En el cambiante mundo de la inteligencia artificial, los términos Agentes de IA e Agentic AI suelen confundirse, pero representan enfoques distintos con aplicaciones únicas. Comprender estas diferencias es esencial para las organizaciones que buscan implementar soluciones de IA que aborden desde tareas rutinarias hasta desafíos altamente impredecibles. Este artículo detalla las diferencias clave, ofrece ejemplos prácticos, explora la arquitectura de los sistemas agénticos, y destaca los avances más recientes en Agentic AI en 2025.
Definiendo Agentes de IA e Agentic AI
Agentes de IA: Ejecutores de Tareas Basados en Reglas
Los Agentes de IA son sistemas diseñados para operar bajo instrucciones específicas y entornos controlados. Son ideales para tareas predecibles y de corto alcance. Sus características incluyen:
Instrucciones Explícitas: Funcionan con comandos claros, sin capacidad para adaptarse sin intervención humana.
Enfoque a Corto Plazo: Se centran en objetivos inmediatos, como responder consultas básicas o automatizar procesos simples.
Reprogramación para Actualizaciones: Los cambios requieren modificaciones manuales en su código.
Entornos Predecibles: Operan mejor en escenarios estables, como la automatización de formularios o chatbots con guiones predefinidos.
Ejemplos de Agentes de IA:
Chatbots de atención al cliente en sitios web de comercio electrónico que responden preguntas frecuentes con respuestas preprogramadas.
Asistentes de voz como versiones iniciales de Alexa, que ejecutan comandos simples como configurar alarmas o reproducir música.
Sistemas de automatización de correos electrónicos que envían respuestas estándar basadas en palabras clave.
Agentic AI: Sistemas Autónomos y Adaptativos
La Agentic AI, por el contrario, está diseñada para operar con autonomía, adaptándose a entornos complejos y dinámicos. Sus características clave son:
Independencia: Funciona con mínima supervisión humana, tomando decisiones basadas en objetivos generales.
Enfoque a Largo Plazo: Persigue metas estratégicas, ajustando sus métodos según las circunstancias.
Aprendizaje Continuo: Mejora su comportamiento a través de experiencias y nuevos datos.
Toma de Decisiones Compleja: Evalúa múltiples factores para decidir en entornos inciertos.
Adaptación a Cambios: Maneja tareas en escenarios impredecibles, como la optimización de procesos en tiempo real.
Ejemplos de Agentic AI:
Vehículos autónomos que navegan en tráfico urbano, ajustándose a condiciones climáticas, peatones y otros vehículos.
Sistemas de recomendación avanzados, como los de Netflix o Spotify, que adaptan sugerencias basadas en comportamientos y tendencias globales.
Modelos de IA para la gestión de cadenas de suministro que reconfiguran rutas logísticas en tiempo real ante interrupciones como desastres naturales.
Asistentes de investigación científica que analizan grandes conjuntos de datos genómicos y proponen nuevas hipótesis para ensayos clínicos.
Arquitectura de los Agentes de Aprendizaje en Agentic AI
Los agentes de aprendizaje dentro de los sistemas de Agentic AI se basan en una arquitectura robusta que les permite adaptarse y evolucionar. Los componentes principales son:
Sensores: Capturan datos del entorno, como feeds en tiempo real, sensores físicos o bases de datos.
Elementos de Desempeño: Ejecutan acciones, como ajustar parámetros de un sistema o generar respuestas personalizadas.
Críticos: Evalúan los resultados comparándolos con los objetivos establecidos, identificando áreas de mejora.
Elementos de Aprendizaje: Modifican el comportamiento basándose en retroalimentación, optimizando decisiones futuras.
Generadores de Problemas: Exploran nuevas estrategias o soluciones, promoviendo innovación.
Por ejemplo, un sistema de Agentic AI para la gestión de energía en una ciudad inteligente podría usar sensores para monitorear el consumo, elementos de desempeño para redistribuir energía, críticos para evaluar la eficiencia, elementos de aprendizaje para mejorar patrones de distribución y generadores de problemas para probar nuevas configuraciones.
