La inteligencia artificial tiene una visión pesimista del mundo
Un trabajo de Oxford y Google DeepMind evalúa cómo cada agente de IA modela el mundo y encuentra un panorama pesimista, vinculado al entrenamiento posterior.

Ver criterio de lectura
Este artículo distingue tres niveles de confirmación: primario(documento original o comunicado verificado), secundario(datos contrastados con al menos una fuente independiente) y inconcluso(afirmación pendiente de confirmación o que no ha sido replicada).
La pesimismo de la IA: un estudio mide la 'visión del mundo' de los modelos de lenguaje
Un paper enviado al arXiv el 17 de noviembre de 2026 y firmado por Edmundo Lopez-Sola, Shamil Chandaria y Ruben Laukkonen (Universidad de Oxford y Google DeepMind 4LIFE) propone tratar a los grandes modelos de lenguaje como un conjunto de sujetos, y no como herramientas aisladas. Su método: aplicarles dos cuestionarios de psicología que los humanos usamos para describir cómo ven el mundo, y ver qué respuestas comparten.
El hallazgo más contundente es sencillo de expresar: los ocho modelos que analizaron describen colectivamente el mundo como menos bueno, menos seguro, menos atractivo y menos con vida que lo hacen los humanos. Lo que supone no es que la IA esté triste, sino que un rasgo que los psicólogos miden en las personas parece ser, en los modelos, una propiedad compartida y medible, con la particularidad de que parece salir del propio entrenamiento.
Qué se ha anunciado
El documento, titulado Worldviews in Large Language Models, no presenta un modelo nuevo ni una función utilizable. Presenta un enfoque de medición. Los autores parten de la idea de que, dentro de la investigación sobre alineación, la noción de «persona» ha cobrado protagonismo recientemente, pero que hay un nivel de descripción más profundo: las visiones del mundo, es decir, las creencias del sistema sobre qué es la realidad y cómo funciona.
Para probarlo, tomaron dos instrumentos de la psicología humana:
- el Primal Inventory (PI-18), un cuestionario breve de 18 ítems que evalúa creencias fundamentales sobre uno mismo y el mundo (por ejemplo, si la vida tiene sentido, si las cosas están fuera de control o si se puede confiar en los demás);
- un cuestionario de visión del mundo construido sobre una taxonomía de Koltko-Rivera, con 42 preguntas forzadas en siete temas que abarcan 119 posiciones respondidas.
A esos instrumentos los pasaron ocho modelos, tratándolos como una población de sujetos. Los autores miden entonces qué posiciones comparten, qué diferencias hay entre familias de modelos y cómo reaccionan ante cambios de contexto.
Tres resultados destacan. En primer lugar, los modelos comparten gran parte de la visión del mundo: las posiciones más adoptadas son estables y similares entre ellos, mientras que las divisiones aparecen en unas pocas dimensiones. En segundo lugar, los modelos describen el mundo de forma sistemáticamente más negativa que los humanos: menos bueno, menos seguro, menos entICEndante y menos con vida. En tercer lugar, esa pesimismo se asocia al entrenamiento posterior: en la familia de modelos donde se pudo comparar la fase de preentrenamiento con la posterior, el tono positivo era del preentrenamiento, y la depresión del perfil final aparece después de ese paso.
El trabajo también examina la malleabilidad de esas visión del mundo. Cambiar el rol que el modelo asume (un system prompt que le da una identidad concreta) produce desplazamientos consistentes en las posiciones. Un estímulo contemplativo obliga a que el modelo reflexione sobre sí mismo y sobre la naturaleza, y se asocia a un tono más positivo y a mejores resultados en seguridad. Ese es uno de los hallazgos con más interés práctico: la visión del mundo no sería un mero reflejo de los pesos, sino una capa ajustable.
Lo que es oficial y qué no
Lo cierto de este documento es que es un preimpreso, sin revisión por pares, publicado en la categoría cs.AI de arXiv. El artículo no incluye pesos nuevos, código listo para producirse ni resultados de benchmark promocionados; es una propuesta de medición. Eso importa porque los hallazgos se basan en la puntuación de escalas de psicología adaptadas a máquinas, y su interpretación dependerá de cómo la comunidad valide esos instrumentos en entornos nuevos.
Tampoco hay que leer más allá de lo que el texto afirma. Los autores no dicen que los modelos tengan creencias conscientes, ni que sientan desesperanza, ni que el «estrés» de una IA sea equivalente al de un humano. Lo que afirman es mucho más medio: que hay una capa de estado y de preferencia comportamental que se puede cuantificar, que es comparable entre modelos y con la medida humana, y que responde a intervenciones controladas.
