¿Por qué los modelos de IA no piensan (aunque parezca que sí)? Apple revela la verdad detrás del "colapso del razonamiento"

 Santo Domingo, 04 de julio de 2025-¿Pensabas que la IA estaba lista para quitarte el trabajo, escribir tu novela, resolver el cubo Rubik y encima recordarte el aniversario? Pues parece que todavía no. Según Apple, la promesa de que los modelos de inteligencia artificial "piensan" como nosotros es más ilusión que realidad, una especie de espejismo geek con marketing de sobra.

En su estudio "La ilusión del pensamiento", Apple se puso el sombrero de investigador escéptico y descubrió que, cuando la cosa se complica, los modelos de IA (particularmente los llamados Large Reasoning Models o LRM) se quedan en blanco más rápido que un estudiante sin café el día del examen.

Veamos las principales limitaciones que Apple puso bajo el microscopio:

 Colapso total de precisión

Cuando un problema supera cierto nivel de dificultad, la IA entra en pánico digital: su precisión se desploma a niveles ridículamente bajos (incluso a cero). Es como pedirle a alguien que arme un mueble sin instrucciones y con piezas de otro modelo.

 La gran ilusión del pensamiento

Los LRM son unos grandes actores. Simulan razonamientos elaborados, pero en realidad no aplican lógica formal ni algoritmos explícitos. Básicamente, son maestros de la asociación de patrones, no pensadores profundos.

 Reducción del esfuerzo de razonamiento

¿Un problema difícil? Los LRM deciden ahorrar energía mental. En vez de esforzarse más, reducen sus "tokens de pensamiento", algo así como rendirse sin drama y pedir pizza.

 No saben seguir reglas mecánicas

¿Torre de Hanói? ¿Un simple paso a paso? Olvídalo. Aunque se les dé la receta, fallan en seguir instrucciones estrictas y mecánicas.

 Dependencia excesiva de patrones

Los modelos repiten lo que ya conocen. Son criaturas de costumbre, como tu tío que siempre pide lo mismo en el restaurante. Esto los hace rígidos y poco creativos en contextos nuevos.

 Inconsistencia en acertijos

Pueden resolver un puzzle hoy y fallar en otro igual mañana. Su razonamiento es como el humor de los lunes: impredecible y un poco deprimente.

 Overthinking en problemas simples

Cuando el reto es fácil, la IA a veces acierta… y luego se enreda buscando errores que no existen. Una especie de "ansiedad digital" que les hace gastar recursos a lo loco.

 Incapacidad para autocorregirse

Si el problema se pasa de difícil, el modelo no mejora ni aprende de sus errores. Simplemente, se bloquea.

 Límites contraintuitivos de escalabilidad

Más potencia y más parámetros no significan más inteligencia real. Apple nos advierte que soñar con una AGI (Inteligencia Artificial General) solo por hacer crecer los modelos es, por ahora, pura ciencia ficción.

¿Cómo llegaron a estas conclusiones?

Apple no se anduvo con cuentos y usó pruebas controladas: Torre de Hanói, problemas de fichas de damas, el clásico dilema del río… Así estudiaron no solo la respuesta final, sino cada paso interno del "pensamiento" de los modelos.

Mirando al futuro: ¿quedamos condenados a ser los cerebros de las máquinas?

Por ahora, sí. Estos hallazgos no significan que la IA sea inútil, pero sí que necesita nuestra guía y revisión humana más de lo que muchos gurús de Silicon Valley quieren admitir. Y, seamos honestos, eso también nos da un respiro existencial (y laboral).

Así que la próxima vez que tu IA te diga que puede hacerlo todo, mírala con una ceja arqueada y pregúntale: "¿De verdad piensas… o solo lo pareces?".