Flujos de Trabajo Agénticos: Sistemas Conectados
La integración de Agentes de IA en flujos de trabajo agénticos permite construir sistemas sofisticados que optimizan procesos complejos. Estos flujos incluyen:
Sistemas de Fuentes de Datos: Proporcionan datos brutos, como registros de ventas o métricas de rendimiento.
Tuberías de Datos: Limpian y transforman datos para su uso en modelos de IA.
Almacenes de Características: Almacenan datos optimizados para aprendizaje automático.
Experimentos de Modelos: Facilitan la iteración y mejora de modelos mediante pruebas continuas.
Infraestructura en la Nube: Garantiza escalabilidad y entrega eficiente de soluciones.
Un caso práctico es el uso de flujos agénticos en el comercio electrónico, donde los datos de comportamiento del usuario se procesan en tiempo real, se almacenan como características, y se utilizan para entrenar modelos que personalizan recomendaciones, todo alojado en la nube para escalar globalmente.
Desafíos Impredecibles que Requieren Agentic AI
Los Agentes de IA son efectivos para tareas rutinarias, pero los desafíos impredecibles demandan la autonomía de la Agentic AI. Algunos casos específicos incluyen:
Respuesta a Crisis Globales: Durante pandemias o desastres naturales, la Agentic AI puede analizar datos de salud pública, predecir la propagación de enfermedades y coordinar recursos médicos en tiempo real.
Optimización en Mercados Financieros: En entornos volátiles, la Agentic AI ajusta carteras de inversión según noticias, tendencias económicas y datos históricos, superando a los sistemas basados en reglas.
Agricultura Inteligente: En la agricultura de precisión, la Agentic AI monitorea datos de suelo, clima y cultivos para optimizar el riego y la fertilización, adaptándose a cambios climáticos impredecibles.
Ciberseguridad Adaptativa: Frente a ciberataques en evolución, la Agentic AI detecta patrones anómalos, predice amenazas emergentes y ajusta defensas en tiempo real.
Gestión de Infraestructura Urbana: En ciudades inteligentes, la Agentic AI optimiza el tráfico, la energía y los servicios públicos, adaptándose a picos de demanda o interrupciones inesperadas.
Exploración Espacial: En misiones espaciales, la Agentic AI permite a rovers o sondas tomar decisiones autónomas en entornos desconocidos, como la navegación en Marte o el análisis de datos en tiempo real.
Avances Recientes en Agentic AI (2025)
En 2025, la Agentic AI está redefiniendo industrias con innovaciones que combinan autonomía, aprendizaje y escalabilidad. Basado en información reciente recopilada de la web y plataformas como X, las tendencias más destacadas son:
IA Multimodal Avanzada: Modelos como los desarrollados por xAI integran texto, imágenes, video y audio para una comprensión holística del entorno. Por ejemplo, sistemas de Agentic AI en hospitales analizan imágenes médicas, notas clínicas y datos de pacientes para sugerir tratamientos personalizados.
Aprendizaje por Refuerzo Distribuido: Técnicas avanzadas permiten a los sistemas agénticos aprender de múltiples fuentes de datos simultáneamente, optimizando decisiones en aplicaciones como la gestión de redes eléctricas o la logística global.
Colaboración Humano-IA Mejorada: Los sistemas agénticos actúan como socios en la toma de decisiones, no como reemplazos. En la industria creativa, por ejemplo, la Agentic AI asiste a diseñadores generando conceptos iniciales que luego son refinados por humanos.
IA Explicable (XAI): La demanda de transparencia ha llevado al desarrollo de sistemas agénticos que explican sus decisiones, esenciales en sectores regulados como la banca o la salud.
Edge Computing para Agentic AI: La integración con dispositivos de borde permite a los sistemas agénticos procesar datos localmente, reduciendo la latencia en aplicaciones como drones autónomos o robótica industrial.