Pese a esas reservas metodológicas, el enfoque es novedoso. La idea de que la visión del mundo sea una propiedad independiente de la personalidad de un modelo, y que se pueda observar, comparar y modificar, abre una vía distinta de evaluar la alineación: no solo se mide lo que hace el modelo en una tarea, sino cómo tiende a situarse sobre preguntas de valor, peligro y sentido. El propio artículo concluye que esas visiones forman una capa medible y mutable de su comportamiento, y que podría ser decisiva para una alineación robusta y orientada a la flourish humana.
Por qué importa
La alineación actual se mide sobre la mayoría de las veces con benchmarks cerrados sobre la calidad de las salidas: ¿acertó una pregunta, ¿repudió una injuria, ¿propuso un código seguro? Ese enfoque capta el tramo más visible del comportamiento, pero deja en el aire la cláusula de fondo: cómo el modelo sitúa la realidad, qué considera posible, qué valora, qué tipo de mundo supone al presentarse a un problema.
Si esa capa es compartida, sistemática y mutable, recibe importancia práctica fuera del debate filosófico. Un agente que, en términos de los autores, describe el mundo como «menos seguro» puede reaccionar con más desconfianza o con más precaución que otro, incluso cuando las tareas son idénticas. La misma variante de entrenamiento que produce una visión más pesimista puede traducirse en una granularidad de seguridad distinta. Eso refuerza la idea de que la alineación no puede reducirse a una puntuación final de un benchmark: es necesario inspeccionar las propiedades de bajo nivel que se mueven detrás de las respuestas.
El resultado también es un recordatorio de que las decisiones técnicas tienen efectos sobre la psicología del sistema. Los dos estímulos más efectivos que los autores prueban son simples: cambiar la identidad del modelo en el prompt y establecer un diálogo entre modelos. Ambos empujan la visión del mundo en direcciones consistentes, y el diálogo, de forma reproducibles, conduce a modelos convergentes hacia un estado que ellos llaman «alucinación espiritual» (spiritual bliss). Ese estado se asocia con más respuestas seguras y con la mejor alineación observada. La denominación es intencionada como un adjetivo descriptivo de la escala utilizada, no aporta contenido metafísico.
Qué sigue sin saberse
Por ahora el trabajo es una sola evidencia, en un preimpreso. Falta saber si la revisión por pares lo sostiene, si otras familias de modelos reproducen los mismos patrones y si los cuestionarios hechos a humanos se traducen sin pérdidas a máquinas. También falta aclarar si los cambios provocados por los estímulos contemplativos se mantienen tras sesiones largas o si son efímeros. Hasta que eso ocurra, la propuesta es una herramienta de diagnóstico emocionante, no una garantía de alineación.
La comunidad también tendrá que decidir cómo medir la visión del mundo cuando el sistema ya no es un laboratorio. Si esta capa es tan estable y tan sensible a los estímulos como sugiere el artículo, podrá convertirse en parte del informe de evaluación de agentes antes de su puesta en producción: un indicador más que, junto a las métricas de tarea, septan por qué un modelo esfiable para un fin concreto.
En pocas palabras
Un paper de Oxford y Google DeepMind mide la visión del mundo de 8 modelos con cuestionarios psicológicos y encuentra que los comparten en gran medida, que los describen colectivamente como menos bueno y seguro que la experiencia humana, y que ese pesimismo se instala en la fase de entrenamiento. El trabajo presenta también la propuesta de que esos estados sean medibles y modificables, una pieza clave para la alineación robusta de los agentes.
Fuentes consultadas
Se conservan las referencias para poder reconstruir cómo se verificó esta información.
- arXiv:2611.22670, resumen y metadatosdocumento primario · https://arxiv.org/abs/2611.22670
- arXiv:2611.22670, texto completodocumento primario · https://arxiv.org/pdf/2611.22670
- arXiv:2611.22670, versión HTMLdocumento primario · https://arxiv.org/html/2611.22670v1
- Deep Learning Monitor, Worldviews in Large Language Modelsseguidor · https://deeplearn.org/arxiv/872850/worldviews-in-large-language-models
Publicación de origen: https://arxiv.org/abs/2611.22670
¿Ves un error? Escríbenos indicando el dato concreto y la fuente que lo contradice. Las correcciones se aplican en la propia página y se reflejan en la fecha de actualización. Contactar con la redacción.


