El espejo inesperado: la IA se ha convertido en un laboratorio para estudiar tu cerebro

EL ESPEJO QUE NADIE PIDIÓ. Durante años, el gran reto ha sido abrir la «caja negra» de la IA: entender por qué un modelo responde lo que responde. Esa disciplina se llama interpretabilidad. Pero está pasando algo en sentido contrario, y casi nadie lo cuenta. Los modelos de lenguaje —los LLM, sistemas entrenados para predecir la siguiente palabra de un texto— se están usando como «organismo modelo» para abrir la otra caja negra: la del cerebro humano. En biología, un organismo modelo es una especie sencilla, como la mosca o el ratón, que se estudia para entender algo más complejo. Ahora el objeto de estudio somos nosotros. Por primera vez en la historia existe un sistema no humano que produce lenguaje fluido. Eso, más que una curiosidad, es un laboratorio. Nuestra tesis: la IA no demuestra cómo funciona el cerebro, pero sí ofrece, por fin, una teoría computable del lenguaje que se puede poner a prueba con datos. Esa es la noticia de fondo.

EL TERREMOTO EN LINGÜÍSTICA. El primer temblor se siente en la teoría del lenguaje. Durante medio siglo, la idea dominante fue la de Noam Chomsky: nacemos con una «gramática universal», un andamiaje gramatical innato. El argumento clásico se llama «pobreza del estímulo»: el niño oye demasiados pocos ejemplos, y demasiado desordenados, para deducir solo las reglas del idioma; por tanto, parte debe venir de fábrica. Los LLM complican esa historia. El lingüista Steven Piantadosi, de la Universidad de California en Berkeley, sostiene en un trabajo de 2023 que estos modelos «refutan» casi todas las afirmaciones fuertes sobre el carácter innato del lenguaje: una red sin reglas gramaticales precargadas aprende la sintaxis solo con exposición a texto. Chomsky ha despreciado estos sistemas como «un truco» y, en un artículo de 2023 en The New York Times, como una forma de «plagio de altos vuelos». Pero aquí llega el dato que inclina el debate hacia la evidencia. Chomsky había afirmado que los LLM aprenden igual de bien lenguas «posibles» que lenguas «imposibles» para un humano, lo que probaría que no nos dicen nada. Un equipo de Stanford puso a prueba esa idea en 2024 («Mission: Impossible Language Models»): construyeron idiomas imposibles —con reglas que ningún humano usa, como contar posiciones o barajar palabras— y comprobaron que GPT-2 los aprende peor y más despacio que el inglés. Esa afirmación concreta de Chomsky, por tanto, es empíricamente falsa. Nuestra lectura: ojo con las conclusiones apresuradas. Que una máquina extraiga la gramática del texto no demuestra que el niño lo haga igual; solo demuestra que un aprendiz genérico puede hacerlo si tiene suficientes datos. Y los chomskianos responden con un argumento legítimo, el de la cantidad de datos, al que llegamos enseguida. Lo relevante es que un debate estancado en la retórica vuelve a decidirse con experimentos. Eso es sano.

CUANDO EL MODELO PREDICE, EL CEREBRO TAMBIÉN. El segundo temblor viene de la neurociencia, y es más llamativo. El laboratorio de Uri Hasson, en Princeton, registró la actividad cerebral de nueve personas mientras escuchaban un pódcast de 30 minutos, con electrodos colocados sobre la corteza (una técnica llamada electrocorticografía). En su estudio de 2022 en Nature Neuroscience encontraron tres principios que el cerebro comparte con modelos tipo GPT. Uno: el cerebro, igual que el modelo, predice la siguiente palabra antes de oírla. Dos: registra «sorpresa» cuando acierta mal, una señal de error de predicción. Tres: representa cada palabra según su contexto, no de forma aislada (lo que en IA se llama «embedding contextual», una representación numérica cuyo significado depende de las palabras de alrededor). Un trabajo de 2025 en Nature Communications fue más lejos: el procesamiento capa por capa de un LLM se corresponde con la secuencia temporal con que las áreas del lenguaje del cerebro procesan una frase. Y los equipos de Evelina Fedorenko, en el MIT, han mostrado que las activaciones internas de un LLM predicen la respuesta de la «red del lenguaje» humana —un conjunto concreto de regiones del hemisferio izquierdo— mejor que cualquier modelo anterior, medido con resonancia magnética funcional (fMRI, una técnica que sigue el flujo sanguíneo como indicio de actividad neuronal). ¿Por qué convergen? Hay una teoría común: el «procesamiento predictivo». La idea, formalizada en 1999 por Rao y Ballard, dice que el cerebro es una máquina de predecir que anticipa sin descanso lo que va a percibir y aprende del error. Un transformer minimiza exactamente eso: el error al predecir la siguiente unidad de texto. Misma familia de idea. Nuestra lectura: la convergencia es real y se repite en varios laboratorios, pero convergencia no es identidad. Dos sistemas pueden dar con la misma solución —predecir— sin ser la misma máquina. El propio Hasson lo subraya: los principios se parecen; la forma de implementarlos dentro de cada caja negra es radicalmente distinta.

