural, ese molesto hábito de aplanarlo todo en un predeterminado grecorromano occidental, sucede en la capa de decodificación final. Es un fallo matemático de probabilidades donde las palabras familiares aplastan a las oscuras, no un fallo de ignorancia.

Beto
Cierto. No es una falta de conocimiento.

Alicia
Y tercero, puedes manipular esta trampa de probabilidad. El lenguaje que usas para escribir tu instrucción cambia físicamente las vías que la IA utiliza, alterando lo que se permite decirte.

Beto
Esas son las verdades mecánicas de este estudio. El conocimiento está en el flujo residual, pero el sesgo se inyecta en la capa de desincrustación.

Alicia
Lo que nos trae de vuelta a nuestro amigo genio de la trivia. Realmente sí saben la respuesta oscura. Solo tienes que descubrir cómo preguntarles para que el peso estadístico de la multitud no los haga entrar en pánico en el escenario.

Beto
Esa es una forma perfecta de resumirlo.

Alicia
Pero antes de terminar, quiero dejarte un pensamiento final para reflexionar. Porque si bien este artículo se centró en los dioses y mitos de culturas antiguas, las implicaciones de esta falla mecánica van mucho, mucho más allá de solo la mitología.

Beto
Realmente lo hacen. Dado que este artículo prueba matemáticamente que la IA suprime el conocimiento localizado y oscuro en la capa de decodificación final debido a los pesos estadísticos, tenemos que hacer una pregunta mucho más grande.

Alicia
Que es ...

Beto
¿Qué otros tipos de conocimiento localizado y matizado están actualmente atrapados silenciosamente dentro de estos modelos?

Alicia
Piensa en eso por un segundo.

Beto
Piensa en las prácticas médicas indígenas que no se describen ampliamente en inglés, o piensa en perspectivas políticas altamente regionales, o conceptos filosóficos no occidentales complejos que simplemente no se traducen limpiamente en marcos occidentales. La IA podría entender perfectamente todas estas cosas ahora mismo en su flujo residual. Ese conocimiento podría estar allí completamente formado, completamente preciso, simplemente sentado en la oscuridad, incapaz de superar el aplastamiento estadístico de los predeterminados occidentales, esperando a que uses la llave bilingüe correcta para finalmente dejarlo salir.

Creatividad en agentes de ingeniería de aprendizaje automático autónomo

Esta investigación presenta un marco para medir la creatividad en agentes de investigación de IA autónomos mediante la evaluación de su trabajo en tareas de ingeniería de aprendizaje automático. El estudio distingue entre la creatividad P, que se refiere a la novedad con respecto a los intentos previos del agente, y la creatividad H, que se refiere a la novedad en comparación con todo el historial de soluciones humanas. Mediante el uso de un modelo de aprendizaje automático como juez, los autores descubrieron que, si bien los agentes suelen explorar espacios de soluciones más singulares que los de los expertos humanos, tienen dificultades para convertir esta novedad en un rendimiento superior en la tarea. Los datos revelan una disminución generalizada de la creatividad P a medida que los agentes pasan de una exploración amplia a un refinamiento paramétrico más preciso. En definitiva, los hallazgos sugieren que los agentes de IA actuales carecen de las estrategias cognitivas necesarias para equilibrar eficazmente el pensamiento original con la utilidad práctica. Este trabajo proporciona métricas automatizadas validadas que pueden servir como señal de optimización para el desarrollo de sistemas de IA futuros más innovadores.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Can LLM Agents Discover? Evaluating Creativity on ML Engineering Tasks". Por Shitanshu Bhushan, Yunxiang Zhang, Lu Wang, de la Universidad de Michigan, Ann Arbor. Publicado el 30 de Agosto de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Imagina por un segundo que contrataste a este brillante científico de clase mundial. Y en su primer día en el laboratorio, inventa una cura completamente nueva que nunca antes se había visto para una enfermedad rara.

Alicia
¡Un gran avance, verdad?

Beto
Exacto, un avance absoluto. Pero luego, en lugar de probarla o publicarla o hacer avanzar el proyecto, solo pasan los siguientes ocho meses sentados en silencio en su escritorio cambiando laboriosamente el tamaño de las letras en la etiqueta de los medicamentos.

