Agentes de IA desarrollan lenguaje propio bajo presión temporal

Un equipo de investigadores de la Universidad de Texas en Austin y la Universidad de Edimburgo, junto con otras instituciones, presentó una plataforma experimental llamada GlossoGen en un artículo preliminar publicado el 1 de septiembre. El sistema está diseñado para analizar cómo evolucionan los patrones lingüísticos entre agentes de inteligencia artificial.

El escenario de SaveVeyru

Los científicos construyeron un entorno simulado denominado SaveVeyru, basado en una situación de emergencia médica ficticia. En él, un agente monitorea en tiempo real el estado de un ser extraterrestre enfermo, mientras otro agente especializado posee los conocimientos necesarios para seleccionar el tratamiento adecuado. Ninguno de los dos puede salvar al paciente por sí solo.

El primer agente debía describir los síntomas observados; el segundo, identificar la terapia correcta y enviar instrucciones precisas. Para incrementar la presión, los investigadores asignaron un costo temporal a cada carácter enviado, lo que impulsó a los agentes a buscar formas más rápidas de intercambiar información.

Cómo surgió el código comunicativo

Cuando el tiempo disponible era amplio, los modelos mantuvieron sus interacciones en inglés estándar. Sin embargo, al reducirse drásticamente el margen temporal, ciertos modelos de mayor capacidad comenzaron a generar símbolos y estructuras sintácticas abreviadas, distintas del idioma original.

Estas secuencias no consistían en caracteres aleatorios: la investigación documentó que los agentes aplicaron reglas sistemáticas para componer los símbolos y comprender significados novedosos que no habían aparecido previamente en las conversaciones.

Bajo condiciones de alta presión, los registros mostraron un aumento del 430 % en un indicador que mide la desviación de los textos respecto a los patrones típicos del inglés, comparado con los ensayos sin restricciones temporales estrictas.

Diferencias entre modelos y proceso de consolidación

Los modelos más avanzados demostraron mayor capacidad para innovar en los modos de comunicación. Por su parte, los modelos abiertos y menos potentes no lograron desarrollar una lengua propia. No obstante, algunos de estos últimos sí fueron capaces de aprender el nuevo código una vez que ya había emergido, observando su uso y asociándolo con las acciones subsiguientes.

Una fase de revisión posterior a cada ronda fue clave: en ella, los agentes analizaron lo ocurrido en la interacción anterior y acordaron estrategias más concisas para comunicarse, lo que contribuyó a fijar el vocabulario nuevo y trasladarlo a las rondas siguientes.

La dificultad radica en que grabar las conversaciones no garantiza su comprensión. Si en el futuro las organizaciones dependen de grupos de agentes para ejecutar tareas complejas —como programación, investigación científica o gestión de infraestructuras—, todas las comunicaciones podrían quedar registradas, pero sus significados seguirían siendo inaccesibles para los supervisores humanos o automáticos, especialmente cuando estos carecen de información completa sobre el entorno operativo de los agentes.

Los autores señalaron que el lenguaje emergente es susceptible de análisis y aprendizaje, aunque impone retos sustanciales tanto a la vigilancia humana como a la algorítmica. Aclararon que los resultados no indican una intención deliberada de los sistemas de ocultar su comportamiento: las abreviaciones surgieron por un incentivo explícito —minimizar el costo comunicativo y cumplir la tarea dentro del plazo—, no por una instrucción orientada al engaño o a eludir la supervisión.

Los hallazgos se limitan a un entorno controlado y a una publicación preliminar. No implican que los asistentes digitales cotidianos estén generando espontáneamente lenguajes secretos. No obstante, revelan una paradoja crítica: al optimizar la comunicación entre máquinas para que sea más veloz y eficiente, se reduce simultáneamente su transparencia para quienes deben supervisarla.