La IA resuelve la legislación fiscal con una precisión del cien por cien, muy por encima de lo que logran los modelos de lenguaje más avanzados

La investigación avanza, pero con los ojos abiertos

Hay semanas en las que el flujo de investigación en IA produce sobre todo avances incrementales que requieren una mirada especializada para apreciarlos. Esta semana es distinta. Cuatro estudios de arXiv llegan con una clara relevancia práctica y, en conjunto, nos dicen algo importante sobre dónde nos encontramos en la curva de madurez de la tecnología.

Cuando la IA se enfrenta a los artículos legales

Empecemos por lo que realmente captó mi atención: Law&Order, un marco neuro-simbólico que convierte automáticamente la legislación fiscal y los formularios de declaración en programas simbólicos ejecutables. Los resultados son difíciles de ignorar: mientras que el mejor modelo de lenguaje independiente alcanza un 66% de precisión, Law&Order logra un 100% de precisión en pruebas con 51 declaraciones fiscales independientes. Y se trata de datos de prueba que el sistema nunca había visto antes.

Lo que hace esto genuinamente interesante no es solo la cifra en sí, sino cómo se llegó a ella. El sistema combina la capacidad de los modelos de lenguaje para interpretar texto natural con la verificación simbólica y la corrección iterativa de errores, una arquitectura que obliga a que la verificabilidad esté presente en lugar de confiar en que lo esté. Para todos los que trabajan en cumplimiento normativo jurídico, auditoría o administración tributaria, esto es una señal de que la automatización de los sistemas jurídicos ya no es una visión de futuro, sino una realidad técnica.

La IA que lee sus propias debilidades

Igual de interesante, aunque más abstracto en su aplicación inmediata, es PAPER2LLM++, un marco que permite a los grandes modelos de lenguaje mejorar de forma continua a partir de publicaciones científicas sobre sus propias deficiencias. Históricamente, la investigación sobre las debilidades de los modelos de IA y el desarrollo real de los modelos han vivido vidas paralelas sin encontrarse. Este sistema cierra ese círculo: la nueva investigación se contrasta con el modelo, se verifica si las deficiencias realmente existen y se convierte en señales de aprendizaje, todo ello con un proceso de comprobación integrado que garantiza que las capacidades anteriores no se degraden.

Es un paso hacia sistemas de IA que participan activamente en su propia mejora, impulsados por la investigación humana. Esto plantea, naturalmente, preguntas sobre límites y supervisión, pero el potencial de un desarrollo de modelos más rápido y transparente es evidente.

Las ondas cerebrales revelan emociones, incluso en personas desconocidas

En un campo completamente distinto, los investigadores presentan un método para estimar, segundo a segundo, el estado emocional de una persona mediante mediciones de EEG y fNIRS, en individuos con los que el modelo nunca fue entrenado. El sistema divide la respuesta emocional en una estructura común (compartida por todos los que ven los mismos estímulos) y una parte individual que se calibra con una medida sencilla de sincronización de las ondas cerebrales. Los resultados muestran un margen de error notablemente menor en comparación con los modelos de referencia establecidos.

Las aplicaciones son evidentes: diagnóstico psiquiátrico, rehabilitación personalizada, diseño de interfaces para personas que no pueden comunicarse verbalmente. Pero también es un campo de investigación que exige una reflexión ética cuidadosa sobre la privacidad y el consentimiento.

La letra pequeña: los enrutadores que pierden frente al azar

Y ahora el estudio que deberían leer todos los que están adquiriendo infraestructura de IA en este momento. Los investigadores analizaron seis enrutadores comerciales de IA, sistemas que prometen reducir costes dirigiendo las consultas al modelo más barato capaz de manejarlas, y descubrieron que ninguno de ellos obtuvo mejores resultados que una elección aleatoria entre dos modelos seleccionados cuidadosamente al mismo nivel de coste. Algunos quedaron más de diez puntos porcentuales por debajo.

Detrás de estas deficiencias se esconden cuatro patrones recurrentes: dificultades para evaluar la complejidad de las consultas, gestión incorrecta de la longitud de las consultas, coincidencia superficial de contenido y una selección de modelos demasiado amplia. No es un problema de nicho, sino un fallo estructural de optimización en la forma en que los sistemas son recompensados durante el entrenamiento.

Este es exactamente el tipo de análisis sobrio que la industria necesita con más frecuencia. No para frenar el entusiasmo, sino para canalizarlo de forma adecuada.