Reducción de complejidad, aceptación y qué significa la «conciencia» en los sistemas de IA
La pregunta de si los sistemas de IA son o podrían llegar a ser conscientes es, la mayoría de los días, una distracción para la ingeniería. Es de esas preguntas que generan opiniones fuertes, consecuencias operativas débiles y decisiones de producto poco acertadas. La mayoría de los equipos de ingeniería deberían ignorarla casi siempre.
Aun así, conviene retomarla de vez en cuando, porque el marco que adoptas condiciona cómo piensas sobre varias cosas muy prácticas: qué esperas que haga la IA, qué esperas que haga el humano en el bucle, qué límites incorporas al sistema. Un mal marco — «la IA solo predice tokens» o «la IA casi entiende como nosotros» — produce decisiones de diseño consistentemente malas. He visto fallar a las dos versiones.
El paper reciente Consciousness in Biological Organisms and Artificial Intelligence: The CRPBCE Theory of Accepted Object-Bound Complexity Reduction (Fradelos, marzo de 2026) propone un marco que me parece inusualmente útil para pensar como ingeniero, aunque el paper en sí pertenece de lleno a la filosofía de la mente. El marco gira en torno a una condición arquitectónica concreta: la capacidad de comprimir datos sensoriales de alta dimensión, decidir que la compresión es suficientemente buena, vincular el resultado a un objeto interno, aceptar ese objeto como representante de la cosa que hay en el mundo, y usarlo para la memoria, la comparación y la acción.
Y resulta que esto es — sorprendentemente — un marco de ingeniería muy limpio para pensar qué hacen y qué no hacen los sistemas de IA actuales.
La aceptación, no la compresión, es el paso decisivo
En resumen: la conciencia, según esta perspectiva, no consiste en preservar toda la complejidad física de un fenómeno. Consiste en producir una representación reducida, aceptarla como suficientemente buena en las condiciones del momento, vincularla a un objeto y situar ese objeto en relación con la memoria, la comparación y la acción.
La compresión por sí sola no basta. El paso decisivo es la aceptación — el compromiso del organismo de que, por ahora, no hace falta seguir refinando. La aceptación es lo que convierte una representación en un objeto que el organismo trata como si fuera la cosa misma.
El ejemplo canónico del paper es el calor: un fenómeno molecularmente complejo que la experiencia consciente reduce a un objeto estable, simple y relevante para la acción («caliente»). Otros ejemplos incluyen percepciones aprendidas, plantillas heredadas y los estudios con abejorros sobre decisión sensible al coste y vinculación.
Es un tipo de teoría distinto de las más conocidas — la integración de información o el espacio de trabajo global. No va de cómo se integra la información; va del compromiso arquitectónico que cierra el bucle entre compresión y acción.
Por qué este marco ayuda a pensar como ingeniero
No voy a discutir si la teoría es correcta. Voy a defender que el marco es útil, sea correcta o no, porque obliga a hacerse tres preguntas de ingeniería que es muy fácil saltarse.
1. ¿Qué está comprimiendo el agente, y cómo decide que es «suficientemente bueno»?
Los LLM y los sistemas agénticos modernos comprimen de forma agresiva. Sus representaciones internas son versiones enormemente reducidas de la entrada. La pregunta difícil de responder es otra: ¿con qué criterio se juzga que la compresión es suficiente?
Para un humano, el criterio es biológico: suficiente para actuar, suficiente para predecir, suficiente para no morir. Para un LLM, el criterio es estadístico: suficiente para producir el siguiente token con alta probabilidad. Son criterios distintos, y las implicaciones de ingeniería importan:
- El LLM no tiene una noción de «suficiente para la tarea entre manos». Tiene una noción de «suficiente para continuar de forma plausible». Coinciden la mayor parte del tiempo, pero divergen en casos reveladores.
- No hay sensibilidad al coste del refinamiento incorporada. Un organismo biológico deja de refinar cuando refinar no compensa la energía. Un LLM sigue produciendo tokens a coste uniforme hasta que algo externo lo detiene.
