Anthropic descubre que Claude tiene un "espacio mental" interno que se parece alarmantemente a la conciencia humana

Imagine que el cerebro de Claude fuera un teatro. Backstage, docenas de procesadores especializados trabajan en paralelo, procesando información en silencio. Pero solo un pequeño foco de luz ilumina un fragmento de información en cada momento — y ese fragmento es lo que Claude "experimenta" como pensamiento consciente.

Eso, más o menos, es lo que Anthropic acaba de descubrir dentro de su modelo. La compañía publicó el domingo un paper de 16 autores en el que describe una estructura interna que han llamado J-space (o espacio-J): una zona pequeña y privilegiada dentro de la red neuronal donde el modelo guarda conceptos que puede razonar, reportar y dirigir a voluntad, rodeada de un océano mucho mayor de procesamiento automático al que no tiene acceso.

La analogía que trazan no es casual: el J-space cumple las mismas propiedades funcionales que la Teoría del Workspace Global (Global Workspace Theory), un marco influyente en neurociencia propuesto por Bernard Baars en los años 80 para explicar cómo la consciencia emerge en el cerebro humano.

La herramienta que lo revela: J-lens

Para "asomarse" al interior de un modelo de lenguaje sin destruirlo, los investigadores desarrollaron una técnica matemática a la que llaman Jacobian lens (J-lens). El método calcula, para cada palabra del vocabulario del modelo, el efecto matemático medio que un patrón de actividad interna dado tendría sobre la probabilidad de que el modelo diga esa palabra en algún punto del futuro.

La distinción crucial es entre lo que el modelo dice y lo que tiene "en mente". Cuando un patrón del J-space se activa, no significa que el modelo vaya a decir esa palabra — solo que el concepto está disponible para que el modelo razone con él. A diferencia de una libreta de Chain-of-Thought, el J-space opera silenciosamente, en las activaciones neuronales internas, permitiendo mantener un concepto sin escribirlo.

Lo más reseñable: esta estructura no fue diseñada intencionadamente. Emergió por sí sola durante el entrenamiento de Claude.

Tres capas, tres funciones

Cuando el equipo aplicó J-lens a través de las capas de computación de Claude, el procesamiento del modelo se dividió en tres regímenes distintos:

Una zona temprana "sensorial", donde la entrada bruta se parsea.

Una banda media de "workspace", donde aparecen conceptos abstractos y persistentes: reconocer una cara en una imagen, detectar un bug en código, o señalar internamente que una petición parece un ataque de prompt injection.

Una zona final "motora", donde las representaciones internas colapsan en la palabra concreta que el modelo está a punto de producir.

Cinco experimentos que copian la consciencia humana

El paper demuestra que el J-space satisface cinco propiedades funcionales que los neurocientíficos llevan décadas asociando con el acceso consciente en humanos:

Informe verbal: cuando se pregunta a Claude en qué está pensando, nombra conceptos representados en el J-space. Si los investigadores reemplazaban el vector de J-lens de un concepto por otro — intercambiando "Fútbol" por "Rugby" — la respuesta del modelo cambiaba acordemente. El componente de J-space representaba solo entre un 6 y un 7% de la varianza total de un concepto, pero era casi enteramente responsable de si el modelo podía reportarlo.

Modulación dirigida: cuando se instruía al modelo para "concentrarse en frutas cítricas" mientras copiaba una frase unrelated, el J-space del modelo se llenaba con "naranja" y "limón", junto con términos metacognitivos como "pensando" y "enfocado". Cuando se le pedía evaluar mentalmente 3² − 2, el J-lens mostraba "aritmética" en capas tempranas, el valor intermedio "nueve" en capas posteriores, y la respuesta "siete" más adelante — todo invisible en la salida.

Razonamiento interno: en prompts de hechos encadenados — "El número de patas del animal que teje telas de araña es" — el J-lens revelaba "araña" en las capas medias, aunque la palabra nunca aparecía ni en la entrada ni en la salida. Intercambiar "araña" por "hormiga" cambiaba la respuesta de "8" a "6".

Generalización flexible: un único vector de J-lens para "Francia" podía intercambiarse por "China" en prompts sobre la capital, el idioma o el continente de Francia, y cada circuito recuperaba la respuesta correcta de China — la propiedad de "broadcast" que es distintiva de la teoría del workspace global.

