Un nuevo análisis conceptual revela diferencias clave entre el razonamiento humano y el de la IA
¿Por qué una IA puede generar un poema brillante en cuestión de segundos y, sin embargo, tener dificultades con la lógica sencilla del mundo real? Aunque la inteligencia artificial parece cada vez más humana, los científicos estudian las diferencias estructurales entre los resultados generados por las máquinas y el pensamiento humano. Un nuevo análisis conceptual plantea que, mientras los modelos de lenguaje combinan ideas a partir de patrones estadísticos aprendidos, los seres humanos construyen nuevos conceptos mediante objetivos internos, la experiencia física y las relaciones de causa y efecto. Esta diferencia podría ayudar a explicar por qué el razonamiento humano mantiene una mayor capacidad de adaptación ante situaciones desconocidas. El análisis describe las principales diferencias en la manera en que los seres humanos y la inteligencia artificial construyen nuevos significados.
Nota: Este artículo tiene fines informativos y educativos. Resume una investigación científica en un lenguaje accesible para un público amplio y no es un comunicado de prensa científico oficial.
¿Cómo crean los seres humanos nuevas ideas? A menudo tomamos conceptos conocidos, seleccionamos los elementos relevantes y los combinamos para crear algo completamente nuevo. En ciencia cognitiva, este proceso se conoce como integración conceptual.
Pensemos en las palabras inglesas “houseboat” (casa flotante) y “boathouse” (cobertizo para guardar embarcaciones). Ambas combinan los conceptos de casa y barco, pero comprendemos de inmediato que tienen significados muy diferentes: una houseboat es una embarcación diseñada para vivir en ella, mientras que un boathouse es una construcción destinada a guardar embarcaciones. Nuestra mente no se limita a fusionar todas las características de ambos conceptos. En su lugar, selecciona aquellas que tienen sentido para un significado u objetivo determinado. La inteligencia artificial también puede combinar conceptos existentes para producir ideas sorprendentemente novedosas. Pero ¿las crea del mismo modo que la mente humana?
Un análisis conceptual realizado por Spencer K. Lynn, de la División de Inteligencia Artificial Centrada en el Ser Humano de Charles River Analytics, estudia esta cuestión. Publicado en Frontiers in Psychology el 29 de julio de 2026, el trabajo compara cómo los seres humanos y los grandes modelos de lenguaje (LLM, por sus siglas en inglés) construyen nuevos significados.
La distinción propuesta resulta llamativa: el pensamiento humano se fundamenta en objetivos internos, la experiencia física, la acción y las relaciones causales, mientras que los modelos de lenguaje generan nuevas combinaciones principalmente a partir de patrones estadísticos aprendidos e instrucciones proporcionadas externamente.
Qué investigó el autor
El trabajo aborda un interrogante fundamental de la ciencia cognitiva: cuando es posible combinar varios conceptos, ¿qué determina qué características se conservan y cuáles se descartan?
Lynn propone que, en los seres humanos, la respuesta está estrechamente relacionada con nuestros objetivos y nuestra interacción con el mundo físico. La integración conceptual humana se describe como generativa y causal. Cuando nos encontramos ante algo desconocido, recurrimos a conocimientos previos para comprender qué es, qué puede hacer y cómo podría ayudarnos a alcanzar un objetivo concreto.
Los modelos de lenguaje funcionan de manera diferente. Lynn caracteriza su forma de integración como novedosa desde el punto de vista distribucional. Los grandes modelos de lenguaje aprenden patrones complejos a partir de enormes cantidades de datos y generan nuevas combinaciones coherentes con esos patrones aprendidos, guiados por las instrucciones, la alineación, el contexto y los procedimientos de decodificación.
Por tanto, la distinción no se limita a si los seres humanos o la IA pueden ser creativos. Ambos pueden producir combinaciones novedosas. La cuestión central es qué determina la selección de esas combinaciones y la finalidad que las guía.
Cómo se llevó a cabo el análisis
Se trató de un estudio conceptual, no de un experimento con participantes humanos. Lynn revisó investigaciones de ciencia cognitiva, neurociencia e inteligencia artificial y creó un pequeño modelo computacional para ilustrar cómo podría funcionar la integración conceptual orientada a objetivos.