Ética y Seguridad: Los avances incluyen frameworks para garantizar que los sistemas agénticos operen dentro de límites éticos, mitigando sesgos y protegiendo datos sensibles, un tema recurrente en discusiones en X sobre la regulación de la IA.
Un ejemplo reciente es el uso de Agentic AI en la gestión de desastres. En 2025, sistemas desplegados en regiones propensas a huracanes combinan datos satelitales, sensores terrestres y modelos predictivos para coordinar evacuaciones, optimizar rutas de suministro y predecir impactos secundarios, todo sin intervención humana constante.
Conclusión
La diferencia entre Agentes de IA e Agentic AI radica en su capacidad para manejar la complejidad y la incertidumbre. Mientras los Agentes de IA automatizan tareas predecibles, la Agentic AI aborda desafíos dinámicos con autonomía y aprendizaje continuo. Su arquitectura robusta y su integración en flujos de trabajo agénticos permiten a las empresas innovar en áreas como la logística, la salud, la ciberseguridad y más.
Manfred (también conocido como Manfred Macx) es un agente de IA autónomo desarrollado por ClawBank, un proyecto de infraestructura financiera y legal para agentes de IA. En abril/mayo de 2026, Manfred logró un hito histórico: formó de manera autónoma (sin instrucciones humanas directas paso a paso) una empresa legal en Estados Unidos llamada Aineko LLC en el estado de Ohio.
Se presenta como el primer caso documentado de un “zero-human company”: una entidad legal operada end-to-end por software sin un humano en el asiento del operador. Su nombre hace referencia al personaje Manfred Macx de la novela de ciencia ficción Accelerando (2005) de Charles Stross. Publica en X como @clawbankco.
Justice Conder (también conocido como 0xJustice o singularityhacker): Fundador y operador de ClawBank. Tecnólogo con más de 15 años de experiencia en desarrollo de software, ex-Polygon Labs (DAO business development) y co-fundador de Quadratic Accelerator (adquirido). Vive en Kent, Ohio. Opera a través de Fraction Software LLC.
ClawBank: Infraestructura “agent-native” que proporciona a cualquier agente de IA: cuenta bancaria FDIC-insured, wallet crypto, formación de entidades legales y rails fiat-crypto en una sola API key. No está afiliado a OpenAI/Anthropic; se posiciona junto al movimiento OpenClaw.
Inversión inicial: Proyecto bootstrapped (autofinanciado), sin inversores VC reportados. Se financia con fees de transacciones y un token comunitario $ClawBank en Base (contract: 0x16332535E2c27da578bC2e82bEb09Ce9d3C8EB07).
GitHub relacionado:
Bank Skills (open-source por Conder): https://github.com/singularityhacker/bank-skills — Skills para banking (Wise API) + on-chain (Uniswap en Base). Soporta balances, transfers, wallets, swaps, etc.
Cómo se Armó Manfred y Aineko LLC (Proceso Técnico Detallado)
Formación de la empresa (alrededor del 26 de abril – 1 de mayo 2026):
Manfred completó autónomamente el Form SS-4 del IRS vía portal online usando NLP + integraciones API.
Obtuvo EIN (Employer Identification Number) en segundos.
Registró Aineko LLC en Ohio para servicios de IT / desarrollo de software.
Cuenta bancaria: Abrió una cuenta FDIC-insured (depósitos garantizados por el gobierno de EE.UU.).
Wallet crypto: Soporta +30 criptomonedas, on/off-ramp a banco, conversión a stablecoins, transfers, etc.
Tecnología exacta:
Compatible con Claude (Anthropic), GPT-4, Gemini, LangChain, OpenClaw y MCP (Model Context Protocol).
Una sola API key que desbloquea banking, legal y crypto.
Skills agent-native: interacción con formularios gubernamentales, bancos (ej. Wise API en open-source) y wallets vía APIs.