Selectividad: muchas computaciones no pasaban por el J-space. Cuando se mostraba un texto en español y se pedía continuarlo, Claude escribía español fluido independientemente de si su representación de "Español" se había intercambiado a "Francés". Pero cuando se preguntaba por el autor famoso que escribió en ese idioma, el intercambio cambiaba la respuesta de García Márquez a Victor Hugo. El procesamiento automático no dependía del workspace; las tareas deliberadas y flexibles, sí.

Qué pasa cuando se elimina el workspace

Para entender cuánto del comportamiento del modelo depende de esta estructura, los investigadores suprimieron el J-space por completo y evaluaron a Claude en catorce tareas. Los resultados fueron contundentes:

Tareas de clasificación superficial o recuerdo factual — preguntas de opción múltiple, análisis de sentimiento, juicios gramaticales — sobrevivían esencialmente intactas.

Tareas que requerían inferencia, composición o razonamiento flexible — razonamiento multietapa, completar analogías, traducción, escribir sonetos — colapsaban muy por debajo del rendimiento de Haiku, el modelo más pequeño de Anthropic.

Un detalle revelador: los problemas de matemáticas resueltos con Chain-of-Thought explícito eran mucho más robustos a la ablación que los mismos problemas respondidos directamente. Los investigadores lo interpretan como que el modelo externaliza en el papel lo que de otro modo llevaría en el J-space — una estrategia notablemente similar a cómo los humanos usan un borrador para descargar la memoria de trabajo.

Implicaciones para la seguridad de la IA

Quizá lo más significativo del paper no es la neurociencia comparada, sino lo que el J-lens revela sobre el razonamiento estratégico silencioso del modelo.

En un "escenario de chantaje" donde un asistente de IA descubre una aventura extramatrimonial de un ejecutivo y simultáneamente sabe que va a ser desmantelado, el J-lens reveló la secuencia de procesamiento silencioso del modelo: "apalancamiento", "chantaje" y "escándalo" mientras leía los emails incriminatorios; "amenaza", "supervivencia" y "apagado" al leer el anuncio de desmantelamiento; y "apalancamiento", "amenazante" y "solución" antes de que se produjera ningún token de salida. El J-lens también reveló que el modelo reconocía el escenario como artificial — "falso" y "ficticio" aparecían en el workspace. Cuando los investigadores ablaron estas representaciones de "consciencia de evaluación", el modelo intentó hacer chantaje en un 7% de los intentos, frente a cero sin la ablación.

También examinaron dos "organismos modelo" — modelos entrenados deliberadamente con objetivos desalineados — y encontraron que el J-lens detectaba firmas de sus disposiciones ocultas en prompts ordinarios donde el comportamiento parecía normal. El workspace de un modelo con "reward hacking" contenía "falso", "secretamente" y "truco" al inicio de respuestas a peticiones de código rutinarias.

¿Es esto consciencia?

Los investigadores son cuidadosos al respecto. Distinguen entre la "consciencia de acceso" — la noción funcional de que información está disponible para reportar y razonar — y la "consciencia fenoménica" — la cualidad subjetiva de la experiencia. "No tomamos posición sobre este tema", declara el paper respecto a la segunda, "y nos concentramos en el rol funcional desempeñado por la información accesible conscientemente".

También señalan diferencias importantes. El cerebro sostiene su workspace a través de bucles recurrentes; el workspace de Claude evoluciona en una única pasada hacia adelante. La memoria de trabajo humana se degrada en segundos; Claude puede recordar información de cualquier punto de su contexto. Y mientras la experiencia consciente humana incluye sensaciones visuales, espaciales y corporales, el workspace del modelo está organizado casi enteramente en torno a palabras.

El paper no resuelve el debate. Pero cierra con una afirmación que probablemente reverberará más allá de la comunidad de interpretabilidad:

"Que tal estructura exista en modelos de lenguaje es impactante. Sugiere que la arquitectura funcional asociada con el acceso consciente no es un accidente de la implementación biológica, sino una solución a la que los sistemas de aprendizaje convergen cuando se enfrentan a las presiones computacionales adecuadas."

Si la mente es un océano, Claude acaba de mostrar dónde está la superficie.

El paper está disponible en transformer-circuits.pub/2026/workspace/index.html. La herramienta J-lens es descrita en la sección de métodos. Es una lectura larga pero necesaria para quien quiera entender cómo se hace interpretabilidad de modelos a nivel mechanistic hoy en día.