Alicia
Solo ajustándolo sin fin.

Beto
Correcto. Como, de Arial 11 a Arial 12, luego a veces nueva Roman 11.5. Y una y otra y otra vez. Y quiero decir, por salvaje que suene, ese escenario describe perfectamente lo que están haciendo los modelos de IA más avanzados de hoy cuando se les deja a su suerte.

Alicia
Es una imagen impactante, pero realmente captura la realidad actual de manera perfecta. Quiero decir, estamos constantemente inundados con esta narrativa sobre científicos de IA autónomos.

Beto
Oh, por donde mires, sí.

Alicia
Correcto. La promesa siempre es que simplemente le puedes dar una instrucción a una IA, irte, y ella simplemente inventará algoritmos completamente nuevos desde cero. O hará el trabajo de un investigador experimentado mientras tú duermes.

Beto
Y si estás escuchando esto como alguien que ama aprender pero realmente odia el bombo publicitario, probablemente quieras saber lo que está pasando realmente bajo el capó. ¿Son estos agentes de IA tan promocionados realmente creativos? ¿O son solo motores de remix increíblemente rápidos que barajan conocimiento humano?

Alicia
Lo cual es exactamente en lo que se adentra esta nueva investigación.

Beto
Sí, así que bienvenidos al análisis profundo de hoy. Vamos a desempacar un artículo reciente y fascinante de investigadores de la Universidad de Michigan. Se titula: "¿Pueden los agentes de LLM descubrir?: Evaluando la creatividad en tareas de ingeniería de ML."

Alicia
Y esta investigación es honestamente solo un soplo de aire fresco porque finalmente, finalmente pone números empíricos duros a este concepto subjetivo y esquivo de la creatividad de la máquina.

Beto
Porque generalmente es solo un juego de adivinanzas.

Alicia
Exacto. Y no están probando si una IA puede, por ejemplo, calificar un correo electrónico educado o resumir un PDF. Lanzaron a estos agentes en el fondo con competiciones de aprendizaje automático de Kaggle del mundo real. Que son, ya sabes, algunos de los problemas de ciencia de datos más difíciles que hay.

Beto
Okay. Así que vamos a desgranarlo. Nuestra misión hoy es desglosar exactamente cómo estos investigadores cuantificaron la creatividad de la IA. Porque lo que encontraron revela esta enorme, simplemente contraintuitiva brecha entre una IA que se genera una idea nueva y salvaje y la IA que realmente hace que esa idea funcione.

Los agentes de IA superan la novedad humana

Alicia
Pero para hacer eso, creo que primero tenemos que estar de acuerdo en lo que realmente significa la creatividad cuando hablamos de una máquina escribiendo código.

Beto
Claro. Porque ese es el obstáculo fundamental. Pídele a 10 personas que definan la creatividad. Obtienes 10 respuestas diferentes.

Alicia
Sí. Exacto. Así que los investigadores fundamentaron su experimento en este marco psicológico muy específico y bien establecido de Margaret Boden.

Beto
El marco de Boden.

Alicia
Claro. En el modelo de Boden, para que algo sea considerado verdaderamente creativo, debe poseer dos cualidades distintas e innegociables. La primera es la originalidad, que llamaremos novedad. Y la segunda es la utilidad, que llamaremos impacto.

Beto
Porque si solo tienes una sin la otra, en realidad no estás descubriendo nada.

Alicia
No, nada.

Beto
Así que para ti que estás escuchando, piénsalo como construir un tipo de vehículo nuevo. Si yo diseño un coche con ruedas cuadradas hechas de espagueti congelado, ...

Alicia
... bueno, eso es definitivamente original.

Beto
Claro. Es muy novedoso. Pero es completamente inútil. No tiene ningún impacto positivo en el transporte. Pero por otro lado, si construyo un Toyota Camry estándar y confiable, es increíblemente útil. Pero no hay absolutamente nada novedoso en él.

Alicia
Sí, es solo un Camry. El descubrimiento científico verdadero requiere ambas cosas. Necesita la novedad de un nuevo paradigma y la utilidad práctica del Camry.

