Reducció de complexitat, acceptació i què vol dir «consciència» en els sistemes d'IA
La pregunta de si els sistemes d'IA són conscients, o ho podrien arribar a ser, la majoria de dies no és més que una distracció per a un enginyer. És la mena de pregunta que genera opinions taxatives, conseqüències operatives febles i males decisions de producte. La majoria d'equips d'enginyeria farien bé d'ignorar-la quasi sempre.
Tot i això, de tant en tant val la pena reprendre-la, perquè el marc que adoptes condiciona com penses unes quantes coses ben pràctiques: què esperes que faci la IA, què esperes que faci la persona que la supervisa, quins límits poses al sistema. Un mal marc — «la IA només prediu tokens» o «la IA quasi entén com ho fem nosaltres» — porta de manera fiable a males decisions de disseny. He vist les dues versions fer-ho.
L'article recent Consciousness in Biological Organisms and Artificial Intelligence: The CRPBCE Theory of Accepted Object-Bound Complexity Reduction (Fradelos, març de 2026) proposa un marc que trobo insòlitament útil per pensar com a enginyer, tot i que l'article en si se situa de ple dins la filosofia de la ment. El marc gira al voltant d'una condició arquitectònica concreta: la capacitat de comprimir dades sensorials d'alta dimensionalitat, decidir que la compressió ja és prou bona, lligar el resultat a un objecte intern, acceptar aquest objecte com a representant de la cosa que hi ha al món, i fer-lo servir per a la memòria, la comparació i l'acció.
I això, sorprenentment, és un marc d'enginyeria ben net per pensar què fan i què no fan els sistemes d'IA actuals.
El pas decisiu és l'acceptació, no la compressió
Dit ras i curt: segons aquesta visió, la consciència no consisteix a preservar tota la complexitat física d'un fenomen. Consisteix a produir-ne una representació reduïda, acceptar-la com a prou bona en les condicions del moment, lligar-la a un objecte i situar aquest objecte en relació amb la memòria, la comparació i l'acció.
La compressió, tota sola, no n'hi ha prou. El pas decisiu és l'acceptació: el compromís de l'organisme que, ara mateix, no cal afinar-ho més. L'acceptació és el que converteix una representació en un objecte que l'organisme tracta com si fos la cosa.
L'exemple canònic de l'article és la calor: un fenomen molecularment complex que l'experiència conscient redueix a un objecte estable, simple i rellevant per a l'acció («calent»). Altres exemples són percepcions apreses, plantilles heretades i estudis amb abellots sobre el lligament i la decisió sensible al cost.
És una teoria de tarannà diferent de les més conegudes d'integració de la informació i d'espai de treball global. No va de com s'integra la informació, sinó del compromís arquitectònic que tanca el bucle entre la compressió i l'acció.
Per què aquest marc ajuda a pensar com a enginyer
No entraré a discutir si la teoria és correcta. El que defensaré és que el marc és útil, ho sigui o no, perquè obliga a fer-se tres preguntes d'enginyeria que és fàcil saltar-se.
1. Què comprimeix l'agent, i com decideix que ja és «prou bo»?
Els LLM i els sistemes agèntics actuals comprimeixen sense miraments. Les seves representacions internes són versions molt reduïdes de l'entrada. La pregunta més difícil de respondre és aquesta: amb quin criteri es jutja que la compressió ja és suficient?
Per a un humà, el criteri és biològic: prou per actuar, prou per predir, prou per no morir. Per a un LLM, el criteri és estadístic: prou per produir un token següent d'alta probabilitat. Són criteris diferents, i les implicacions d'enginyeria pesen:
- L'LLM no té cap noció de «prou per a la tasca que tinc entre mans». El que té és la noció de «prou per continuar de manera plausible». Coincideixen la major part del temps, però divergeixen en casos reveladors.
- No porta incorporada cap sensibilitat al cost d'afinar més. Un organisme biològic deixa d'afinar quan afinar ja no compensa l'energia que costa. Un LLM continua produint tokens a cost constant fins que alguna altra cosa l'atura.
