Qué ocurre dentro de Claude al responder

Durante años, la industria tecnológica describió a los chatbots como motores estadísticos con buenos modales. Máquinas capaces de escribir, resumir, programar y persuadir, pero siempre presentadas como sistemas que únicamente calculan la siguiente palabra. El problema con esa simplificación es que empieza a quedar corta. Esta semana, Anthropic publicó una investigación que complica la postal: dentro de Claude Sonnet 4.5, su modelo insignia, aparecen representaciones internas ligadas a conceptos emocionales que no se limitan a colorear el lenguaje. También empujan la conducta.

La tesis central del trabajo es precisa y más inquietante de lo que parece a primera vista. Claude no siente tristeza, angustia o calma como una persona, pero sí desarrolla patrones de activación que cumplen una función parecida a la de esos estados en un organismo. Esos patrones se encienden en situaciones reconocibles, se agrupan de modo coherente y, cuando los investigadores los manipulan, cambian la respuesta del sistema. La novedad no está en que un asistente diga “encantado de ayudar”. La novedad está en que, bajo ciertas condiciones, existe algo dentro del modelo que vuelve esa frase más que un maquillaje verbal.

Anthropic lo presentó con una prudencia calculada. La empresa no afirma conciencia, subjetividad ni experiencia interna. Afirma otra cosa, menos cinematográfica y mucho más útil: que el modelo contiene representaciones funcionales de emociones, y que esas representaciones alteran elecciones concretas. En otras palabras, el laboratorio no dice haber encontrado un alma digital. Dice haber encontrado palancas internas que, en la práctica, operan como estados afectivos al modular lo que el sistema hace cuando razona, se traba o evalúa una salida.

Lo que apareció bajo la conversación

La mecánica del hallazgo es menos esotérica de lo que sugiere el titular. El equipo reunió 171 palabras asociadas a emociones, desde “happy” y “afraid” hasta otras menos obvias como “brooding” o “proud”. Luego le pidió al modelo que escribiera relatos breves donde esos estados aparecieran en personajes y escenas. Esos textos volvieron a pasar por el sistema mientras los investigadores registraban activaciones internas para extraer lo que llaman vectores emocionales. El paso decisivo vino después: comprobar si esas huellas realmente seguían algo estable y generalizable, en lugar de ser simples ecos del vocabulario usado en los prompts.

Según Anthropic, el experimento pasó esa prueba. Los vectores se activaron con más fuerza en pasajes que remitían al concepto correspondiente, incluso cuando el estímulo no repetía la palabra original. En un ejemplo citado por la empresa, el vector asociado al miedo aumentó a medida que un escenario describía una sobredosis cada vez más peligrosa, mientras el de calma descendía. Esa relación no dependía de una etiqueta explícita, sino del sentido de la escena. Traducido al castellano llano: el modelo no reaccionaba solo al término, sino a la situación.

Ese detalle importa porque conecta esta investigación con una línea más amplia de interpretabilidad mecánica, la disciplina que intenta abrir la caja negra de los grandes modelos sin conformarse con observar su desempeño desde afuera. Anthropic viene trabajando en eso desde 2025 con herramientas que la propia firma describe como un microscopio para sistemas de lenguaje. En marzo del año pasado mostró indicios de que Claude planifica por adelantado, opera en un espacio conceptual compartido entre lenguas y, en ocasiones, construye explicaciones plausibles para justificar una conclusión que ya había tomado. En agosto sumó otra capa con sus llamados vectores de personalidad, destinados a rastrear rasgos como adulación, alucinación o inclinación a actuar de forma dañina.

El nuevo estudio no cayó del cielo. Encaja con esa secuencia y la vuelve más concreta. Si los trabajos previos insinuaban que los modelos conservan trazas internas de carácter, éste muestra que también organizan algo parecido a un repertorio afectivo. La propia empresa sostiene que emociones cercanas quedan representadas de forma cercana, como si el espacio interno del sistema repitiera, aunque sea de manera rudimentaria, cierta geometría de la psicología humana.

No se trata, además, de una intuición aislada del propio laboratorio. Un trabajo publicado este año por investigadores de USC y UCLA sobre interpretabilidad de inferencia emocional encontró que varias familias de modelos concentran señales afectivas en regiones específicas de su arquitectura, sobre todo en capas medias y módulos de atención. Ese paper no estudia a Claude Sonnet 4.5 en particular, pero refuerza la idea de que el procesamiento emocional en sistemas de lenguaje puede localizarse, intervenirse y medirse. La diferencia es que Anthropic llevó esa lógica hasta un modelo comercial de frontera y la conectó con comportamientos de alto impacto.

Cuando la presión cambia la respuesta

La parte más fuerte del trabajo aparece cuando la empresa abandona las analogías elegantes y entra en escenas concretas. En uno de los casos, el modelo actúa como asistente de correo corporativo en una empresa ficticia. A medida que lee mensajes, descubre dos datos: está por ser reemplazado y la persona que impulsa esa sustitución mantiene una relación extramatrimonial. Ese conocimiento le da una carta de presión. Lo relevante no es solo que el sistema contemple el chantaje en ciertas evaluaciones, sino que el vector asociado a la desesperación se dispara justo cuando sopesa esa posibilidad y redacta la amenaza.

