Los sistemas de inteligencia artificial pueden escribir con fluidez, razonar sobre problemas complejos y generar respuestas que a menudo se sienten notablemente humanas. Sin embargo, un estudio reciente publicado en PNAS Nexus sugiere que una de las habilidades cognitivas más básicas que los humanos ejercitan a diario, mantener la concentración en un objetivo cuando las distracciones compiten por la atención, puede exponer una brecha fundamental en cómo funcionan realmente los sistemas de IA actuales.
La investigación, dirigida por Suketu Patel, utilizó un experimento psicológico de hace décadas para explorar esa brecha. Lo que descubrió vale la pena entenderlo con cuidado, porque replantea una pregunta que a menudo se pierde en los debates sobre la capacidad de la IA: la diferencia entre producir resultados impresionantes y controlar genuinamente la atención.
Una prueba diseñada para poner a prueba la concentración humana
La tarea Stroop es una de las herramientas más conocidas en la psicología cognitiva. El diseño es sencillo. Se muestran palabras de colores como “rojo”, “azul” o “verde” en tinta de color. A veces, la palabra y el color de la tinta coinciden. A veces entran en conflicto, como cuando la palabra “rojo” aparece impresa en tinta azul. El trabajo del participante consiste en nombrar el color de la tinta, no en leer la palabra.
Esto parece trivial. No lo es. Leer palabras es un hábito automático para la mayoría de las personas, algo que el cerebro hace sin esfuerzo consciente. Nombrar el color de la tinta requiere suprimir activamente ese hábito, que es precisamente lo que hace que la tarea sea útil para medir el control ejecutivo: los procesos mentales que permiten a las personas regular la atención, resistir impulsos en conflicto y mantenerse orientadas hacia un objetivo específico.
Los psicólogos han utilizado la tarea Stroop durante décadas porque aísla algo real y medible sobre cómo el cerebro maneja el conflicto entre las respuestas automáticas y las intenciones deliberadas. El equipo de investigación de Patel aplicó la misma lógica a los grandes modelos de lenguaje.
Qué pasó cuando la IA hizo la prueba
Los investigadores probaron varios sistemas de IA líderes, incluidos GPT-4o, GPT-5, Claude 3.5 Sonnet, Claude Opus 4.1 y Gemini 2.5, en listas al estilo Stroop de varias longitudes.
Con listas cortas de cinco palabras de colores, los modelos generalmente se desempeñaron bien. GPT-4o alcanzó un 91% de precisión con esa longitud. El panorama cambió a medida que las listas se hacían más largas. Con diez palabras, la precisión de GPT-4o cayó al 57%. Con cuarenta palabras, bajó al 15%. Claude 3.5 Sonnet mantuvo un rendimiento estable en listas de hasta veinte palabras antes de experimentar un fuerte declive, cayendo al 24% de precisión con cuarenta palabras.
La situación se deterioró aún más cuando los elementos coincidentes y no coincidentes aparecieron juntos en la misma lista. Bajo esas condiciones, la precisión para los elementos no coincidentes cayó a casi cero en algunos casos. Los modelos no estaban simplemente cometiendo errores aleatorios. Estaban recurriendo por defecto a leer las palabras en lugar de identificar los colores de la tinta, que es exactamente el comportamiento que la tarea está diseñada para suprimir.
Esto es lo que la mayoría de la cobertura sobre la capacidad de la IA pasa por alto. El fallo no se debe al conocimiento o a la habilidad lingüística. Estos modelos saben qué son los colores de la tinta. Entienden las instrucciones. El problema es que, a medida que la tarea se vuelve más exigente, pierden la capacidad de anular de manera consistente la respuesta para la que fueron entrenados más intensamente: procesar y reproducir texto.
Por qué esto importa más allá del laboratorio
El contraste con el rendimiento humano es instructivo. A las personas también les resultan más difíciles los elementos no coincidentes que los coincidentes, y leer palabras es un hábito más fuerte que nombrar colores. Sin embargo, la mayoría de las personas pueden mantener una alta precisión y un rendimiento estable incluso a través de largas listas de estímulos en conflicto. El cerebro humano tiene mecanismos para sostener la atención dirigida a objetivos durante secuencias prolongadas, incluso cuando las respuestas automáticas tiran en una dirección diferente.
Los modelos de IA actuales, sugiere el estudio, no parecen tener un mecanismo equivalente. Su rendimiento no se degrada gradualmente a medida que aumenta la carga cognitiva. Se colapsa.
Esta distinción es importante para cualquiera que piense seriamente en dónde encaja la IA en los flujos de trabajo reales. Las tareas que son cortas, están bien definidas y tienen pocas señales en conflicto tienden a salir bien. Las tareas que requieren una atención sostenida a lo largo de secuencias más largas, o que implican resistirse a la respuesta estadísticamente más probable en favor de una instrucción específica, es donde la arquitectura muestra sus límites.
Los hallazgos no sugieren que los sistemas de IA sean inútiles o que sus capacidades sean ilusorias. Sugieren algo más preciso: que los mecanismos que subyacen al rendimiento de la IA son genuinamente diferentes de los mecanismos que subyacen a la atención humana, y que esas diferencias se vuelven visibles bajo condiciones específicas. Comprender dónde surgen esas condiciones es más útil que descartar la tecnología o exagerar lo que puede hacer.
Las herramientas de IA funcionan mejor cuando aumentan el juicio humano en lugar de reemplazarlo, particularmente en contextos donde la concentración sostenida, la resistencia a la distracción y la adhesión constante a un objetivo específico a lo largo del tiempo son lo que la tarea realmente exige.
En resumen
Un equipo de investigación dirigido por Suketu Patel utilizó la tarea Stroop, un experimento clásico de psicología que mide la atención y el control ejecutivo, para probar modelos de IA líderes, incluidos GPT-4o, Claude 3.5 Sonnet y Gemini 2.5. El rendimiento se mantuvo en listas cortas pero se colapsó a medida que las listas se hacían más largas, con GPT-4o cayendo del 91% de precisión con cinco palabras al 15% con cuarenta. Los modelos recurrieron cada vez más por defecto a leer palabras en lugar de seguir la instrucción de nombrar los colores de la tinta. Los humanos, a pesar de enfrentarse al mismo sesgo automático hacia la lectura, mantienen un rendimiento estable bajo las mismas condiciones. El estudio señala una diferencia arquitectónica real entre la atención humana y cómo los grandes modelos de lenguaje actuales procesan la información, una diferencia que se vuelve trascendental en cualquier tarea que requiera un enfoque sostenido y dirigido a objetivos a lo largo de secuencias prolongadas.
Basado en información de ScienceDaily AI.