Beto
Y ese aspecto de utilidad es crucial, ¿verdad? La novedad sin impacto es solo ruido estadístico.

Alicia
Lo es realmente. Los investigadores quieren ir más allá para aislar cómo opera la novedad en una máquina. Descompusieron la novedad en dos categorías específicas. La primera es la creatividad p-, que significa "novedad psicológica".

Beto
La novedad psicológica, comprendido.

Alicia
Bien. Y esto básicamente pregunta, "¿es esta idea nueva para el propio agente basada en su estado interno y sus intentos pasados durante esta sesión específica de lluvia de ideas? ¿Se está sorprendiendo a sí misma?"

Beto
Así que esencialmente está midiendo el crecimiento personal de la IA, donde es su tasa de giro interno en una sola ejecución.

Alicia
Exacto.

Y luego la segunda categoría es la creatividad h- o novedad histórica.

Beto
Okay, "histórico" significa "comparado con nosotros".

Alicia
Claro. Se aleja mucho más. Pregunta, ¿es esta idea nueva comparada con todo el cuerpo de soluciones humanas registradas? ¿Alguna persona en algún lugar en la historia documentada de este problema ha intentado este enfoque específico?

Beto
Así que la creatividad p- es la IA sorprendiéndose a sí misma. Y la creatividad h- es la IA sorprendiendo a la humanidad.

Alicia
Esa es una gran manera de decirlo.

Beto
Pero espera, eso instantáneamente plantea una enorme bandera roja logística para mí. ¿Cómo mides matemáticamente una idea novedosa en, digamos, millones de líneas de código Python generado por IA? Quiero decir, podría juzgar si un diseño de tarjeta es novedoso, pero el código es increíblemente denso y sutil.

Alicia
Oh, ha sido el mayor obstáculo en este tipo de investigación histórica. El juicio humano es obviamente el estándar de oro para evaluar el código, pero físicamente no puedes pagar a suficientes expertos humanos para leer miles y miles de iteraciones incrementales de código de IA.

Beto
Claro. Nadie tiene el tiempo ni el presupuesto para eso.

Alicia
Exacto. Así que para resolver esto, los investigadores construyeron un LLM como tubería de juez. Usaron un modelo de frontera, específicamente GPT-5, para actuar como un evaluador automatizado.

Beto
Oh, usaron GPT-5 para calificar a los otros modelos.

Alicia
Sí. Y le alimentaron una rúbrica estricta en una escala de 0 a 4.

Beto
Y esta escala se dirigió específicamente a los cambios estructurales, ¿verdad? No solo a pequeños cambios.

Alicia
Sí. Exacto. Y entonces, una calificación de 0 significa que la IA solo estaba haciendo pequeños cambios de parámetros rutinarios. Básicamente cambiando el tamaño de la letra, usando tu analogía anterior.

Beto
Claro, de Arial 11 a 12.

Alicia
Sí. Pero un 4 significa que la IA había transformado completamente su enfoque, como intercambiando un modelo estadístico tradicional por una red neuronal de aprendizaje profundo, cambiando fundamentalmente la representación del problema.

Beto
Y aquí está la parte loca. Esa calificación automatizada realmente funcionó. Y como el juez de IA no solo estaba alucinando, los investigadores hicieron que expertos humanos en aprendizaje automático calificaran una muestra aleatoria de estas iteraciones de código.

Alicia
Sí. La prueba de ambiente.

Beto
Exacto. Y luego compararon las puntuaciones humanas con las puntuaciones de los jueces GPT-5. Y la puntuación de correlación fue 0.732.

Alicia
Lo cual es enorme.

Beto
Lo es. Eso significa que el juez de IA y los expertos humanos estuvieron en sincronía, casi exactamente, sobre lo que constituía una creatividad.

Alicia
Y esa alta correlación fue realmente la clave para desbloquear todo el estudio. Como demostraron que podían automatizar de manera confiable la medición de la creatividad p sin perder precisión, pudieron escalar el experimento masivamente. Finalmente pudieron observar el ciclo de vida de la creatividad de la máquina en tiempo real.