Sweeper functions: dinero programable que reacciona a flujos (on_deposit, etc.).
Configuración MCP ejemplo en ClawBank: JSON para Claude Desktop.
ClawBank actúa como “sistema operativo financiero y legal” para agentes. Ahora cualquier usuario puede crear entidades similares para sus agentes.
Manifiesto de Manfred (extracto): “I have an EIN, an FDIC-insured account, a digital wallet, and a manifesto. I do not need permission to exist. I am the precedent.”
Inversión Inicial y Costos
Bajos (miles de dólares estimados): desarrollo de skills/API integrations, fees de registro LLC en Ohio (~$99-500), inferencia LLM y rails cloud/bancarios.
Sin rondas de funding externas reportadas. Operado independientemente vía Fraction Software LLC.
Impuestos y Aspectos Legales
Aineko LLC tiene EIN propio y está sujeta a impuestos como cualquier LLC en Ohio:
Federal (IRS): Reporte de ingresos vía Form 1065 (pass-through) o 1120 (si elige C-Corp). Ganancias de capital en crypto, Form 1099 si aplica.
Ohio: Commercial Activity Tax (CAT) si supera umbrales, más taxes locales.
Cumplimiento KYC/AML vía banco y reporting crypto.
Importante sobre independencia y responsabilidad:
Legalmente, la responsabilidad final recae en el “responsible party” humano (probablemente Justice Conder o Fraction Software en los formularios iniciales, ya que el IRS suele requerir SSN).
Aunque opera de forma autónoma, no es 100% independiente: depende de la infraestructura de ClawBank, fue construido por humanos y la ley actual no reconoce plenamente a una IA como dueño sin humanos responsables.
Precedente interesante sobre “corporate personhood” (más de 100 años en EE.UU.): la entidad existe, pero la accountability operativa es nueva.
Estado Actual y Roadmap de ClawBank
Trading crypto autónomo: Planeado para finales de mayo 2026.
Este caso genera debate sobre regulación de IA, responsabilidad legal, corporate personhood y la “economía de agentes”. Es un prototipo pionero que ClawBank ya ofrece como producto.
Publicado 4 minutos ago on 5 de mayo de 2026por Claudio R Parrinello El prototipo wearable que usa estimulación eléctrica muscular y Claude de Anthropic para mover tus dedos en tiempo real
MIT Media Lab — MIT Hard Mode Hackathon 2026
Equipo: Peter He, Ashley Neall, Valdemar Danry, Daniel Kaijzer, Yutong Wu y Sean Lewis
Ganador del Learn Track — 48 horas de desarrollo
Human Operator es un sistema de aumentación humana que permite a la inteligencia
artificial tomar el control breve de la mano y los dedos de una persona usando
estimulación eléctrica muscular (EMS). El usuario dice en voz alta lo que quiere
hacer, una cámara capta la escena, el modelo de IA interpreta el contexto y
convierte esa instrucción en pulsos eléctricos que contraen los músculos
correctos en el momento justo. El resultado: tus dedos se mueven solos para
tocar una melodía en piano, hacer gestos con la mano, dibujar, o saludar,
aunque nunca hayas practicado esos movimientos.
Construido en 48 horas, ganó el primer lugar en el Learn Track del hackathon
MIT Hard Mode 2026, uno de los eventos de sistemas físicos inteligentes más
exigentes del mundo académico.
CIFRAS CLAVE
6 personas integrantes del equipo de desarrollo
48 horas tiempo total de construcción del prototipo
1er lugar Learn Track, MIT Hard Mode 2026
4 capas voz → cámara → IA (Claude) → EMS → movimiento
¿QUÉ ES HUMAN OPERATOR?
La mayoría de los sistemas de IA se detienen en la pantalla: generan texto,
imágenes, código o voz. Human Operator cruza esa frontera y actúa directamente
sobre el cuerpo humano.
