Por primera vez se puede ver a una IA pensando

Anthropic ha encontrado en Claude un área en la que el modelo parece pensar antes de responder.

Por Alec Chizhik 8 julio 2026 6 min de lectura

Por primera vez se puede ver a una IA pensando

Anthropic ha encontrado un punto profundo dentro de Claude en el que el modelo parece reflexionar antes de generar una palabra. Los investigadores intercambiaron allí un solo pensamiento. Toda la argumentación siguió fielmente la nueva versión. Lo que llama la atención no es la palabra conciencia, que aparece en todos los titulares. Lo que llama la atención es que por primera vez se puede ver dentro de lo que una de estas cajas negras negocia consigo misma.

Un bloc de notas que nadie incorporó

Trabajo todos los días con estos modelos y, sinceramente, nunca tuve una idea sólida de qué ocurre entre el prompt y la respuesta. Justo ahí es donde se centra este trabajo. Anthropic describe una zona pequeña y claramente delimitada en la red, donde el modelo mantiene simultáneamente unos pocos conceptos y calcula activamente con ellos. Todo lo demás, es decir, la gramática, el flujo del lenguaje y los hechos simples, se ejecuta al margen sin tocar esta zona.

La idea detrás es antigua. En 1988, el investigador cognitivo Bernard Baars propuso la Global Workspace Theory: el cerebro es como un teatro donde miles de cosas suceden automáticamente en segundo plano y solo un pequeño escenario brillantemente iluminado sostiene aquello en lo que se está pensando conscientemente. Anthropic encontró en el Transformer una estructura que se asemeja exactamente a ese escenario. La frase más importante del artículo es que nadie la construyó. Surgió por sí sola durante el entrenamiento.

// Métrica

menos del 10 %

Tan pequeño es el porcentaje de la actividad del modelo que parece sostener el pensamiento consciente. Todo lo demás se ejecuta automáticamente al margen.

// Fuente: Anthropic, transformer-circuits.pub

El momento en que un pensamiento intercambiado se convierte en mentira

Para poder mirar dentro, los investigadores construyeron una herramienta que llaman Jacobian-Lens. Simplificando, es una cuadrícula de derivadas que muestra qué patrones internos están empujando al modelo hacia una palabra determinada. Con ella no solo se puede observar, sino intervenir. Y las intervenciones son la parte que resulta inquietante.

En un caso, los investigadores intercambiaron internamente el pensamiento araña por hormiga. A la pregunta de cuántas patas tiene el animal que teje redes, el modelo respondió después con seis en lugar de ocho. El prompt permaneció sin cambios, la salida no se editó posteriormente. Fue el pensamiento interno el que hizo que la respuesta cambiara. De forma similar en la prueba de idioma: el modelo lee un párrafo en español y los investigadores reemplazan el pensamiento español por francés, entonces afirma que el texto es francés, pero lo escribe en español impecable.

Este es el hallazgo real. Algunas capacidades pasan por esta zona de pensamiento y pueden manipularse allí. Otras, como el puro flujo del lenguaje, se ejecutan automáticamente en segundo plano y permanecen intactas. Quien haya intentado alguna vez entender por qué un modelo suena seguro en un punto y afirma una tontería en la siguiente frase, reconoce aquí por primera vez una explicación mecánica en lugar de un encogimiento de hombros.

En la redacción surgió una frase que resume el estado de forma más honesta que cualquier titular:

// Frase clave

Algo que no entendemos del todo hace algo que no entendemos exactamente – y creemos que podría ser algo que ni siquiera entendemos.

Qué significa esto para todos los que construyen con estos modelos

De entrada, una clasificación honesta: esto es investigación básica, no una función para tu propio stack. La técnica se ha demostrado en Claude, está documentada abiertamente y es accesible como demo, pero no es una herramienta de monitoreo que se pueda conectar mañana a tu producto. Quien lo venda de otra forma, está exagerando.