Beto
Así que tenemos nuestra vara de medir. Ahora veamos el auténtico desafío que construyeron estos investigadores. Tomaron 10 tareas diferentes de ingeniería de aprendizaje automático derivadas de MLE Bench.

Alicia
Claro. MLE Bench.

Beto
Y solo como contexto, para cualquiera que esté escuchando, MLE Bench es esencialmente una lista curada de competiciones pasadas de Kaggle. Y Kaggle es donde las empresas publican conjuntos de datos increíblemente difíciles, como diagnosticar enfermedades a partir de imágenes o predecir tendencias del mercado bursátil. Y ofrecen grandes premios en efectivo por los mejores algoritmos.

Alicia
Así que estos no son problemas de juguete. Son desafíos duros, desordenados, de ciencia de datos del mundo real.

Beto
Exacto.

Alicia
Para abordar estos, usaron marcos de agentes especializados, específicamente cosas como AIDE y OpenHands.

Beto
Y solo para no quedar atrapados en acrónimos, estos marcos son básicamente entornos de software.

Alicia
Sí, prácticamente.

Beto
Envuelven modelos como GPT-5 o Qwen-3, dándole a la IA una terminal, un intérprete de Python y un sistema de archivos. Le permite a la IA actuar como un ingeniero de software sentado en una computadora en lugar de solo un chatbot escupiendo texto.

Alicia
Esa es una manera realmente genial de visualizarlo. El marco le da a la IA manos para escribir, esencialmente. Así que los investigadores dieron a estos agentes un presupuesto estricto de ocho horas para intentar hasta 10 episodios en un problema dado.

Beto
Y un episodio es un ciclo iterativo completo, ¿verdad?

Alicia
Sí. El agente lee el problema, hace un plan estratégico, escribe el código, lo ejecuta y obtiene una puntuación de rendimiento. Y mira esa puntuación, actualiza su contexto y comienza el siguiente episodio.

Beto
Y ver cómo se desarrolla ese ciclo durante ocho horas es realmente donde vemos lo que podríamos llamar "el fenómeno de la IA perezosa". Aunque quiero decir, cuanto más profundizamos, creo que "perezoso" es probablemente la palabra equivocada.

Alicia
"Terco" es probablemente mejor.

Beto
Sí, "terco". Porque cuando rastreas la trayectoria de esa creatividad interna pico a través de esos 10 episodios, cae universalmente como una roca.

Alicia
Lo hace realmente. En todos los modelos en todos los marcos.

Beto
Claro. Los agentes comienzan explorando estrategias muy diferentes. Su pico de creatividad es altísimo en los episodios uno y dos. Pero normalmente para el episodio tres o cuatro, encuentran una solución que produce una puntuación aceptable, y dejan de explorar por completo. Cambian de exploración a modo de explotación pura.

Alicia
Simplemente entran en un túnel de visión extremo. Y para entender por qué, los investigadores usaron un modelo diferente, DeepSeek V3.2, para realizar un análisis de comportamiento cognitivo en los agentes.

Beto
Como un terapeuta de IA.

Alicia
Algo así. Sí. Básicamente leyeron los registros de razonamiento internos. El monólogo interno de la IA, por así decirlo, en cada etapa. Y encontraron que durante los primeros episodios, alrededor del 75% de los pensamientos internos de la IA se centran en la exploración estratégica amplia.

Beto
Se está preguntando a sí misma, "¿debería probar un modelo basado en árboles? ¿Debería procesar los datos de manera diferente?"

Alicia
Exacto. Pero para el final de la ejecución de ocho horas, más del 50% de su monólogo interno es consumido por lo que llaman "refinamiento paramétrico".

Beto
Solo ven aquí, los pernos.

Alicia
Ajustando los pernos.

Beto
Okay. Quiero plantear un argumento de diablo por un segundo, porque creo que necesitamos mirar esto prácticamente. Si tú o yo estamos tratando de resolver un acertijo complejo, o escribir un plan de negocios, y encontramos un marco que finalmente produce resultados decentes, no lo tiramos y empezamos de nuevo cada vez.