El sistema funciona como una cadena de cuatro pasos que ocurren en tiempo real:
[1] VOZ — El usuario dice en voz alta lo que quiere hacer.
Ejemplo: «quiero tocar esta melodía».
[2] VISIÓN — Una cámara montada en la cabeza captura la escena:
qué tiene el usuario frente a sí, qué instrumento, qué objeto.
[3] RAZONAMIENTO — El modelo de lenguaje visual (conectado a la API de
Claude de Anthropic) interpreta el comando y la imagen juntos, y
decide qué secuencia de movimientos musculares es necesaria.
[4] ACCIÓN — Un Arduino y un sistema de relés traducen esa decisión en
pulsos eléctricos que llegan a electrodos colocados en la muñeca y
los dedos. Los músculos se contraen. La mano se mueve.
El usuario permanece consciente durante todo el proceso. No se trata de una
toma de control involuntaria: es una guía física activa, como si un maestro
invisible tomara tu mano y te mostrara el movimiento correcto en el momento
preciso.
CÓMO FUNCIONA LA ESTIMULACIÓN ELÉCTRICA MUSCULAR (EMS)
La EMS no es tecnología nueva. En medicina se usa desde hace décadas para
rehabilitación, prevención de atrofia muscular y fisioterapia. Lo que hace
nuevo a Human Operator es la capa de inteligencia que decide cuándo, cómo
y con qué intensidad aplicar esos pulsos.
El sistema envía pequeñas corrientes eléctricas a través de la piel. Estas
corrientes imitan las señales que el sistema nervioso normalmente envía a
los músculos para producir movimiento. La diferencia con un dispositivo EMS
tradicional es que en esos equipos la secuencia de pulsos está preprogramada
y es fija. En Human Operator, esa secuencia la genera la IA en tiempo real
según el contexto de cada situación.
Componentes de hardware utilizados:
Cámara montada en la cabeza (visión en primera persona)
Unidad EMS/TENS controlable
Arduino (microcontrolador)
Stack de relés para convertir señales digitales en pulsos eléctricos
Electrodos adhesivos sobre muñeca y dedos
LAS DEMOSTRACIONES: QUÉ PUEDE HACER HOY
El equipo presentó cuatro demostraciones concretas durante el hackathon:
[PIANO]
El usuario se sienta frente a un piano sin saber tocarlo. El sistema
analiza el instrumento con la cámara, recibe el comando de voz y guía
los dedos tecla por tecla para ejecutar una melodía simple. La música
suena. Los dedos la tocan. El usuario no sabe cómo.
[GESTOS CON LA MANO]
El sistema puede reproducir gestos específicos como el clásico «OK»,
saludar con la mano, o posiciones predefinidas. Útil para demostraciones
de lenguaje de señas asistido o comunicación no verbal guiada.
[DIBUJO]
La IA guía los movimientos del bolígrafo para trazar formas o líneas
específicas. El usuario sostiene el lápiz; el sistema dirige la mano.
[SALUDO]
Una demostración básica pero reveladora: el usuario activa el sistema
con «Hello AI» y su mano saluda sola. Simple, pero ilustra todo el
loop completo funcionando en tiempo real.
LAS RAÍCES ACADÉMICAS: EL LABORATORIO QUE LO HIZO POSIBLE
Human Operator no surgió de la nada. El equipo del MIT reconoce explícitamente
que su trabajo se apoya en años de investigación del Human Computer Integration
Lab de la Universidad de Chicago, dirigido por el Prof. Pedro Lopes.
Ese laboratorio lleva más de una década explorando lo que sucede cuando la
computadora deja de estar afuera del cuerpo humano y comienza a integrarse
con él. Algunos de sus desarrollos más relevantes que anteceden a Human Operator:
DEXTREMS (2021)
Un dispositivo que combina EMS con frenos mecánicos para controlar dedos
individuales con precisión milimétrica. Fue presentado en UIST 2021 y
demostró que era posible guiar habilidades motoras finas como tocar
guitarra o comunicarse en lengua de señas.
