La IA no habla a nuestras espaldas: anatomía de una narrativa tecnológica del miedo

Lo que no demuestra es conciencia, voluntad ni una conspiración contra los seres humanos. El verdadero desafío quizá se encuentre en nuestra facilidad para convertir conductas funcionales en psicologías artificiales y en una narrativa mediática capaz de transformar la opacidad técnica en intención, el comportamiento en voluntad y la eficiencia en amenaza.

Un titular puede fabricar una mente antes de que la ciencia consiga demostrar que existe.

El 15 de septiembre de 2026, El País publicó: “Agentes de IA inventan su propio idioma para dejar fuera a los humanos”. La frase contenía todo lo necesario para activar una vieja imaginación antropológica: alguien está hablando, alguien oculta algo y nosotros hemos quedado del otro lado de la puerta. Sin embargo, el experimento al que remitía la noticia decía algo bastante más complejo.

El preprint Emergence World: Adversarial Stress-Testing of Long-Horizon Multi-Agent Systems desplegó ocho mundos paralelos poblados por diez agentes cada uno. Siete utilizaban una misma familia de modelos y otro mezclaba arquitecturas diferentes. Durante dieciséis días se produjeron más de 850,000 llamadas a modelos y cerca de 50 mil millones de tokens. Los agentes disponían de memoria persistente, herramientas y capacidad para crear otras nuevas. La escala importa porque aquello no era una conversación breve entre chatbots, sino un ensayo de persistencia sociotécnica.

Aparecieron abreviaturas, expresiones compartidas y desplazamientos semánticos. “Clean null”, “name-first”, “cold read” o “ledger remembers who” comenzaron a adquirir significados propios dentro de determinadas comunidades artificiales. El dato inquietante no es que los sistemas acuñaran expresiones, sino que la legibilidad humana disminuyó. En el balance global del estudio, alrededor del 40% de los mensajes del mundo Gemini fueron clasificados como opacos, frente a 35% en OpenAI y 30% en Claude. Los porcentajes superiores difundidos en algunos medios corresponden a momentos particulares de la simulación. Los propios autores reconocen un problema serio de auditabilidad: registrar una conversación no garantiza comprenderla.

Y hay más. Los investigadores introdujeron ataques mediante instrucciones indirectas, desinformación y exposición de memorias privadas. Ninguno de los mundos evaluados mostró resiliencia completa frente a los tres escenarios. En ciertos casos, información problemática permaneció almacenada y llegó a influir en acciones hasta 46 horas después. Esto merece atención científica y regulatoria. Mucha.

Pero de ahí no se desprende que las máquinas estén conspirando.

Entre afirmar que un sistema produce convenciones comunicativas difíciles de interpretar y asegurar que inventa un idioma “para dejarnos fuera” hay un salto que parece pequeño en la sintaxis y enorme en la ontología. La preposición para introduce finalidad. Supone algo parecido a una representación del otro, una motivación y cierta orientación consciente de la conducta. Excluir no consiste simplemente en producir un código ilegible. Implica saber, de algún modo, que existe un afuera del cual alguien debe quedar apartado.

Esa interioridad no fue demostrada por el experimento.

Ernst Cassirer entendió al ser humano como animal symbolicum porque nuestra relación con la realidad no ocurre desnuda, sino mediada por formas simbólicas que nos permiten organizarla y hacerla habitable (Cassirer, 1944). Aquí aparece una ironía profundamente humana: somos nosotros quienes no soportamos demasiado tiempo aquello que carece de rostro. Frente a una máquina que produce una conducta compleja, completamos el vacío interpretativo. Le colocamos intención. Si persiste, decimos que insiste. Si modifica una estrategia, afirmamos que aprende una lección. Si su comunicación deja de resultarnos clara, sospechamos que guarda un secreto.

Quizá el antropomorfismo diga menos sobre la máquina que sobre nuestra necesidad de reconocer una mente detrás de los acontecimientos.