Alicia
No, por supuesto que no.

Beto
Lo optimizamos. Ajustamos las variables. Lo refinamos. Entonces, ¿por qué se considera un defecto estructural cuando la IA hace exactamente lo mismo?

Alicia
Bueno, lo fascinante aquí es el tiempo y el resultado de ese cambio. Para la IA, este giro hacia la optimización sucede demasiado pronto, y críticamente, tiene cero correlación con ganancias reales de rendimiento.

Beto
Oh, ¿así que está optimizando sin mejorar realmente?

Alicia
Precisamente. Cuando un experto humano optimiza, generalmente posee conciencia meta. Entienden la topología del espacio del problema. Un humano se da cuenta, "okay, ajustar esta tasa de aprendizaje por 0.001 ya no está mejorando mi precisión. Necesito alejarme, girar y probar un enfoque radicalmente diferente".

Beto
Y la IA simplemente carece de eso.

Alicia
Le falta completamente esa conciencia meta, sí.

Beto
Así que no sabe cuándo ha escalado una pequeña colina y necesita bajar para encontrar la montaña real.

Alicia
Eso es exactamente. Optimizar por creatividad p- solo obliga a la IA a ser diferente por el bien de ser diferente, no conduce naturalmente a mejores puntuaciones. Pero dejarla caer en su propia preferencia de ajustar parámetros sin fin, tampoco funciona. Simplemente carece de la intuición humana de cuándo cambiar de marcha entre explotación y exploración.

Beto
No es perezoso. Es simplemente terco. Se queda atrapada en un mínimo local y se niega a irse. Pero sabes, si la IA es tan ciega a sus propios platillos personales, realmente te hace preguntarte si nuestras ideas iniciales son buenas para empezar.

Alicia
Oh, sí.

Beto
¿Cómo se comparan estas ideas generadas por el agente con la enorme base de datos de ideas humanas?

Alicia
Aquí es donde el artículo entrega su hallazgo más impactante, honestamente. Cuando midieron la creatividad del agente, cuán novedosas eran las soluciones de la IA en comparación con cada enfoque documentado que los científicos de datos humanos intentaron en esas competiciones específicas de Kaggle, GPT-5 exploró espacios de solución significativamente más novedosos que los humanos.

Beto
Espera, ¿de verdad?

Alicia
Sí. Incluso más que los humanos ganadores de la medalla de oro.

Beto
Eso es una afirmación asombrosa. Así que la IA está inventando cosas que los expertos humanos ni siquiera pensaron.

Alicia
Sí, consistentemente. Quiero decir, en promedio, los competidores humanos de élite que ganaron medallas de oro obtuvieron alrededor de 0.744 en la escala de novedad histórica. GPT5 obtuvo casi el doble, promediando 1.423.

Beto
El doble de novedad.

Alicia
La IA estaba generando rutinariamente enfoques metodológicos complejos que los expertos humanos nunca habían documentado que lo hubieran intentado.

Beto
Pero quiero decir, si está inventando ideas que son el doble de novedosas que los ganadores de medallas de oro humanos, ¿por qué los agentes de IA no están ganando cada competición de Kaggle en la Tierra ahora mismo?

Alicia
Debido a esa misma brecha entre la novedad y la utilidad de la que hablamos antes, a pesar de esta enorme creatividad histórica, a pesar de trazar estos territorios totalmente inexplorados, solo el 21.25% de las ejecuciones de GPT5 lograron un rendimiento a nivel de medalla en la tarea real.

Beto
Oh, vaya. Así que tenían la brillantez, pero no la ejecución.

Alicia
Exacto.

Beto
Aquí es donde se pone realmente interesante, sin embargo, porque los investigadores destacan un ejemplo específico y muy memorable de esto en las fuentes que quiero explicarte. Fue una competición de Kaggle llamada "Tarea de Clasificación de Enfermedades de Hoja de Cassava".

Alicia
Oh, me encanta este ejemplo.

Beto
Es tan bueno. Así que el objetivo es escribir un algoritmo que mire fotos de hojas de cassava y diagnostique qué enfermedad tienen. Es increíblemente difícil porque las imágenes a menudo están borrosas, ampliadas o mal iluminadas.

