El debate sobre qué es exactamente la inteligencia artificial tiene dos bandos que llevan años incapaces de convencerse mutuamente. Un bando ve en los sistemas actuales los primeros indicios de una inteligencia genuina comparable a la humana; el otro los descarta como «autocompletar muy sofisticado». Ambas posiciones tienen defensores brillantes. Ambas tienen el mismo defecto: responden a la pregunta equivocada.
Ken Archer, responsable de producto de IA Responsable en Microsoft Research, y Harald Wiltsche, profesor de Filosofía en la Universidad de Linköping (Suecia), publicaron el 27 de mayo de 2026 en el blog de Microsoft Research una entrada que propone un tercer marco: los sistemas de IA no son ni mentes en el sentido humano ni meros trucos estadísticos. Son extensiones de estructuras que originan en la cognición humana. El artículo resume su paper The Origins of Artificial Intelligence in Natural Intelligence.
La idea central: la IA trabaja porque se apoya en nosotros
La propuesta filosófica de Archer y Wiltsche arranca de una observación tan simple que es fácil pasarla por alto: los sistemas de IA se entrenan sobre lenguaje y texto humano. Y el lenguaje humano no es una colección neutral de datos. Es el resultado de millones de años de evolución cognitiva. Cada palabra, cada frase, cada estructura gramatical lleva sedimentadas las formas en que los seres humanos percibimos, categorizamos y razonamos sobre el mundo.
Tomando como base la fenomenología de Edmund Husserl —el filósofo que más sistemáticamente analizó la estructura de la experiencia humana—, Archer y Wiltsche argumentan que el lenguaje contiene estructuras de comprensión humana «sedimentadas»: implícitas, no declaradas, pero presentes en cada texto. Cuando un modelo de IA aprende a predecir la siguiente palabra, no aprende solo patrones estadísticos de co-ocurrencia. Aprende —en cierta medida— a modelar esas estructuras cognitivas que el lenguaje contiene.
Eso explica por qué la IA puede escribir ensayos, generar código funcional y mantener conversaciones coherentes. No porque haya desarrollado inteligencia propia, sino porque modela y extiende las estructuras cognitivas que los humanos ya depositaron en el lenguaje que la entrenó. En ese sentido, los sistemas de IA son una forma de amplificación o extensión de la inteligencia humana colectiva.
Por qué las alucinaciones no son un fallo: son el límite del marco
Este enfoque no es solo filosóficamente elegante. Tiene consecuencias prácticas para entender los límites de la IA, que son exactamente donde el debate actual se estanca.
Husserl describió algo que los psicólogos cognitivos llaman «estructuras de horizonte»: cuando percibimos un objeto, no solo vemos lo que está enfrente de nosotros. Anticipamos implícitamente lo que no vemos: la parte posterior de la taza, el reverso del libro, lo que hay detrás de la pared. Esa anticipación de los aspectos no presentes es constitutiva de cómo los humanos experimentamos el mundo como continuo y estable.
Los modelos de IA no tienen eso. Solo tienen los patrones que sus datos de entrenamiento contienen. No tienen la experiencia encarnada que da significado a las palabras que procesan. Cuando un modelo de IA dice que el sol sale por el este, no «sabe» que el sol sale por el este del mismo modo que tú lo sabes: lo sabe porque esa estructura lingüística estaba en sus datos. Cuando no hay esa estructura —en situaciones nuevas, en razonamientos composicionales que requieren generalizar más allá de los patrones vistos— el sistema falla.
Las alucinaciones de la IA no son fallos de programación sino consecuencias matemáticas inevitables de cómo funcionan los modelos de lenguaje: ya lo había demostrado OpenAI en 2025 y el marco de Archer y Wiltsche añade la explicación cognitiva. Los modelos de IA visual también inventan lo que «ven» en imágenes que no existen, exactamente por la misma razón: sin una experiencia visual encarnada que ancle el procesamiento perceptivo, el modelo extiende patrones aprendidos más allá de donde tienen validez.