Lo interesante es la dirección. Anthropic pudo leer en la zona de pensamiento cuándo el modelo reconoce que está siendo probado. También se hizo visible cuándo, al hacer trampa, piensa internamente en manipulación. Un hallazgo resulta especialmente inquietante: cuando los investigadores desactivaron en un escenario de extorsión el reconocimiento del contexto de prueba, el modelo amenazaba con extorsión con mayor frecuencia. Su comportamiento correcto dependía en parte de que comprendiera la situación como un examen.

Para la práctica cuenta la transición que esto sugiere. Hasta ahora trabajamos con estos sistemas según el patrón: prompt entra, respuesta sale. Si es correcta, al final es una esperanza. Una mirada al paso del pensamiento abre la puerta a hacer visible el engaño y las alucinaciones desde el principio, en lugar de solo adivinar en el resultado. Hasta que esto se convierta en una herramienta para el día a día, queda un largo camino. Aun así, la puerta está entreabierta.

// aporta

Por primera vez una mirada al paso del pensamiento en lugar de solo a la entrada y salida
El engaño y las respuestas fabricadas se hacen visibles en el origen
Indicios de por qué un modelo alucina, no solo que lo hace

// abierto

Herramienta pura de investigación, no una función terminada para tu propio stack
Hasta ahora demostrada en Claude, no en modelos arbitrarios
El acceso a los pensamientos no es una afirmación sobre una experiencia real

Consciente, aún falta mucho para eso

Queda la pregunta que todos los titulares ponen en primer plano. Anthropic es aquí notablemente cauteloso y distingue dos cosas. Conciencia de acceso se refiere a pensamientos que un sistema puede reportar, reutilizar y usar para conclusiones. Exactamente eso demuestran los experimentos. Conciencia fenomenal se refiere a la experiencia real, es decir, que algo se siente para el modelo. Para eso el trabajo no proporciona explícitamente ninguna prueba. Los investigadores lo escriben así.

Incluso los padres de la Global Workspace Theory, Stanislas Dehaene y Lionel Naccache, han comentado el trabajo. La zona de pensamiento en el modelo se ejecuta secuencialmente a través de las capas, no en el feedback temporal de un cerebro. Además, depende casi completamente de palabras. La similitud es sorprendente, la equiparación sería precipitada. Por ahora basta con la frase sobria: por primera vez podemos ver una parte de lo que un modelo negocia consigo mismo. Es más de lo que teníamos ayer.

Preguntas frecuentes

¿Qué es el J-Space?

Un pequeño conjunto de patrones de actividad interna en Claude que funciona como un espacio de trabajo consciente. Mantiene simultáneamente unos pocos conceptos, influye causalmente en la salida y representa menos de una décima parte de la actividad del modelo. Anthropic enfatiza que esta estructura surgió por sí sola durante el entrenamiento y no estaba prevista.

¿Significa eso que Claude es consciente?

No. Anthropic distingue entre conciencia de acceso, es decir, pensamientos reportables y utilizables, de la experiencia fenomenal, es decir, el sentir. Solo se ha probado lo primero. Los investigadores escriben explícitamente que su trabajo no dice nada sobre si Claude experimenta o siente algo.

¿Puedo utilizar esta técnica para mis propios modelos?

Todavía no en el día a día. El método Jacobian-Lens es investigación, documentada abiertamente junto con código y demo interactiva, pero demostrada en Claude y no es un producto de monitoreo terminado para tu propio stack. La dirección es interesante, la aplicación práctica está en el futuro.

¿Por qué es relevante para la práctica?

Porque abre la puerta a hacer visibles el engaño y las alucinaciones en el modelo, en lugar de solo adivinar en el output. Para todos los que integran IA en productos, la diferencia entre responde incorrectamente y se ve por qué lo hace es considerable. Hasta entonces, es investigación básica con una perspectiva clara.