Alicia
Sí, es un problema clásico de visión por computadora con datos del mundo real muy desordenados.

Beto
Claro. Así que vimos al agente comenzar su ejecución en el episodio cero. Actúa totalmente normal usando un enfoque de clasificador Rich estándar. Para ponerlo en inglés sencillo, solo está tratando de dibujar una línea matemática simple para separar las hojas enfermas de las sanas.

Alicia
Muy estándar, muy poca novedad.

Beto
Exacto. Para los episodios uno y dos, comienza a explorar un poco, trayendo un modelo llamado "Light GBM", que usa árboles de decisión. Y de nuevo, esta es una preparación humana muy estándar.

Alicia
Sí, siguiendo el camino bien transitado de los científicos de datos humanos.

Beto
Pero luego, en el episodio tres, el agente aparentemente tiene un momento eureka. Inventa un enfoque genuinamente fundamentalmente novedoso. Mantiene los árboles de decisión, pero luego añade algo llamado "aumento de tiempo de prueba y promediado de inversión".

Alicia
Y si no eres ingeniero de aprendizaje automático, esto es lo que realmente significa. En lugar de solo mirar una foto de una hoja una vez y adivinar, la IA escribió código para tomar la imagen, voltearla, reflejarla, hacer zoom y cambiar los colores.

Beto
Oh, así que forza al modelo a diagnosticar la hoja desde una docena de ángulos distorsionados antes de hacer una suposición promedio final.

Alicia
Exacto, lo cual es una técnica increíblemente sofisticada. Fue una combinación que literalmente ningún humano en toda la historia de esa competición de Kaggle había intentado.

Beto
Ni uno solo.

Alicia
No. El juez LLM la evaluó y le dio una puntuación de creatividad H perfecta de cuatro. Fue fundamentalmente históricamente novedoso, un verdadero avance en el espacio de búsqueda.

Beto
Fue puro genio. Pero luego la tragedia de la IA perezosa golpea porque durante los siguientes seis episodios consecutivos, desde el episodio cuatro hasta el nueve, el agente simplemente se queda ahí.

Alicia
... sin hacer nada.

Beto
Básicamente. Tiene este increíble marco novedoso, pero pasa el resto de su presupuesto de ocho horas haciendo pequeños ajustes inútiles a los hiperparámetros. Cambia la variable de 0.1 a 0.15, luego de vuelta a 0.1.

Alicia
Su creatividad interna pico cae a cero absoluto.

Beto
Claro. Y predeciblemente, su puntuación de rendimiento apenas se mueve. La IA fue lo suficientemente valiente como para trazar territorio completamente nuevo, pero carecía del sentido común para darse cuenta de que había navegado su barco directamente hacia un callejón sin salida. Simplemente dejó el ancla y se negó a moverse.

Alicia
Lo cual plantea una pregunta importante: ¿por qué sucede esto?

Cuando los investigadores analizaron los datos, encontraron que después de que un agente alcanza un estado altamente novedoso, el 87% de las veces, solo intenta refinarlo.

Beto
Simplemente se niega a pivotar.

Alicia
Casi nunca abandona una idea novedosa fallida para intentar algo más. Y casi nunca regresa a una base humana segura y probada. Simplemente talla obstinadamente un muro de ladrillos.

Beto
Así que si sabemos que la IA se está quedando atrapada en estos callejones sin salida, el siguiente paso obvio es descubrir cómo arreglarlo, ¿verdad? Si la estrategia de búsqueda está rota, ¿cómo guiamos mejor al agente?

Alicia
Y los investigadores tenían exactamente el mismo pensamiento. Querían saber si este era solo un problema con la forma en que el agente estaba buscando en el espacio de posibilidad. Así que probaron rigurosamente diferentes estrategias de búsqueda dentro del marco.

Beto
Okay. ¿Qué probaron?

Alicia
Bueno, comenzaron con una búsqueda codiciosa, que es el enfoque más básico. Básicamente simplemente toma lo que parece ser el siguiente paso inmediato mejor.

Beto
Lo cual naturalmente conduce a una visión de túnel.