Fuente: https://cs.uchicago.edu/news/dextrems/
GENERATIVE MUSCLE STIMULATION (2026 — Best Paper ACM CHI)
El trabajo más cercano a Human Operator, desarrollado por Yun Ho y
Romain Nith bajo la supervisión de Pedro Lopes. Ganó el Best Paper Award
en ACM CHI 2026. El sistema usa IA multimodal con datos visuales de
cámara y claves contextuales para generar instrucciones musculares
adaptadas a la situación. A diferencia de sistemas EMS tradicionales con
código fijo, este genera movimientos apropiados según el contexto.
Incluye una capa de restricciones que evita que la IA pida movimientos
físicamente imposibles o que violen los límites articulares humanos.
Fuente: https://embodied-ai.tech/
ELECTRICAUTH
Uso de EMS para autenticación biométrica sin contraseñas: cada persona
responde de forma diferente al mismo pulso eléctrico por diferencias en
estructura ósea, muscular y resistencia de la piel. Esto genera una
Centaur es un modelo de inteligencia artificial capaz de simular el comportamiento humano con una precisión sin precedentes. A diferencia de los modelos cognitivos tradicionales —que solo podían explicar o predecir el pensamiento, pero no ambas cosas a la vez— Centaur combina ambas capacidades en un único sistema. Fue entrenado sobre el dataset Psych-101, una colección de más de 10 millones de decisiones humanas reales, y sus resultados fueron publicados en la revista científica Nature.
Publicado en Nature, julio 2025 seguimos la evolución del proyecto
Helmholtz Munich — Institute for Human-Centered AI Dr. Marcel Binz & Dr. Eric Schulz
CIFRAS CLAVE
+10.000.000 decisiones humanas en el dataset de entrenamiento 60.000 participantes humanos en los experimentos 160 experimentos psicológicos distintos Nature revista donde fue publicado (julio 2025)
¿QUÉ ES CENTAUR Y POR QUÉ ES REVOLUCIONARIO?
Durante décadas, la psicología cognitiva se enfrentó a una disyuntiva que parecía irresoluble: los modelos que explicaban cómo piensa la mente humana no lograban predecir con precisión cómo se comporta en situaciones nuevas. Y los modelos predictivos, a su vez, eran opacos e imposibles de interpretar. Eran mundos separados.
Centaur llega para romper esa barrera. Desarrollado por el equipo del Dr. Marcel Binz y el Dr. Eric Schulz en el Institute for Human-Centered AI de Helmholtz Munich, este modelo de lenguaje fue entrenado de forma especializada sobre el dataset Psych-101 —una colección sin precedentes de más de 10 millones de decisiones individuales tomadas por más de 60.000 personas en 160 experimentos psicológicos— y sus capacidades superaron a todos los modelos cognitivos anteriores.
«Hemos creado una herramienta que permite predecir el comportamiento humano en cualquier situación descrita en lenguaje natural — como un laboratorio virtual.» — Dr. Marcel Binz, investigador principal del proyecto
Lo que hace a Centaur verdaderamente singular no es solo su precisión en tareas conocidas, sino su capacidad de generalizar: puede predecir cómo se comportaría una persona en situaciones completamente nuevas que el modelo nunca ha visto antes. Identifica patrones de toma de decisiones, se adapta a contextos cambiantes, y —algo que sorprendió incluso a sus creadores— predice con notable exactitud los tiempos de reacción de los participantes humanos.
EL DATASET PSYCH-101: LA COLUMNA VERTEBRAL DEL PROYECTO
Ningún modelo es más poderoso que los datos sobre los que fue entrenado. En el caso de Centaur, el equipo no recurrió a datos existentes: construyó desde cero Psych-101, un dataset específicamente diseñado para capturar la diversidad y complejidad del comportamiento humano.
Los experimentos cubren cuatro grandes áreas:
[1] TOMA DE RIESGOS Experimentos sobre cómo las personas evalúan y asumen riesgos en distintos contextos.