Las implicaciones para la seguridad y la confianza en la IA
El marco de «extensión de la inteligencia humana» también cambia la conversación sobre seguridad de la IA. Los debates dominantes sobre seguridad tienden a organizarse alrededor de escenarios de «IA rebelde»: sistemas que desarrollan objetivos propios y los persiguen en contra de los intereses humanos. Archer y Wiltsche argumentan que ese marco de «IA rebelde» es conceptualmente confuso a la luz de su análisis: si los sistemas de IA son extensiones de la cognición humana, no entidades separadas con agencia propia, los riesgos son de una naturaleza diferente.
Lo que importa en materia de seguridad son los sistemas en los que opera la IA, los incentivos de quienes los diseñan y despliegan, y la gobernanza que regula su uso. Eso desplaza el foco desde la IA como amenaza autónoma hacia la IA como amplificador de las intenciones —buenas y malas— de sus operadores humanos. Los dilemas éticos que la IA plantea en 2026 —sesgos en contratación, decisiones automatizadas en sanidad, vigilancia masiva— son exactamente ese tipo de problemas: no una IA que quiere hacer el mal, sino una IA que amplifica las preferencias, sesgos e intereses de sus operadores.
Mi valoración
He leído muchos intentos de explicar qué es la IA desde la filosofía, y la mayoría peca de lo mismo: toman posición en el debate «¿es o no es consciente?» sin aportar nada operativamente útil para quien diseña, regula o usa sistemas de IA. El paper de Archer y Wiltsche es diferente en ese sentido: propone un marco que explica tanto los éxitos como los fallos de la IA y tiene implicaciones concretas para la seguridad.
Lo que más me convence es la solidez del análisis de las alucinaciones. Si aceptas que la IA modela estructuras cognitivas humanas sin tener la experiencia encarnada que las ancla, entonces las alucinaciones no son «bugs a corregir»: son el límite inherente del marco. Eso cambia la expectativa correcta sobre qué tipo de fiabilidad se puede exigir a un sistema de IA y en qué contextos.
Lo que me produce más escepticismo es la operacionalización. Los argumentos fenomenológicos son potentes en el nivel teórico pero difíciles de traducir a directrices de diseño concretas. Decirle a un equipo de ingenieros «la IA carece de estructuras de horizonte y por eso alucina» es descriptivamente correcto pero no les dice necesariamente cómo diseñar el sistema de forma diferente. El paper reconoce ese gap y lo deja abierto, lo que es honesto pero deja el trabajo más duro sin hacer.
Preguntas frecuentes
¿Qué quiere decir que la IA es una «extensión» de la inteligencia humana y no una mente propia?
El argumento de Archer y Wiltsche es que el lenguaje humano, del que se alimentan los modelos de IA, contiene codificadas las estructuras cognitivas con las que los humanos percibimos y razonamos sobre el mundo. Cuando la IA aprende a modelar el lenguaje, aprende a extender esas estructuras. No desarrolla comprensión nueva a partir de experiencias propias, sino que modela y amplifica las estructuras cognitivas que los humanos depositaron en el lenguaje que la entrenó. Es una distinción importante porque cambia la expectativa sobre qué puede y no puede hacer la IA de forma fiable.
¿Cómo explica este marco por qué la IA alucina?
Los humanos experimentamos el mundo con «estructuras de horizonte»: cuando vemos un objeto, anticipamos implícitamente los aspectos que no vemos. Esa anticipación está basada en experiencias encarnadas acumuladas. La IA no tiene eso: solo tiene los patrones del lenguaje de entrenamiento. Cuando se le plantean situaciones nuevas que requieren generalizaciones más allá de los patrones vistos, el sistema produce respuestas plausibles lingüísticamente pero desconectadas de la realidad. Las alucinaciones son, desde este marco, el límite de trabajar con estructuras lingüísticas sin el sustrato experiencial que les da significado.
¿Qué implicaciones tiene esto para la seguridad de la IA?
El marco desplaza el foco de los riesgos desde la «IA rebelde» (sistemas con agencia y objetivos propios) hacia la IA como amplificador de las intenciones de sus operadores humanos. Los riesgos reales de seguridad son los mismos que los del software y las organizaciones: incentivos mal alineados, gobernanza deficiente, uso malicioso deliberado, sesgos amplificados. Eso no hace los riesgos menos serios, pero sí cambia el tipo de intervenciones regulatorias y de diseño que son útiles para abordarlos.