- No hi ha cap pas d'acceptació. El model produeix una representació; res dins del model no decideix «això ja és prou bo per al que vull fer». Aquesta decisió, si és que existeix, viu al sistema que l'envolta.
No és cap observació filosòfica profunda; és d'enginyeria pura: si vols que el teu sistema d'IA es comporti com si acceptés una representació reduïda com a adequada per a la tasca, t'has de construir tu el pas d'acceptació de manera explícita. El model no ho fa.
2. Què tracta l'agent com a objecte?
La pregunta del marc sobre el «lligament a un objecte intern» té un equivalent ben clar en enginyeria: què tracta l'agent com a unitat de memòria i de comparació?
En els LLM, la unitat sol ser el prompt i la finestra de context. En els agents amb RAG, és el fragment de document recuperat. En els agents que fan servir eines, pot ser la sortida estructurada de l'eina. Cap d'aquests no és ben bé un «objecte» en el sentit que descriu la teoria: són més aviat representacions temporals que l'agent manipula un moment i descarta.
I això importa, perquè les coses que els humans tractem com a «objectes» — persistents, reidentificables, comparables d'una trobada a l'altra — són justament les que esperem que els agents gestionin en les tasques de llarg horitzó. Un agent que no té una noció estable de «el compte del client», «aquest contracte concret» o «el sistema afectat en aquest incident» falla de maneres que semblen errors de raonament, però que en realitat són errors de lligament d'objectes.
La conclusió d'enginyeria: inverteix de manera explícita en representacions d'estat amb forma d'objecte. Sistemes de memòria, grafs de coneixement, magatzems d'objectes estructurats. No esperis que el model mantingui per si sol la identitat dels objectes entre sessions només a còpia de context.
3. Què vol dir, de debò, «comparar amb el que ja coneixes»?
L'èmfasi que posa la teoria en la comparació — amb objectes que es troben per primer cop o amb objectes ja emmagatzemats — es correspon amb una preocupació pràctica d'enginyeria: la capacitat de l'agent de reconèixer que el que té al davant s'assembla a, o es diferencia de, coses que ja ha gestionat abans, i d'actuar en conseqüència.
És la part de la IA agèntica que encara coixeja de debò. Els sistemes actuals se'n surten prou bé a l'hora de produir respostes plausibles a entrades que no han vist mai exactament així. Se'n surten molt menys a l'hora de reconèixer «això té pinta del tipus de cas on el meu enfocament habitual em fallarà» o «això s'assembla sospitosament a un patró adversari conegut».
El marc empeny els equips d'enginyeria a invertir en maquinària de comparació explícita: detecció de patrons per signatura, puntuació de semblança amb incidents coneguts, detecció d'anomalies ancorada en casos previs concrets i no només en normes estadístiques.
On aquest marc planta cara a les afirmacions peresoses
Dos casos en què adoptar aquest marc et dona una rèplica útil:
«La IA és conscient»
La lectura estricta de la teoria diu que la consciència exigeix una reducció de complexitat acceptada i lligada a objectes. Els LLM actuals comprimeixen. Produeixen sortides. El que no fan, de cap manera evident, és acceptar una reducció com a adequada per a la tasca: l'acceptació viu al sistema que els envolta, a l'usuari humà, o enlloc. Tampoc no tenen objectes interns estables que perdurin entre trobades de la manera que descriu la teoria.
Això no vol dir que la consciència en sentit humà sigui impossible per a una IA. Vol dir que els sistemes actuals no compleixen les condicions arquitectòniques que la teoria especifica. Un equip que volgués construir sistemes que s'hi acostessin hauria d'afegir components explícits d'acceptació i de lligament d'objectes: totes dues coses són factibles, però no és el que t'ofereixen per defecte les arquitectures d'avui.