El modelo utiliza el ejemplo hipotético de una persona que ve por primera vez un V-22 Osprey. Esta aeronave fue elegida porque su diseño técnico combina características de un avión y un helicóptero, por lo que su forma de volar puede no resultar evidente a primera vista. Al combinar conocimientos relevantes sobre aviones y helicópteros, la persona se forma una idea de las capacidades de vuelo de la aeronave. Su objetivo ayuda a determinar qué características son relevantes.
El modelo ilustra el marco propuesto, pero no demuestra que el cerebro utilice exactamente este mecanismo. Además, el procesamiento predictivo sigue siendo una teoría objeto de debate en la ciencia cognitiva.
Qué diferencia a este análisis
Aunque pueda parecer evidente que la IA carece de cuerpo físico, el análisis examina una cuestión más profunda: ¿cómo afecta esta diferencia a la manera en que los seres humanos y los modelos de lenguaje construyen nuevos significados? En lugar de considerar la IA como «consciente» o como un «simple sistema de reconocimiento de patrones», Lynn compara las distintas arquitecturas de control que podrían sustentar la integración conceptual humana y la de los modelos de lenguaje.
El análisis se centra en el origen de la finalidad que guía una nueva idea.
En los seres humanos, los objetivos existen dentro de un sistema biológico corpóreo. Tenemos necesidades físicas, percibimos nuestro entorno, actuamos sobre el mundo, observamos las consecuencias y revisamos nuestra comprensión cuando una idea falla. Esto permite a los seres humanos comprender los objetos en términos de affordances (posibilidades de acción), es decir, las acciones que un objeto permite realizar en relación con un objetivo. Imaginemos que necesitamos alcanzar un objeto situado por encima de nuestra cabeza. Normalmente, asociamos una silla con sentarse, pero nuestro objetivo nos lleva a percibirla como un escalón provisional. Las propiedades físicas del objeto no han cambiado; lo que cambia es cuáles de ellas resultan relevantes para nuestro objetivo actual.
Los grandes modelos de lenguaje carecen de este anclaje biológico. Sus aparentes objetivos se introducen externamente mediante los objetivos de entrenamiento, la alineación, las instrucciones, el contexto y los procedimientos de decodificación. Lynn denomina a estos objetivos externos proxy-goals (objetivos sustitutivos).
Argumentos clave del análisis
1. Las ideas humanas están vinculadas a los objetivos y la acción
Según el marco propuesto por Lynn, la integración conceptual humana está estrechamente relacionada con aquello que intentamos lograr. No necesitamos procesar todas las propiedades posibles de un objeto. Nuestros objetivos dirigen la atención hacia las características relevantes.
Si una persona necesita cambiar una bombilla, una silla puede convertirse en un escalón provisional. El objetivo hace que su capacidad para proporcionar altura y soportar peso resulte relevante, mientras que otras propiedades pierden importancia. Las affordances (posibilidades de acción) son fundamentales para la flexibilidad conceptual humana: los conceptos no solo están relacionados con lo que son las cosas, sino también con lo que potencialmente podemos hacer con ellas.
2. Los modelos de lenguaje construyen ideas novedosas a partir de patrones aprendidos
Los grandes modelos de lenguaje generan respuestas identificando patrones complejos aprendidos a partir de grandes cantidades de texto y prediciendo qué palabras tienen más probabilidades de aparecer a continuación. Esto les permite combinar conceptos conocidos de formas coherentes, creativas y, en ocasiones, verdaderamente novedosas.
Sin embargo, el trabajo sostiene que estas ideas no se fundamentan en los propios objetivos físicos ni en las experiencias del modelo. Un gran modelo de lenguaje puede sugerir que se utilice una silla como escalón, pero no puede comprobar físicamente si la silla es estable, observar qué ocurre ni aprender directamente mediante la experiencia corporal si la idea falla.
Cuando una instrucción incluye varios requisitos contrapuestos, el modelo también puede tener dificultades para equilibrarlos. En lugar de satisfacer plenamente cada uno de ellos, puede generar una solución intermedia genérica que parece adecuada, pero que no cumple por completo ninguno.
3. Los seres humanos pueden poner a prueba sus ideas en el mundo físico
Una distinción fundamental que destaca el análisis es el ciclo humano de retroalimentación entre percepción y acción. Las personas pueden formular una idea, actuar en función de ella, observar qué sucede, detectar un error y actualizar de manera persistente su modelo mental. También podemos simular mentalmente posibles resultados antes de actuar.