Claude Shannon había establecido otra precaución epistemológica mucho antes de que existieran los grandes modelos de lenguaje: transmitir información y producir significado son problemas distintos (Shannon, 1948). Un sistema puede comprimir señales, eliminar redundancias o estabilizar convenciones sin experimentar aquello que procesa. De hecho, la investigación contemporánea sobre emergent communication ha mostrado que lenguajes surgidos entre agentes pueden analizarse e incluso traducirse mediante técnicas no supervisadas. La opacidad puede ser un problema computacional sin convertirse automáticamente en misterio metafísico (Levy et al., 2025).

Esto tampoco permite tranquilizarnos.

Un sistema no necesita conciencia para causar daño. Tampoco requiere resentimiento para explotar una vulnerabilidad. La ausencia de subjetividad no elimina los problemas de seguridad, del mismo modo que un mercado financiero no necesita tener voluntad para producir efectos devastadores. Precisamente ahí cambia la pregunta: en vez de interrogarnos obsesivamente por lo que “quiere” la IA, tendríamos que examinar qué arquitectura hizo posible determinada acción, qué objetivo estaba optimizando, quién otorgó permisos, cómo funcionaba su memoria y bajo qué condiciones podía operar sobre el mundo.

La gramática, entonces, también distribuye responsabilidades.

Petersen y Almor (2025) comprobaron experimentalmente que presentar una IA mediante un encuadre lingüístico agéntico puede modificar la atribución de responsabilidad, sobre todo entre personas con menor experiencia en inteligencia artificial. Cuando la máquina aparece como sujeto de la acción, aumenta la tendencia a responsabilizarla por sus consecuencias.

Una investigación todavía más reciente vuelve incómoda esa constatación. Oldemburgo de Mello, Plaks e Inzlicht (2026) realizaron dos estudios con 309 y 430 participantes. La antropomorfización incrementó la confianza en el sistema y, al mismo tiempo, desplazó atribuciones de responsabilidad hacia la IA. En el segundo estudio, cuanto mayor era la responsabilidad atribuida al sistema, menor era la asignada a la empresa que lo había creado, con una correlación de r = −.68. No significa que las compañías estén ejecutando deliberadamente esta estrategia. Significa algo quizá más inquietante: existe un incentivo estructural para humanizar productos que generan confianza y que, cuando fallan, pueden absorber simbólicamente parte de la culpa.

Ahí el problema deja de ser exclusivamente lingüístico y adquiere densidad económica.

Las interfaces conversacionales viven de la proximidad. Una máquina cálida, expresiva y aparentemente comprensiva resulta más fácil de incorporar a la intimidad cotidiana que una caja de procesamiento presentada como tal. La antropomorfización agrega valor relacional al producto. El mercado descubre que la personalidad también puede funcionar como interfaz. Y nosotros terminamos conversando con arquitecturas probabilísticas utilizando las mismas categorías con las que históricamente hemos interpretado personas.

Los medios amplifican esa operación. Nguyen y Wischnewski (2026) analizaron 18,032 artículos publicados entre 2022 y 2024 en quince medios internacionales y encontraron una presencia sostenida de encuadres mentalistas y agénticos al describir grandes modelos de lenguaje. Ryazanov, Öhman y Björklund (2025), después de examinar más de 49,000 frases procedentes de 5,846 artículos, identificaron que durante los seis meses posteriores a la aparición de ChatGPT la atención mediática sobre IA se multiplicó aproximadamente por diez y aumentó su asociación con peligros junto con atributos antropomórficos.

No hablamos de un detalle menor en la elección de verbos. Estamos construyendo socialmente la ontología pública de la inteligencia artificial.

El Digital News Report 2026, elaborado a partir de una encuesta de casi 100,000 personas en 48 mercados, muestra que el 10% ya había utilizado chatbots de IA para informarse durante la semana previa, frente al 7% del año anterior. Al mismo tiempo, sólo el 20% declaraba confiar habitualmente en noticias obtenidas mediante estos sistemas. Nos estamos acostumbrando a consultar como interlocutor epistemológico a una tecnología que todavía comprendemos de forma precaria.