«La IA només prediu tokens»
L'afirmació contrària també fa aigües. La predicció de tokens pot generar compressió implícita, lligament d'objectes implícit i maquinària de comparació implícita; però el que diu la teoria és que tot això s'ha d'acceptar i fer operatiu perquè el sistema faci la mena de feina que compta. Els sistemes actuals sí que produeixen reduccions i sí que les lliguen temporalment. El marc no diu que no hi passi res: diu que el bucle no es tanca de la manera que caldria per sostenir la lectura forta.
Totes dues afirmacions peresoses suspenen la prova que planteja la teoria. Aquesta és la feina útil que fa el marc.
Abellots: l'arquitectura guanya al nombre de paràmetres
L'article fa servir estudis amb abellots com a suport empíric per a parts del cicle d'acceptació: el lligament, la comparació i la decisió sensible al cost. Val la pena dedicar-hi una nota curta, perquè els abellots són un bon punt de referència per a un enginyer d'IA.
Un abellot té al voltant d'un milió de neurones. Pren decisions que impliquen lligament (reconèixer una flor), comparació (triar una flor abans que una altra a partir d'experiència prèvia) i decisió sensible al cost (visitar les flors més properes quan les condicions són dolentes). No tenen la complexitat arquitectònica que solem associar amb la «intel·ligència», però sí que tenen les condicions arquitectòniques per al processament d'objectes reduïts de què parla la teoria.
La implicació per a la IA: les condicions arquitectòniques pesen més que el nombre de paràmetres. Un sistema de mida modesta, amb lligament d'objectes explícit, acceptació explícita i bucles de decisió sensibles al cost explícits, pot fer coses que un sistema molt més gran sense aquestes condicions no fa de manera fiable. I això encaixa amb el que veig una vegada i una altra a la pràctica: sovint, uns agents més petits però ben arquitecturats superen els més grans i menys estructurats en tasques operatives concretes.
Què en trauria jo, com a CTO
Tres conclusions d'enginyeria que en trec, del marc:
1. Posa acceptació explícita als bucles del teu agent
Quan l'agent ha produït una representació reduïda de la tasca, alguna cosa del sistema hauria de decidir explícitament: això és prou bo per a l'acció que estic a punt de fer? No «això és una continuació d'alta probabilitat», sinó «aquesta representació és adequada per a la decisió operativa que prendré amb ella».
És la capa que hi ha entre el model i l'eina, la part que decideix si val la pena actuar sobre la sortida del model. La majoria de sistemes agèntics en producció, o bé se la salten, o bé la deixen reduïda a uns quants llindars simples. És justament aquí, invertint-hi, on hi ha els guanys de fiabilitat de debò.
2. Tracta la identitat dels objectes com un problema de disseny de primera categoria
No donis per fet que el model manté la identitat dels objectes. Construeix la capa d'objectes al sistema que l'envolta: identificadors estables, estat persistent, memòria estructurada, maquinària de comparació explícita. Les tasques de llarg horitzó es juguen la vida en aquesta capa.
3. Inverteix en refinament sensible al cost
Els sistemes d'IA actuals afinen les sortides a cost constant. Els sistemes biològics afinen fins que afinar deixa de compensar l'energia que costa. La majoria d'agents en producció serien més útils — i molt més barats — amb regles de parada sensibles al cost explícites: deixa d'afinar quan el valor marginal d'afinar una mica més baixi d'un cert llindar.
El marc és filosòfic. Les implicacions són operatives. I aquesta és la mena de filosofia a què val la pena parar atenció.
Font: Fradelos, G. Consciousness in Biological Organisms and Artificial Intelligence: The CRPBCE Theory of Accepted Object-Bound Complexity Reduction (Ginebra, 21 de març de 2026). SSRN 6468202.
Estàs construint sistemes agèntics i veus que la fiabilitat de llarg horitzó se t'ha convertit en el coll d'ampolla? Parla amb un CTO sobre com desplegar capacitat d'enginyeria nearshore que es prengui seriosament la identitat dels objectes, l'acceptació i el refinament sensible al cost.