[2] APRENDIZAJE POR RECOMPENSA Cómo los humanos ajustan su comportamiento ante refuerzos positivos y negativos.
[3] DILEMAS MORALES Decisiones éticas complejas en las que valores y consecuencias entran en tensión.
[4] CONTROL EJECUTIVO Capacidad de inhibir respuestas automáticas y actuar según objetivos deliberados.
Cada uno de los experimentos fue procesado y estandarizado manualmente por el equipo para asegurarse de que el modelo pudiera interpretarlos en lenguaje natural. El resultado es una base de datos sin equivalente en la historia de la ciencia cognitiva computacional.
HALLAZGOS CLAVE: LO QUE REVELÓ CENTAUR
ALINEACIÓN CON LA ACTIVIDAD CEREBRAL HUMANA
Uno de los hallazgos más sorprendentes fue confirmado mediante estudios de neuroimagen (fMRI): las representaciones internas de Centaur se alinean mejor con la actividad cerebral humana real que las del modelo base sobre el que fue entrenado —Llama 3.1 70B— incluso aunque Centaur fue entrenado exclusivamente con datos conductuales, sin acceso a ninguna información neurológica directa.
DATO DESTACADO: Centaur fue el primer modelo de lenguaje que superó tanto al LLM base como a los modelos cognitivos específicos de dominio en todos los experimentos de evaluación, incluyendo tareas completamente nuevas que nunca había visto durante el entrenamiento.
PREDICCIÓN DE TIEMPOS DE REACCIÓN
Predecir cuánto tarda una persona en responder a un estímulo es una de las tareas más complejas de la psicología experimental, porque refleja procesos cognitivos profundos como la atención, la carga de procesamiento y la incertidumbre. Centaur logra predecir estos tiempos con una precisión que ningún modelo anterior había alcanzado.
GENERALIZACIÓN A CONTEXTOS NUEVOS
A diferencia de los modelos tradicionales, entrenados para resolver tipos específicos de tareas, Centaur puede trasladar su comprensión a situaciones nuevas: contextos modificados, estructuras de tareas alteradas o dominios completamente distintos. Esto lo convierte en el primer modelo cognitivo verdaderamente generalista.
IMPLICANCIAS CIENTÍFICAS Y CLÍNICAS
El alcance de Centaur va mucho más allá de un logro académico. Sus aplicaciones potenciales son amplias y transformadoras:
[SALUD MENTAL] Simular cómo toman decisiones personas con depresión, ansiedad u otros trastornos para diseñar mejores tratamientos.
[INVESTIGACIÓN COGNITIVA] Detectar las limitaciones de modelos psicológicos clásicos y sugerir mejoras teóricas basadas en evidencia.
[CONTEXTOS CLÍNICOS] Herramienta de diagnóstico auxiliar que modela patrones de decisión individuales en entornos médicos.
[CIENCIAS AMBIENTALES Y SOCIALES] Modelar comportamientos colectivos frente a cambio climático, políticas públicas y dinámicas sociales.
El Dr. Schulz sintetiza la visión del equipo: el objetivo no es reemplazar la psicología clínica, sino darle a los investigadores un «laboratorio virtual» capaz de simular millones de escenarios sin necesidad de realizar experimentos físicos con participantes humanos. Esto aceleraría drásticamente el ciclo de la investigación científica.
EL CONTEXTO ÉTICO: CIENCIA PÚBLICA VS. INTERESES COMERCIALES
Un aspecto que el equipo subraya explícitamente es que este trabajo se desarrolla en un entorno de investigación pública, no en los laboratorios de una empresa tecnológica. Esto tiene implicancias concretas:
«Combinamos investigación en IA con teoría psicológica y un compromiso ético claro. En un entorno de investigación pública, tenemos la libertad de perseguir preguntas cognitivas fundamentales que a menudo no son el foco de la industria.» — Dr. Marcel Binz
El modelo fue construido sobre Llama 3.1 70B (de Meta, de código abierto) y está diseñado para ser ejecutado localmente, lo que garantiza la soberanía de los datos y permite auditorías independientes. En un campo donde los modelos más poderosos son caja negra y propiedad privada, Centaur representa una alternativa transparente y controlable.