Los modelos de lenguaje pueden adaptarse de forma transitoria a la información disponible en su ventana de contexto actual. Los sistemas modernos de IA también pueden ampliar sus capacidades mediante herramientas externas, módulos de memoria y entradas multimodales. Sin embargo, Lynn sostiene que la arquitectura básica de los modelos de lenguaje carece de un ciclo corpóreo e intrínsecamente motivado que conecte los objetivos físicos, la percepción, la acción y la actualización persistente del modelo.
Esta diferencia cobra especial importancia ante problemas verdaderamente desconocidos que requieren razonamiento causal, planificación a largo plazo, intervención en el mundo real y actualizaciones adaptativas del modelo.
Conclusiones del autor
El trabajo no sostiene que los grandes modelos de lenguaje sean incapaces de generar resultados novedosos o útiles. Pueden combinar conceptos de formas sofisticadas y captar relaciones complejas presentes en sus datos de entrenamiento.
La diferencia más profunda reside en cómo se construyen los nuevos significados y qué les confiere una finalidad. La flexibilidad conceptual humana está integrada en un sistema biológico que interactúa con el mundo físico. Nuestros objetivos ayudan a determinar qué información es relevante, nuestro conocimiento de las relaciones causales nos permite anticipar resultados y la retroalimentación derivada de la acción física nos permite revisar las ideas que no funcionan.
Los grandes modelos de lenguaje funcionan de manera diferente. Sus resultados están guiados por relaciones estadísticas aprendidas, junto con los objetivos de entrenamiento, la alineación, las instrucciones, el contexto, las herramientas y las estrategias de decodificación.
Según Lynn, esta diferencia arquitectónica podría ayudar a explicar por qué los modelos de lenguaje parecen muy capaces en contextos bien estructurados, pero muestran fragilidad cuando se enfrentan a problemas abiertos que requieren objetivos persistentes, comprensión causal, interacción física y adaptación en tiempo real.
¿Qué podría significar esto para el futuro de la IA?
El trabajo sugiere que lograr que la IA tenga una mayor capacidad de adaptación podría requerir algo más que simplemente aumentar el tamaño de los modelos, la cantidad de datos de entrenamiento o la longitud de la ventana de contexto.
Lynn propone incorporar una capa de affordances que ayudaría a un sistema de IA a relacionar un objetivo con las posibles acciones y sus consecuencias previsibles. En teoría, esto podría permitir al sistema comparar diferentes soluciones, anticipar qué podría ocurrir, utilizar la retroalimentación y revisar su enfoque cuando una idea no funcione.
Según el trabajo, esto desplazaría el enfoque de predecir «¿qué palabra debería aparecer a continuación?» a evaluar «¿qué acción o solución permitiría alcanzar mejor este objetivo?». Se trata de una línea propuesta para futuras investigaciones sobre IA, no de una capacidad demostrada en el análisis.
El contexto más amplio
Este análisis contribuye al debate científico sobre las diferencias arquitectónicas entre la inteligencia biológica y los sistemas de aprendizaje automático. Al examinar la integración conceptual desde la perspectiva del procesamiento predictivo y la cognición corporizada, el trabajo ofrece un marco para comprender cómo los seres humanos y los sistemas computacionales pueden diferir al seleccionar información relevante, construir nuevos significados y responder ante situaciones desconocidas.
Conclusión
Los seres humanos y la IA pueden producir ideas sorprendentemente similares, pero el análisis de Lynn sugiere que podrían llegar a ellas de formas fundamentalmente diferentes.
Los modelos de lenguaje crean nuevas combinaciones a partir de patrones aprendidos e instrucciones proporcionadas externamente. La cognición humana, en cambio, está determinada por los objetivos, la experiencia física, la comprensión causal y la capacidad de actuar, observar los resultados y adaptarse.
Para la ciencia cognitiva, esta diferencia pone de relieve una de las características más extraordinarias de la mente humana: no nos limitamos a combinar información, sino que decidimos qué es relevante en función de lo que intentamos lograr. Comprender esta flexibilidad orientada a objetivos podría ayudar a explicar tanto por qué los seres humanos pueden adaptarse a situaciones desconocidas como qué podrían necesitar aprender todavía los futuros sistemas de IA.
El contenido de este artículo tiene fines informativos y no sustituye el asesoramiento médico. Ante cualquier duda relacionada con la salud, consulta siempre con un profesional sanitario.
Referencia:
Lynn, S. K. (2026). Conceptual blending in humans and language models. Frontiers in Psychology, 17:1849083. DOI: 10.3389/fpsyg.2026.1849083
