Anthropic implantó pensamientos a Claude y la IA detectó algo extraño en su red

La inteligencia artificial puede escribir novelas, resolver problemas matemáticos y mantener conversaciones que parecen humanas. Pero hay una pregunta mucho más difícil de responder: ¿puede saber qué está ocurriendo dentro de su propia mente artificial? Un grupo de investigadores de Anthropic decidió ponerlo a prueba mediante un experimento que parece sacado de la ciencia ficción: introducir pensamientos directamente en las redes neuronales de Claude y comprobar si era capaz de reconocerlos.

Los resultados fueron tan inesperados que abrieron una discusión entre científicos, filósofos y especialistas en inteligencia artificial. En determinadas condiciones, Claude logró detectar que algo había cambiado en sus procesos internos, incluso antes de producir una respuesta. Sin embargo, una investigación posterior descubrió que reconocer una alteración no significa necesariamente comprender qué la provocó.

La cuestión ha vuelto al centro del debate después de que Quanta Magazine publicara el 4 de noviembre un análisis de los experimentos y sus implicaciones. Lo que está en juego no es solamente cómo funcionan las máquinas, sino hasta dónde podemos hablar de pensamiento, autoconocimiento o conciencia cuando nos referimos a una IA.

Los científicos introdujeron pensamientos falsos en Claude y esperaron a ver si se daba cuenta

Jack Lindsey, investigador de Anthropic, desarrolló en 2025 un procedimiento para modificar determinados patrones de actividad dentro de las redes neuronales de Claude. Cada patrón estaba asociado con conceptos específicos, como verduras, secretos o palabras escritas en mayúsculas.

El equipo dividió las pruebas en dos grupos. En uno, los modelos recibían esas alteraciones artificiales; en el otro, funcionaban normalmente. Después les preguntaban si habían detectado algún pensamiento introducido y, en caso afirmativo, de qué trataba. Según los resultados publicados por Anthropic, Claude Opus 4.1 logró detectar y describir correctamente el concepto introducido en aproximadamente el 20% de los ensayos realizados bajo las condiciones experimentales más favorables.

En uno de los casos, los investigadores activaron un patrón vinculado con las letras mayúsculas. Claude respondió que percibía algo relacionado con las palabras inglesas «LOUD» y «SHOUTING», es decir, fuerte y gritar.

El porcentaje de aciertos era limitado, pero había un detalle llamativo: los modelos del grupo de control no afirmaron haber detectado una intervención inexistente. Para Lindsey, aquello sugería que el sistema podía acceder, al menos parcialmente, a información sobre sus propios estados internos.

El descubrimiento parecía acercar a la IA a la conciencia, pero otros científicos encontraron una explicación diferente

Kyle Mahowald y Harvey Lederman decidieron repetir el experimento utilizando modelos de código abierto. Sus resultados, recogidos en una investigación publicada en marzo de 2026, mostraron que había que separar dos capacidades: detectar que algo anómalo había ocurrido y describir correctamente el concepto introducido.

Los modelos podían reconocer una anomalía sin identificar su contenido. En otras ocasiones, respondían con conceptos que no guardaban relación con el estímulo original. Los investigadores denominaron a este fenómeno «detección de anomalías», una capacidad sorprendente, pero diferente de la introspección humana.

Esto cambia la interpretación del hallazgo. Una máquina podría detectar modificaciones en su funcionamiento interno sin poseer experiencias subjetivas, del mismo modo que determinados sistemas automáticos identifican errores sin comprenderlos como lo haría una persona.

La investigación analizada por Quanta Magazine también recoge las advertencias de otros especialistas: todavía no existe una definición científica universalmente aceptada de introspección que permita trasladar directamente el concepto de los seres humanos a las redes neuronales artificiales. Por ahora, ninguno de estos experimentos demuestra que Claude tenga conciencia, sentimientos o una experiencia propia del mundo. Lo que sí sugieren es que algunos modelos pueden identificar señales de alteración interna que los investigadores todavía no comprenden por completo.

Y esa podría ser la consecuencia más importante: si las futuras inteligencias artificiales aprenden a reconocer con mayor precisión sus propios errores y procesos internos, los científicos dispondrán de nuevas herramientas para estudiar su funcionamiento y mejorar su seguridad. La pregunta ya no es únicamente qué puede hacer una IA, sino cuánto puede llegar a saber sobre la manera en que lo hace.