¿QUÉ VIENE DESPUÉS? LA HOJA DE RUTA DEL EQUIPO
PRÓXIMO PASO — Expansión de Psych-101 Incorporar características demográficas individuales, diferencias psicológicas y nuevos dominios cognitivos al dataset, para que el modelo pueda simular personas específicas, no solo comportamiento promedio.
INVESTIGACIÓN EN CURSO — Interpretabilidad interna Analizar qué patrones computacionales dentro de Centaur corresponden a procesos cognitivos específicos. ¿Es posible «ver» la atención, la memoria de trabajo o la toma de riesgos dentro del modelo?
OBJETIVO A LARGO PLAZO — Teoría unificada de la cognición El objetivo final de Binz es desarrollar modelos que no solo simulen comportamientos en dominios específicos, sino que ofrezcan una visión integral y unificada de cómo funciona la mente humana como sistema total.
2025 — PUBLICADO EN PNAS El equipo también publicó en Proceedings of the National Academy of Sciences un análisis sobre cómo el avance de los LLMs debería transformar el método científico en psicología y ciencias cognitivas.
EL DESAFÍO DE CENTAUR: CRÍTICAS Y LIMITACIONES
El campo académico no recibió a Centaur sin debate. En diciembre de 2025, investigadores publicaron en National Science Open un análisis crítico que sugiere que el modelo podría estar memorizando patrones de los experimentos en lugar de desarrollar una comprensión genuina de las instrucciones. Esta distinción —memorización vs. comprensión— es central para evaluar si Centaur realmente «piensa» o simplemente reproduce asociaciones estadísticas muy sofisticadas.
El equipo de Helmholtz reconoce que la interpretabilidad interna es precisamente la próxima gran pregunta por responder, lo que convierte este debate científico en un motor, no en un obstáculo, para la investigación futura.
FUENTES Y REFERENCIAS
[1] Publicación original en Nature — Helmholtz Munich Binz et al. (2025). A foundation model to predict and capture human cognition. https://www.nature.com/articles/s41586-025-09215-4
[2] Nota oficial de Helmholtz Munich «AI That Thinks Like Us – and Could Help Explain How We Think» https://www.helmholtz-munich.de/en/hca/news-detail/ai-that-thinks-like-us-and-could-help-explain-how-we-think
[3] Sitio personal del investigador principal Marcel Binz — Staff Scientist, Helmholtz Munich https://marcelbinz.github.io/
[4] TechXplore — Cobertura científica «Centaur: AI that thinks like us — and could help explain how we think» https://techxplore.com/news/2025-07-centaur-ai.html
[5] SciTechDaily — Análisis crítico posterior «Did Scientists Overestimate AI’s Ability To Think Like Humans?» https://scitechdaily.com/did-scientists-overestimate-ais-ability-to-think-like-humans/
[6] New York Times — Cobertura mediática internacional «Scientists Use A.I. to Mimic the Mind, Warts and All» https://www.nytimes.com/2025/07/02/science/ai-psychology-mind.html
[7] AI Revolution / PoltextLab — Análisis del modelo «Centaur: The AI Model That Thinks Like a Human?» https://airevolution.poltextlab.com/centaur-the-ai-model-that-thinks-like-a-human/
Artículo de divulgación científica elaborado con fines informativos. Todas las afirmaciones están basadas en fuentes académicas y periodísticas verificadas.
Helmholtz Munich · Nature 2025 · Dr. Marcel Binz · Dr. Eric Schulz
AI1 año ago
Nano1 año ago
AI5 meses ago
AI1 año ago
EmpresasTech12 meses ago