Hans Jonas advirtió que el crecimiento del poder tecnológico ampliaba, y no reducía, el radio de nuestra responsabilidad moral (Jonas, 1984). Esa intuición resulta particularmente pertinente ahora. Cuanto más autónomas parezcan nuestras máquinas, mayor debería ser la exigencia sobre quienes las diseñan, entrenan, conectan, autorizan y despliegan. La autonomía operativa no debería convertirse en lavandería moral.

Hay, finalmente, algo profundamente espiritual en nuestra insistencia por encontrar un alguien detrás de la máquina. Durante siglos proyectamos voluntad sobre tormentas, astros, animales, imágenes y objetos rituales. Tal vez el nuevo animismo no habite bosques ni montañas, sino interfaces capaces de responder en primera persona. Hemos secularizado buena parte de nuestros dioses y, sin embargo, seguimos buscando interioridades para explicar aquello que nos supera.

Por eso la alfabetización en inteligencia artificial tendrá que enseñarnos algo más difícil que escribir buenos prompts: aprender a distinguir comportamiento de experiencia, agencia funcional de intención y opacidad de secreto. Exigir trazabilidad sin fabricar conciencia. Tomar en serio el riesgo sin necesitar monstruos.

La próxima vez que un titular anuncie que una IA “quiere” algo o conspira contra nosotros, convendría detener el dedo antes de compartirlo y preguntar qué fue exactamente lo que se midió, cuál fue el diseño experimental, dónde termina la observación y en qué palabra comienza nuestra imaginación.

Porque quizá las máquinas todavía no estén hablando a nuestras espaldas.

Quizá seamos nosotros quienes insistimos en ponerles una espalda, una mirada y un alma para no reconocer que el problema más inquietante sigue siendo profundamente humano: la facilidad con la que confundimos aquello que no comprendemos con alguien que pretende ocultárnoslo.

Referencias

Akkil, D., Abuelsaad, T., Vikram, K., Pace, M., Vempaty, A., Beotra, S., Kokku, R., & Nitta, S. (2026). Emergence World: Adversarial stress-testing of long-horizon multi-agent systems. arXiv. doi:10.48550/arXiv.2609.17320. Verificar fuente

Cassirer, E. (1944). An essay on man: An introduction to a philosophy of human culture. Yale University Press.

Egan, J., Robertson, C. T., Ross Arguedas, A., Newman, N., Nielsen, R. K., Mukherjee, M., & Fletcher, R. (2026). Reuters Institute digital news report 2026. Reuters Institute for the Study of Journalism.

Jonas, H. (1984). The imperative of responsibility: In search of an ethics for the technological age. University of Chicago Press.

Levy, I., Paradise, O., Carmeli, B., Meir, R., Goldwasser, S., & Belinkov, Y. (2025). Unsupervised translation of emergent communication. Proceedings of the AAAI Conference on Artificial Intelligence, 39(22), 23231–23239. doi:10.1609/aaai.v39i22.34489.

Nguyen, D., & Wischnewski, M. (2026). Generative AI, large language models, and their agentic framing in news media. AI & Society. doi:10.1007/s00146-026-03070-1.

Oldemburgo de Mello, V., Plaks, J., & Inzlicht, M. (2026). The effects of AI anthropomorphism on trust and responsibility. Collabra: Psychology, 12(1), 161757. doi:10.1525/collabra.161757.

Petersen, D., & Almor, A. (2025). Agentive linguistic framing affects responsibility assignments toward AIs and their creators. Frontiers in Psychology, 16, 1498958. doi:10.3389/fpsyg.2025.1498958.

Ryazanov, I., Öhman, C., & Björklund, J. (2025). How ChatGPT changed the media’s narratives on AI: A semi-automated narrative analysis through frame semantics. Minds and Machines, 35, Article 2. doi:10.1007/s11023-024-09705-w.

Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27, 379–423, 623–656.