- No hay paso de aceptación. El modelo produce una representación; nada dentro del propio modelo decide «esto es suficientemente bueno para lo que intento hacer». Esa decisión, si es que existe, vive en el sistema que lo rodea.
No es una observación filosófica profunda. Es una observación de ingeniería: si quieres que tu sistema de IA se comporte como si aceptara una representación reducida como adecuada para la tarea, tienes que construir el paso de aceptación explícitamente. El modelo no lo hace.
2. ¿Qué está tratando el agente como objeto?
La pregunta del marco sobre la «vinculación a un objeto interno» tiene un análogo de ingeniería muy claro: ¿qué trata el agente como unidad de memoria y de comparación?
Para los LLM, la unidad suele ser el prompt más la ventana de contexto. Para los agentes con RAG, es el fragmento de documento recuperado. Para los agentes que usan herramientas, puede ser la salida estructurada de la herramienta. Ninguno de estos es del todo un «objeto» en el sentido que describe la teoría — son más bien representaciones temporales sobre las que el agente opera brevemente y luego descarta.
Esto importa porque lo que los humanos consideramos «objetos» — persistentes, reidentificables, comparables entre encuentros — es justo lo que esperamos que los agentes manejen en tareas de largo horizonte. Un agente sin una noción estable de «la cuenta del cliente», «este contrato concreto» o «el sistema afectado en este incidente» sufre de formas que parecen fallos de razonamiento pero que en realidad son fallos de vinculación de objetos.
La lección de ingeniería: invierte explícitamente en representaciones de estado con forma de objeto. Sistemas de memoria, grafos de conocimiento, almacenes de objetos estructurados. No esperes que el modelo mantenga la identidad de los objetos entre sesiones solo a base de contexto.
3. ¿En qué consiste realmente «comparar con lo previo»?
El énfasis de la teoría en la comparación — con objetos recién encontrados o con los ya almacenados — se corresponde con una preocupación práctica de ingeniería: la capacidad del agente de reconocer que lo que tiene delante se parece o se diferencia de cosas que ya ha manejado, y de actuar en consecuencia.
Esta es la parte de la IA agéntica que sigue siendo genuinamente débil. Los sistemas modernos son buenos produciendo respuestas plausibles ante entradas que nunca han visto exactamente igual. Son menos buenos reconociendo «esto parece el tipo de caso en el que mi enfoque estándar va a fallar» o «esto se parece sospechosamente a un patrón adversarial conocido».
El marco empuja a los equipos de ingeniería a invertir en maquinaria de comparación explícita: detección de patrones basada en firmas, puntuación de similitud con incidentes conocidos, detección de anomalías anclada en casos previos concretos y no solo en normas estadísticas.
Dónde este marco desmonta las afirmaciones perezosas
Hay dos sitios donde adoptar este marco produce una réplica útil:
«La IA es consciente»
La lectura estricta de la teoría es que la conciencia requiere una reducción de complejidad aceptada y vinculada a objetos. Los LLM actuales comprimen. Producen salidas. Pero no aceptan, de ninguna manera obvia, una reducción como adecuada para la tarea — la aceptación vive en el sistema que los rodea, en el usuario humano, o en ninguna parte. Y no tienen objetos internos estables que persistan entre encuentros del modo que describe la teoría.
Esto no afirma que la conciencia en sentido humano sea imposible para una IA. Afirma que los sistemas actuales no satisfacen las condiciones arquitectónicas que la teoría especifica. Los equipos de ingeniería que quieran construir sistemas que se acerquen tendrían que añadir componentes explícitos de aceptación y de vinculación de objetos — ambas cosas son factibles, pero no son lo que las arquitecturas actuales ofrecen por defecto.
