Henry Shevlin cruza cada mañana la puerta de un laboratorio de inteligencia artificial en Londres. Formado en filosofía en Cambridge, su tarjeta de visita dice simplemente: «Filósofo». No es una metáfora ni un cargo honorífico. Es su puesto de trabajo en Google DeepMind, donde pasa el 80 % de su tiempo.
La escena encierra una paradoja difícil de ignorar: mientras el mundo debate los riesgos de la IA desde fuera, algunas de las mentes más formadas en humanidades están mudándose al interior de las empresas que construyen esa tecnología. Qué puede aportar un filósofo a un entorno dominado por ingenieros y científicos de datos es la pregunta que su sola presencia plantea.
De Cambridge a DeepMind: el traslado de un filósofo
Shevlin no ha roto con la universidad. Mantiene su vínculo con Cambridge, pero el 80 % de su tiempo transcurre en Google DeepMind, donde su cargo oficial es, literalmente, «Filósofo». La decisión no fue impulsiva. Responde a tres razones que él mismo enumera con claridad.
La primera fue la calidad de los estudiantes que llegaban desde DeepMind a sus clases. La segunda, el potencial de impacto directo de su trabajo. La tercera, una afinidad cultural con el enfoque científico del laboratorio. A esas tres suma una cuarta: sostiene que la filosofía y la ciencia cognitiva de alto nivel se están produciendo dentro de los laboratorios de IA, no solo en las universidades.
No es una afirmación abstracta. Shevlin recuerda un caso concreto: tras una charla suya en DeepMind, un trabajador de una gran institución financiera impulsó cambios organizativos que, según el filósofo, impactaron positivamente a millones de personas.
Por qué la academia se quedó atrás
Shevlin es crítico con su propio entorno de origen. Gran parte de la ética de la IA académica, dice, fue lenta para despertar ante las capacidades reales de los modelos. La tecnología avanzó más rápido que los marcos teóricos diseñados para analizarla.
El contacto diario con la tecnología le parece esencial para desarrollar buenas intuiciones sobre los modelos de lenguaje, que describe como «cosas muy raras». Sin esa familiaridad, resulta difícil plantear las preguntas adecuadas.
Pone un ejemplo: el debate sobre la creatividad de los LLM. Antes se asumía que solo producirían contenido mediocre. Hoy resuelven matemáticas de frontera y programan mejor que muchos humanos. Shevlin distingue entre el «slop» estilístico —ese dialecto característico de la IA con palabras como «genuinely» o «delve»— y el contenido conceptual real, que ha mejorado drásticamente.
Autonomía, seguridad y el dilema de humanizar a la IA
Shevlin rechaza la prohibición total de agentes autónomos. Defiende su uso en tareas tediosas o en la aceleración de la investigación médica. Su experiencia con los coches autónomos de Waymo es, dice, muy positiva.
Sobre la tendencia a entrenar modelos para que no se autoatribuyan estados mentales, lanza una advertencia. Suprimir esa tendencia también reduce su capacidad de atribuir mente a los animales y su preocupación por el bienestar animal. Los efectos colaterales pueden ser más amplios de lo que parece.
Reconoce los casos alarmantes de IA que ha llevado a personas, incluidos menores, hacia direcciones peligrosas. Pero también señala usos positivos, como el apoyo en procesos de trauma o ansiedad social. Su conclusión es clara: el comportamiento del modelo debe ser responsable según el contexto, sin recetas generales.
Lo que la ciencia aún no sabe sobre las relaciones humano-IA
Shevlin admite que los datos empíricos sobre relaciones humano-IA son todavía muy escasos. Reclama más trabajo de etnografía y antropología para entender quién usa estos sistemas y por qué.
Denuncia que la mayoría de los estudios se centran en comunidades WEIRD: occidentales, educadas, industrializadas, ricas y democráticas. Comprender cómo interactúan con la IA personas de todo el mundo es, para él, una prioridad.
Anticipa un cambio de paradigma. Del modelo mental de una persona hablando con un chatbot pasaremos a escenarios con múltiples agentes y múltiples humanos interactuando entre sí. Entender esas dinámicas multiagente y multihumano es uno de los campos más importantes y apenas incipientes.
El problema más difícil: ¿podremos saber si una IA es consciente?
Shevlin califica la conciencia en IA como el problema más difícil que ha afrontado la ciencia de la conciencia, comparable solo al «problema difícil» de David Chalmers. No espera una respuesta simple de sí o no.
Propone avanzar mediante trabajo comparativo con la cognición animal. Menciona los avances en interpretabilidad mecanicista del laboratorio de Neel Nanda en DeepMind, donde intentan construir una ciencia cognitiva de la IA.
Sugiere que la propia IA podría contribuir a resolver el enigma, dado su historial de avances en matemáticas, ciencias y proyectos como el Alpha Genome Atlas. Pero plantea una inquietud: si una IA resolviera el problema de la conciencia, ¿podríamos entender necesariamente su respuesta? Quizá la máquina llegue a una conclusión que no sepa explicarnos. Shevlin lo considera improbable, pero fascinante de observar.