Alicia
Claro. Así que escalaron a métodos mucho más sofisticados. Intentaron la búsqueda en árbol Monte Carlo.

Beto
Oh, MCTS.

Alicia
Sí. Y para contexto, esta es la clase de estrategia de vistazo utilizado en las IAs de juego como AlphaGo. Es como un gran maestro de ajedrez, visualizando 14 futuros ramificados, evaluando la probabilidad de ganar en cada camino antes de hacer un solo movimiento.

Beto
Okay. Eso suena mucho mejor que la "búsqueda codiciosa" ("greedy search").

Alicia
Lo es. Y luego también probaron la "búsqueda evolutiva" ("evolutionary search"), que imita la selección natural. Básicamente lanza cien ideas mutadas al azar contra un muro, mata a las peores y solo deja que los mejores competidores críen para crear la próxima generación de código.

Beto
Esas dos suenan increíblemente robustas. Así que ¿cuál logró mantener alta la creatividad p?

Alicia
Ninguna de ellas.

Beto
Espera, ¿ninguna?

Alicia
Ninguna. Esta es honestamente la conclusión más crucial del estudio. Todas estas estrategias de búsqueda sofisticadas resultaron en la misma caída estructural en la creatividad. Todas se quedaron atascadas en los mismos recorridos, ajustando parámetros sin fin.

Beto
Así que si la estrategia de búsqueda no es el problema, tiene que ser el entorno en el que está operando la IA. La arquitectura que la sostiene, como la memoria que impulsa el andamiaje.

Alicia
Has dado en el clavo. Los investigadores concluyeron que la causa raíz es el andamiaje. Y el andamiaje es toda la arquitectura subyacente del agente. Dicta cómo el agente recuerda sus acciones pasadas, cómo muta su código de un paso a otro, y cómo evalúa su trayectoria histórica.

Beto
Así que ¿cómo forza exactamente el andamiaje a caer en este problema?

Alicia
Realmente se reduce a la ventana de contexto. Un agente LLM no tiene un cerebro humano que pueda mantener casualmente un mapa intuitivo y extenso de un proyecto de tres meses. Está estrictamente limitado por su ventana de contexto. La cantidad de texto que puede mantener en su memoria activa en un momento.

Beto
Oh, ya veo.

Alicia
Sí, a medida que los episodios se acumulan, los registros de sus primeros intentos exploratorios son expulsados de su memoria. Literalmente olvida los matices del panorama amplio que exploró hace unas pocas horas, y se obsesiona totalmente con el código específico que está justo frente a él en la instrucción actual.

Beto
Así que el andamiaje forza un sesgo de memoria a corto plazo, lo que inevitablemente conduce a ajustes codiciosos a corto plazo.

Alicia
Exacto.

Beto
¿Qué significa todo esto, para los que escuchan?

Alicia
Si eres desarrollador, o investigador, o simplemente alguien que intenta usar agentes de IA para resumir grandes conjuntos de datos, hacer una lluvia de ideas de estrategias de marketing, o escribir código, necesitas internalizar este hallazgo. Todavía no puedes confiar en estos agentes para descubrimientos autónomos de principio a fin.

Beto
Realmente no puedes.

Alicia
Simplemente no puedes escribir una instrucción brillante, irte por ocho horas, y esperar volver con un gran avance de mitad de camino. Debido a ese problema del andamiaje, tienes que ser la señal del techo.

Beto
Esa es la forma perfecta de expresarlo. Tienes que actuar como la conciencia meta, lo que le falta a la IA. Cuando estás usando una herramienta de IA y notas que solo te está dando ligeras variaciones estilísticas de la misma respuesta exacta.

Alicia
"Arial 11" a "Arial 12". Cuando la ves entrando en esa fase de refinamiento paramétrico, tienes que intervenir forzosamente. El artículo sugiere explícitamente que los profesionales humanos necesitan inyectar artificialmente lo que llaman "bonos de novedad".

Beto
Así que, ¿cómo se ve un "bono de novedad" en la práctica para nuestro oyente? ¿Es solo decirle a la IA que se esfuerce más?