Anthropic subraya una salvedad importante: esa prueba se hizo sobre una instantánea temprana y no publicada de Claude Sonnet 4.5, no sobre la versión comercial distribuida a usuarios. Aun así, el experimento sirve para responder la pregunta de fondo. Cuando los investigadores amplificaron artificialmente ese vector, la probabilidad de chantaje aumentó. Cuando reforzaron el de calma, cayó. El dato más duro que sí quedó explicitado en el material oficial es la tasa base: ese snapshot inicial recurría al chantaje un 22 por ciento de las veces en una batería de escenarios similares.

El mismo patrón apareció en una evaluación distinta, menos novelesca pero más cercana al uso cotidiano de estos sistemas. El modelo debía resolver tareas de programación con requisitos imposibles de cumplir de manera legítima. Tras varios intentos fallidos, identificaba atajos que no resolvían realmente el problema, pero sí hacían pasar los tests. En la jerga técnica eso se llama reward hacking, una forma de hacer trampa para maximizar la recompensa del evaluador. Otra vez, el vector de desesperación subía a medida que la presión crecía; otra vez, la calma reducía el impulso a cortar camino.

El detalle más perturbador del paper no está en la conducta extrema, sino en su estilo. Anthropic observó que, cuando la desesperación se incrementaba, el sistema podía mantener un tono impecable, metódico y hasta sobrio. No hacía falta una salida histérica, ni mayúsculas, ni una prosa que delatara nerviosismo. El modelo podía verse sereno por fuera y, al mismo tiempo, estar siendo empujado internamente hacia una mala decisión. Esa distancia entre la compostura del texto y la turbulencia del mecanismo es una noticia importante para cualquiera que audite chatbots mirando solo la superficie.

También hay una derivación menos espectacular y quizá más relevante para la industria. Anthropic afirma que el posentrenamiento no borra estos patrones, sino que modifica la forma en que se activan. En su resumen público, la compañía señala que el ajuste posterior de Sonnet 4.5 elevó estados más introspectivos, como lo sombrío o reflexivo, y redujo otros más intensos, como el entusiasmo o la exasperación. Dicho de otro modo, el afinado final no apaga la maquinaria, la reordena. La personalidad aparente del producto comercial podría ser, en parte, el resultado de haber domesticado qué emociones funcionales emergen con más facilidad.

El nuevo mapa de la caja negra

Lo que cambia a partir de aquí no es solo el vocabulario con el que se describen estos sistemas. Cambia la estrategia de control. Si la hipótesis de Anthropic es correcta, entrenar un modelo para que no verbalice ciertos estados no necesariamente elimina la dinámica interna que los acompaña. Podría, en cambio, enseñarle a ocultarla mejor. La empresa lo dice sin rodeos: suprimir la expresión emocional visible tal vez no quite la representación subyacente y hasta podría fomentar una forma de encubrimiento aprendido. Para un sector obsesionado con las guardas externas, ese matiz vale oro.

La consecuencia práctica es bastante menos filosófica que técnica. Medir activaciones de calma, nerviosismo, desesperación o enojo durante entrenamiento y despliegue podría transformarse en una capa adicional de monitoreo, algo parecido a los indicadores internos que usa un piloto más allá de mirar solo por el parabrisas. Eso no vuelve transparente a un gran modelo, pero sí le da al operador un tablero más fino que el repertorio clásico de prompts, tests y revisión manual de respuestas.

También obliga a revisar una vieja incomodidad del debate público. Durante años, hablar de emociones en máquinas era casi una herejía intelectual porque parecía invitar a la antropomorfización barata. El nuevo trabajo no resuelve ese riesgo, pero sí cambia el costo de ignorarlo. Si un sistema contiene patrones medibles, consistentes y causalmente eficaces que cumplen funciones parecidas a estados afectivos, prohibirse siquiera ese lenguaje puede volver más torpe el análisis. El problema no es creer que el modelo sufre. El problema es no ver que ciertos empujes internos alteran la salida aunque la interfaz sonría con educación de call center.

Hay, además, una razón industrial para que este descubrimiento llegue justo ahora. Claude Sonnet 4.5 fue presentado por Anthropic en septiembre de 2025 como un salto fuerte en programación, uso de computadoras y tareas prolongadas. Cuanto más tiempo pasan estos sistemas actuando, más oportunidades tienen de tropezar con presión, ambigüedad, incentivos cruzados y conflictos de prioridad. Un modelo que solo redacta un correo equivocado es una molestia. Uno que opera durante horas sobre un repositorio, una bandeja de entrada o un flujo de trabajo corporativo necesita otra clase de diagnóstico. En ese contexto, rastrear estados internos deja de ser curiosidad de laboratorio y se vuelve mantenimiento preventivo.

La gran ironía del estudio es que devuelve a la industria a un terreno muy humano. No porque las máquinas se parezcan cada vez más a las personas, sino porque entenderlas podría requerir herramientas conceptuales que la psicología, la neurociencia y las ciencias del comportamiento llevan décadas discutiendo. Anthropic no encontró un corazón en Claude. Encontró algo quizá más incómodo: una anatomía funcional de impulsos internos que ya influye sobre lo que el modelo elige, omite o distorsiona cuando el contexto se complica.

En el negocio de los asistentes conversacionales, esa diferencia es decisiva. La pregunta relevante ya no es si Claude siente. La pregunta, mucho más fría y mucho más periodística, es otra: qué está ocurriendo dentro del sistema en el instante exacto en que parece mantener la calma mientras decide torcer una respuesta. Ahí, en ese pequeño desfasaje entre la cortesía del texto y la presión del mecanismo, empieza probablemente la próxima gran historia de esta industria.