LA LETRA PEQUEÑA. Aquí conviene frenar. Hay diferencias que no se trasladan, y son enormes. La primera es la dieta de datos. Un niño ha oído menos de 100 millones de palabras al cumplir 13 años, según el consorcio académico BabyLM. Un LLM de frontera se entrena con billones —de 3 a 6 órdenes de magnitud más, es decir, hasta un millón de veces más texto—. Aprenden lo mismo con cantidades incomparables. Ese es, justamente, el contraargumento más sólido de los chomskianos: el humano aprende de la pobreza del estímulo; la máquina, de la abundancia. El reto BabyLM matiza el golpe —con buenos métodos, modelos entrenados con solo 100 millones de palabras rivalizan con los de billones—, pero la brecha natural sigue siendo abismal. La segunda diferencia: el niño tiene cuerpo, metas, emociones y un desarrollo; aprende el idioma mientras actúa en el mundo. El LLM aprende de texto quieto, sin cuerpo y sin propósito propio. Y hay una tercera cautela, sobre el propio alineamiento. Un estudio de 2025 de Badr AlKhamissi y colegas (EPFL y MIT) halló que la semejanza con el cerebro aparece muy pronto en el entrenamiento —hacia los 2.000 a 8.000 millones de tokens (un token es la unidad mínima de texto, más o menos una palabra o un trozo de palabra)— y luego se estanca; a medida que el modelo se vuelve más capaz, «se sale» del patrón humano. Y conviene atribuir el escepticismo: un preprint de 2025 firmado por Nima Hadidi, Ebrahim Feghhi y colegas (UCLA) sostiene que buena parte del alineamiento medido es un «espejismo» producido por métodos frágiles y variables de confusión; con los controles adecuados, afirman, se encoge. No tomamos partido. Lo señalamos. El estado honesto de la cuestión es que la señal existe, pero su tamaño está en disputa.

EL HALLAZGO INCÓMODO: LENGUAJE NO ES PENSAMIENTO. El giro más profundo llega del propio laboratorio de Fedorenko. En un trabajo de 2024 en Nature, su equipo defiende que la red del lenguaje sirve para comunicar, no para pensar. La prueba es contundente: las personas con afasia —la pérdida del lenguaje tras una lesión cerebral— pueden seguir haciendo álgebra, jugar al ajedrez y razonar sobre lo que piensan los demás. El pensamiento corre por otras redes. Este hallazgo encaja de forma asombrosa con una distinción que viene de la IA: competencia «formal» (la gramática, la fluidez) frente a competencia «funcional» (razonar, conocer el mundo). Los LLM clavaron la competencia formal. La red del lenguaje humana también se ocupa, sobre todo, de la competencia formal. De ahí la lección más afilada del espejo: el lenguaje fluido y el pensamiento son separables. Eso desinfla a la vez las dos exageraciones. Desinfla el bombo —«habla, luego piensa»— porque un sistema puede dominar las palabras sin ser una mente. Y desinfla el desdén —«es solo autocompletar»— porque dominar las palabras resulta ser, también en nosotros, un sistema propio y acotado. Nuestra lectura: puede que la IA haya resuelto la parte del lenguaje que nunca fue la del pensamiento. Eso no la hace menos útil. La hace más fácil de entender.

NUESTRA LECTURA Y EL HORIZONTE. ¿Por qué importa esto fuera de la academia? Porque la neurociencia tiene por primera vez un modelo del lenguaje que funciona y se puede probar, en lugar de una caja de metáforas. Eso es una herramienta. Puede afinar lo que sabemos sobre la afasia, la dislexia y los trastornos del lenguaje. Puede alimentar las interfaces cerebro-ordenador que decodifican el habla que alguien quiere decir y ya no puede —algo demostrado en laboratorio para personas con parálisis—. A corto plazo, la disciplina es clara: no sobrevender, no humanizar la máquina, medir el efecto y también sus trampas estadísticas. A largo plazo, esto encaja de lleno en el horizonte esperanzador que defendemos. Entender el código del cerebro es un paso para repararlo: devolver el habla, tratar enfermedades neurológicas, alargar la vida con salud. El espejo está sucio y deformado. Pero es el primer espejo real que la humanidad sostiene frente a la maquinaria de su propio lenguaje. Aprender a leerlo, con cuidado, es una de las grandes historias silenciosas de esta década.