Inteligencia
El déficit de atención de la IA
Los investigadores descubrieron una debilidad de los LLM usando un simple test de psicología.
9 de septiembre de 2026 Revisado por Abigail Fagan
Los puntos clave
- Investigaciones recientes encontraron que los LLM tienen un control ejecutivo limitado de la atención.
- El control ejecutivo de la atención es esencial para seleccionar información y comportamiento adaptativo.
- Entender los sistemas de atención del cerebro puede ayudar a diseñar modelos de IA con mejores capacidades.
El diseño del aprendizaje automático de inteligencia artificial (IA) se inspiró en el cerebro humano. Sin embargo, a pesar de las impresionantes capacidades de aprendizaje de los grandes modelos de lenguaje (LLM) de IA, existen diferencias cognitivas clave entre ellos y el cerebro biológico. Un estudio reciente publicado en la revista PNAS Nexus aplicó un examen de psicología ampliamente utilizado para descubrir que los LLM populares tienen un control ejecutivo limitado de la atención.
“Aunque los transformadores en grandes modelos de lenguaje (LLM) implementan efectivamente un mecanismo de autoatención que ha revolucionado el procesamiento del lenguaje natural, carecen de una arquitectura explícita para el control ejecutivo de la atención que se encuentra en los humanos, que es esencial para resolver conflictos y seleccionar información relevante en presencia de cálculos competitivos y es fundamental para el comportamiento adaptativo”, escribió el autor Jin Fan, en colaboración con Suketu Chandrakant Patel y Hongbin Wang.
Atención, control cognitivo e inteligencia
Los psicólogos empezaron a estudiar la atención en gran medida a fines de la década de 1800. Uno de los fundadores reconocidos de la psicología científica moderna, el psicólogo estadounidense William James (1842-1910), describió la atención en su publicación The Principles of Psychology en 1890, como un acto de “retirarse de algunas cosas para tratar eficazmente con otras” que requiere concentración y enfoque, y su opuesto como un estado “despistado” de distracción, o “Zerstreutheit”, la palabra alemana para distracción.
Un siglo después, en 1990, los psicólogos estadounidenses Michael Posner y Steven Petersen postularon que el sistema de atención está separado del área de procesamiento de datos del cerebro, conducido por una red de áreas anatómicas, y se puede dividir en tres subsistemas de orientación, detección y alerta. Más tarde, en 2002, se introdujo la Prueba de la Red de Atención (ANT), un método para medir la alerta, la orientación y la atención ejecutiva.
Veinte años después, en 2022, OpenAI puso ChatGPT a disposición del público. Las poderosas capacidades de los LLM han iniciado una transformación completa de la adopción de IA en la investigación académica y las industrias. La rápida adopción de modelos de lenguaje de gran tamaño hace que sea fundamental que los científicos comprendan sus capacidades y limitaciones.
“Integrar mecanismos de control cognitivo dedicados en arquitecturas de IA podría ser un paso necesario para cerrar la brecha entre la recuperación de asociaciones aprendidas y el razonamiento flexible y adaptativo que caracteriza a la inteligencia fluida”, escribieron los autores de este estudio.
Por qué importa la atención en IA
Comprender qué afecta la atención humana y los sistemas de atención del cerebro biológico pueden ayudar a los informáticos contemporáneos a diseñar mejores modelos de inteligencia artificial con capacidades cognitivas mejoradas.
“La investigación sobre la relación entre el control cognitivo y la inteligencia ha demostrado que el control cognitivo está más fuertemente correlacionado con la inteligencia fluida que con la inteligencia cristalizada, un patrón que refleja las características de desempeño de los LLM”, escribieron los autores del estudio.
En la cognición humana, la atención permite la capacidad de concentrarse en lo más importante y filtrar lo no esencial. La atención impacta la capacidad de aprender, procesar información, administrar tareas, interactuar con el entorno circundante y comunicarse de manera efectiva.
Para probar el control ejecutivo de las capacidades de atención de los modelos de IA, el equipo de investigación decidió utilizar lo que generalmente se considera un estándar de oro para probar el funcionamiento ejecutivo, la prueba de Stroop. Desarrollada en 1935 por del Dr. John Stroop, la prueba de Stroop consiste en que los participantes lean en voz alta dos listas de palabras en color: en una lista, las palabras están impresas en el color y en la otra lista, las palabras están impresas en un color diferente. Los investigadores evaluaron una variedad de modelos de lenguaje grande de última generación, incluidos GPT-5 y GPT 4o de OpenAI, Claude Opus 4.1, Claude Sonnet 4.5 y Claude 3.5 Sonnet de Anthropic, y Gemini 2.5 Pro de Google.
Los investigadores descubrieron que en listas de palabras cortas, el desempeño del LLM estaba a la par con el desempeño humano. Descubrieron que el control ejecutivo de las LLM en listas cortas con una o cinco palabras “no estaba del todo ausente”. Por el contrario, en listas de palabras más largas, la precisión del rendimiento del LLM disminuyó drásticamente, a diferencia del rendimiento humano.
“La degradación progresiva con la longitud de la lista exhibida por estos LLM también sugiere una falla en el mantenimiento de los objetivos, donde las demandas prolongadas de tareas diluyen la integridad de la representación de los objetivos”, escribieron los investigadores.
Este descubrimiento, utilizando pruebas de psicología aplicada para humanos, puede ayudar a informar a los informáticos sobre cómo mejorar este déficit cognitivo de los LLM. El equipo de investigación dice que el problema no es solo de memoria y recomienda que los desarrolladores de IA optimicen mejor los mecanismos de atención del transformador para la resolución de conflictos. Los investigadores llegan a decir que esto es vital para alcanzar la inteligencia general artificial (AGI).
“El desarrollo futuro podría beneficiarse de la implementación de sistemas de control ejecutivo más sofisticados que puedan manejar conflictos de decisiones a través de un procesamiento estructurado y dirigido a objetivos en lugar de depender únicamente de capacidades de memoria mejoradas”, concluyeron los científicos.
Copyright © 2026 Cami Rosso. Todos los derechos reservados.
A version of this article originally appeared in English.