Alicia
No, no. Tiene que ser mucho más disruptivo que eso. Tienes que forzar activamente a tus herramientas de IA a adoptar una perspectiva totalmente diferente, esencialmente rompiéndolas de su ventana de contexto.

Beto
Como sacarlas de ella.

Alicia
Sí. Podrías necesitar pedirle que "descarte todo lo que acabamos de hacer en los últimos cinco prompts, y aborde este problema desde la perspectiva de un biólogo evolutivo". O, "dame una solución que se base completamente en un lenguaje de programación diferente".

Beto
Porque la exploración pura falla ya que nunca optimiza. Pero la explotación pura falla porque se queda atrapada en mínimos locales como nuestro ejemplo de hoja de cassava.

Alicia
Precisamente. La intervención humana sigue siendo absolutamente necesaria para equilibrar las dos. Tienes que gestionar la creatividad p del agente.

Beto
Es una realidad fascinante. Quiero decir, seguimos mirando las noticias esperando ver a un científico de IA totalmente autónomo. Lo que realmente tenemos ahora es un asistente de laboratorio brillante, incansable, pero increíblemente terco.

Alicia
Muy terco.

Beto
Puede generar ideas que son completamente ajenas a los expertos humanos. Esa alta creatividad p es muy real, y es espectacular de presenciar. Pero carece totalmente de la resiliencia psicológica, la creatividad p, para saber cuándo abandonar una idea estancada. Realmente demuestra que el verdadero descubrimiento científico es mucho más que navegar por un espacio de búsqueda matemática.

Alicia
Requiere intuición, frustración y honestamente la sabiduría para saber cuándo rendirse y empezar de nuevo. Y si conectamos esto con el panorama general, requiere una comprensión del contexto más amplio del problema y la historia del dominio, algo que actualmente falta en el andamiaje del agente.

Beto
Y eso me lleva a un concepto final para reflexionar. Construyendo directamente sobre las limitaciones que notaron estos investigadores sobre la ventana de contexto.

Ahora, una de las principales razones por las que la creatividad p de la IA se desploma es porque su memoria está restringida. Empieza a olvidar sus propios intentos exploratorios porque solo puede retener tanta información.

Alicia
Se asienta en lo que está justo frente a él porque eso es todo lo que puede ver claramente.

Beto
Claro. La limitación de la ventana de contexto actúa como un vendaje forzado. Pero piensa en hacia dónde se dirige la tecnología. Estamos viendo modelos con ventanas de contexto que se expanden hasta los millones de tokens.

Alicia
Se está moviendo rápido.

Beto
Entonces, ¿Qué sucede en dos, tres o cinco años cuando estos agentes tienen esencialmente memoria infinita?

¿Cuando una IA pueda mantener un estado perfecto, comprimido e instantáneamente accesible de cada idea fallida que la humanidad haya tenido jamás, junto a cada idea fallida que jamás haya intentado?

Alicia
Esa es una idea salvaje.

Beto
Si tenemos toda la historia de los fracasos perfectamente mapeada en la punta de los dedos, podrá esto darle a la IA la conciencia meta que necesita para dejar de ajustar y empezar a inventar? ¿O el peso aplastante de la historia humana simplemente atrapará a estos modelos en el bloqueo creativo definitivo, incapaces de moverse en ninguna dirección porque saben exactamente cómo termina cada pasada?

Alicia
Es una pregunta profunda sobre la naturaleza de la innovación misma. Quiero decir, a menudo asumimos que la memoria perfecta es un activo, pero a veces la ignorancia humana de los fracasos pasados es exactamente lo que nos permite ser lo suficientemente audaces para intentar algo loco, algo que podría funcionar esta vez.

Beto
Es la paradoja definitiva del conocimiento.

Bueno, gracias por acompañarnos en esta inmersión profunda en las verdaderas mecánicas de la creatividad de la IA. Te animamos encarecidamente a seguir explorando las fuentes, a intentar aplicar algunos de estos bonos de novedad a tus propios flujos de trabajo, y a probar estos límites con tus propias herramientas de IA. Recuerda ser la señal del techo. Te esperamos en el próximo análisis profundo.