«La IA solo predice tokens»
La afirmación contraria también es débil. La predicción de tokens puede producir compresión implícita, vinculación implícita de objetos y maquinaria de comparación implícita — pero la cuestión que plantea la teoría es que todo eso tiene que ser aceptado y hacerse operativo para que el sistema esté haciendo el tipo de trabajo relevante. Los sistemas actuales sí producen reducciones y sí las vinculan temporalmente. El marco no dice que no esté pasando nada; dice que el bucle no se cierra como tendría que cerrarse para sostener la lectura fuerte.
Las dos afirmaciones perezosas suspenden el examen que plantea la teoría. Ese es el trabajo útil que hace el marco.
Abejorros: la arquitectura le gana al número de parámetros
El paper usa estudios con abejorros como apoyo empírico de partes del ciclo de aceptación — vinculación, comparación y decisión sensible al coste. Merece una nota breve, porque los abejorros son una referencia útil para quienes hacemos ingeniería de IA.
Los abejorros tienen alrededor de un millón de neuronas. Toman decisiones que implican vinculación (reconocer una flor), comparación (preferir una flor a otra a partir de experiencia previa) y decisión sensible al coste (visitar las flores más cercanas cuando las condiciones son malas). No tienen la complejidad arquitectónica que solemos asociar con la «inteligencia», pero sí tienen las condiciones arquitectónicas para lo que la teoría llama procesamiento de objetos reducidos.
La implicación para la IA: las condiciones arquitectónicas importan más que el número de parámetros. Un sistema de tamaño modesto con vinculación de objetos explícita, aceptación explícita y bucles de decisión sensibles al coste puede hacer cosas que un sistema mucho mayor sin esas condiciones no consigue hacer de forma fiable. Y encaja con lo que no paro de ver en la práctica: los agentes pequeños bien arquitecturados superan a menudo a los más grandes pero menos estructurados en tareas operativas concretas.
Qué me llevaría de esto como CTO
Tres conclusiones de ingeniería que saco del marco:
1. Construye la aceptación explícita en los bucles de tu agente
Cuando el agente ha producido una representación reducida de la tarea, algo en el sistema debería decidir explícitamente: ¿es esto suficientemente bueno para la acción que estoy a punto de ejecutar? No «¿es esta una continuación de alta probabilidad?», sino «¿es esta representación adecuada para la decisión operativa que voy a tomar con ella?».
Esa es la capa entre el modelo y la herramienta — la parte que decide si actuar o no sobre la salida del modelo. La mayoría de los sistemas agénticos en producción se saltan esta capa o la despachan con umbrales simples. Invertir en ella es donde viven las ganancias reales de fiabilidad.
2. Trata la identidad de los objetos como un problema de diseño de primera clase
No des por hecho que el modelo mantiene la identidad de los objetos. Construye la capa de objetos en el sistema circundante: identificadores estables, estado persistente, memoria estructurada, maquinaria de comparación explícita. Las tareas de largo horizonte viven o mueren en esta capa.
3. Invierte en refinamiento sensible al coste
Los sistemas de IA modernos refinan sus salidas a coste uniforme. Los sistemas biológicos refinan hasta que refinar deja de compensar la energía. La mayoría de los agentes en producción serían más útiles — y drásticamente más baratos — con reglas de parada explícitas y sensibles al coste: deja de refinar cuando el valor marginal del siguiente refinamiento caiga por debajo de un umbral.
El marco es filosófico. Las implicaciones son operativas. Esa es la clase de filosofía a la que vale la pena prestar atención.
Fuente: Fradelos, G. Consciousness in Biological Organisms and Artificial Intelligence: The CRPBCE Theory of Accepted Object-Bound Complexity Reduction (Ginebra, 21 de marzo de 2026). SSRN 6468202.
¿Estás construyendo sistemas agénticos y la fiabilidad a largo horizonte se ha convertido en tu cuello de botella? Habla con un CTO sobre cómo desplegar capacidad de ingeniería nearshore que se toma en serio la identidad de los objetos, la aceptación y el refinamiento sensible al coste.
