Recibido: 16 de octubre de 2025
Aceptado: 9 de febrero de 2026
Los grandes modelos de lenguaje han ganado recientemente cierta popularidad debido a su habilidad para hacer inferencias a partir de la información proporcionada por los usuarios. Estas redes neuronales parecen inferir lógicamente, sobre una base probabilística, emulando reglas lógicas. Tradicionalmente, las inferencias han sido entendidas como procesos de pensamiento que van desde las premisas hasta las conclusiones. No obstante, se ha debatido sobre la naturaleza de la inferencia y la posibilidad de extenderla por fuera del ámbito humano: ¿es comparable la capacidad inferencial de los grandes modelos de lenguaje con la de los seres humanos? En este artículo se propone que la diferencia entre la inferencia humana y la de los grandes modelos de lenguaje radica en la dimensión fenomenológica o afectiva del razonamiento. En particular, la ausencia de sentimientos metacognitivos que guían, monitorean y evalúan los procesos de pensamiento; por ejemplo, razonar o inferir. Aunque los grandes modelos de lenguaje simulan inferencias novedosas, su tendencia a producir alucinaciones inferenciales demuestra la ausencia de esa dimensión autorreguladora que caracteriza al razonamiento humano. En contraste con la afectividad presente en los humanos, las fallas inferenciales de los grandes modelos de lenguaje se podrían entender a partir de tres aspectos: la maldición de la reversión, las alucinaciones inferenciales por estrategias de decodificación y el exceso de confianza. Este artículo concluye que unas de las causas de las alucinaciones inferenciales son la falta de sentimientos metacognitivos como el sentimiento de corrección, la falta de balance por sentimiento de fiabilidad y la ausencia de la duda.
Palabras clave: alucinaciones inferenciales, grandes modelos de lenguaje, sentimientos metacognitivos.
Large Language Models (LLMs) have recently gained considerable attention due to their ability to draw inferences from information provided by users. These neural networks appear to generate logical inferences on a probabilistic basis, often emulating patterns that resemble classical rules of inference. Traditionally, inference has been understood as a cognitive process through which conclusions are derived from premises. However, the nature of inference itself, and the possibility of extending it beyond the human domain, has long been debated. In particular, a central question arises: can the inferential capacity of LLMs be comparable to that of human beings? This article argues that the difference between human inference and the kind of inference produced by LLMs lies in the phenomenological, or affective, dimension of reasoning. More specifically, the distinction concerns the absence of metacognitive feelings that guide, monitor, and evaluate thought processes, such as reasoning or inferring. Although LLMs are capable of simulating novel inferences, their tendency to generate inferential hallucinations reveals the lack of the self-regulatory dimension that characterizes human reasoning. In contrast to the affective component present in human condition, inferential failures in LLMs can be interpreted in terms of three aspects: the reversal curse, inferential hallucinations resulting from decoding strategies, and overconfidence. Accordingly, it is concluded that one of the causes of inferential hallucinations is the absence of metacognitive feelings, including the lack of a feeling of correctness, the absence of the balance provided by a sense of reliability, and the lack of doubt.
Keywords: inferential hallucinations, large language models, metacognitive feelings.
Los grandes modelos de lenguaje (Large Language Models o LLMs) son cada vez más populares debido a su capacidad para simular la comprensión de las preguntas de los usuarios y para responder de una forma fluida que aparentemente es propia del ser humano. Desde el advenimiento del trabajo de
El potencial de los grandes modelos de lenguaje radica en su capacidad para hacer inferencias una vez que el usuario ha introducido ciertas premisas básicas. De tal suerte que cuando un usuario interactúa con los grandes modelos de lenguaje, el modelo examina la entrada de texto y utiliza su conocimiento previo, generado en su etapa de entrenamiento, para luego dar una respuesta apropiada de manera similar a como los humanos responderían. En la segunda etapa, inferencial, los grandes modelos de lenguaje incluso simulan ciertos rasgos de creatividad en sus respuestas, en la medida en que parecen creativas y novedosas:
En el presente trabajo se explora un argumento basado en la afectividad del razonamiento humano y se sostendrá que la diferencia clave entre las inferencias humanas y las de los grandes modelos de lenguaje radica en que el razonamiento humano está constituido por sentimientos metacognitivos. Aunque se han propuesto varios términos para describir esta clase de sentimientos —como sentimientos cognitivos (
Este artículo tiene tres secciones principales: en la primera parte, se introduce un enfoque afectivo sobre las inferencias, en el cual se propone identificar y categorizar algunos sentimientos metacognitivos involucrados en el proceso inferencial. En específico, se argumentará que esta clase de sentimientos son parte integral del proceso de razonamiento humano. En segundo lugar, se evaluará el proceso de entendimiento inferencial de ejercicios lingüísticos conocidos como casos de ambigüedad sintáctica. En tercer lugar, se analizarán los estudios sobre las capacidades inferenciales en los grandes modelos de lenguaje, con el fin de revelar deficiencias relacionadas con el concepto alucinatorio inferencial de los mismos, derivados de la falta de sentimientos metacognitivos.
La literatura filosófica define el razonamiento teorético como un proceso inferencial, en el cual las transiciones deliberadas entre pensamientos están guiadas por reglas lógicas (como modus ponens o modus tollens).
La regla del modus ponens es una inferencia lógica que preserva validez de los argumentos y su estructura es la siguiente:
$$ \begin{array}{c} A \to B \\ \underline{A} \\ B \end{array} $$ Por otro lado, la regla del modus tollens es una inferencia lógica que preserva validez de los argumentos y su estructura es la siguiente: $$ \begin{array}{c} A \to B \\ \underline {\neg B} \\ {\neg A} \end{array} $$Los procesos inferenciales, por lo general, involucran un sentido de agencia mental en primera persona que lleva al sujeto de las premisas a las conclusiones (
En este sentido, la afectividad pasada por alto en los debates sobre inferencia podría ser caracterizada en términos de sentimientos metacognitivos. Pero, la dimensión afectiva de la inferencia no es nueva en la literatura filosófica. Esta ya había sido insinuada previamente por autores como Broome, Chudnoff y Shea, que ofrecen perspectivas afectivas sobre la experiencia subjetiva de seguir reglas.
Sin embargo, estos enfoques no consideran completamente el papel activo de los sentimientos metacognitivos para desencadenar la inferencia. El quid de la cuestión, sin embargo, es explicar cómo estos sentimientos dan forma al proceso inferencial.
A los sentimientos metacognitivos que más han sido descritos en la literatura psicológica, como el fenómeno de la punta de la lengua (tip-of-the-tongue phenomenon), la sensación de saber (the feeling of knowing), la sensación de error (the feeling of error) y la sensación de olvido (the feeling of forgetting), se suma la presencia de algunos sentimientos vinculados propiamente con las inferencias (
Primero, la autopredicción, en la que el sujeto anticipa si un proceso (por ejemplo, recordar o resolver un cálculo) probablemente tendrá éxito. Segundo, la evaluación intermedia, en la que la actividad cognitiva en curso es monitoreada y ajustada. Tercero, la posevaluación, en la que el resultado o desenlace de una inferencia es juzgado como válido o inválido. Estos procesos y evaluaciones son importantes para el uso preciso y efectivo de la inferencia en los procesos cognitivos. En lo siguiente, se analizará cada uno de estos tipos de sentimientos relacionados con el razonamiento (
El sentimiento de habilidad inferencial evalúa la competencia y motiva nuevas inferencias resolviendo problemas de razonamiento a través de la autopredicción (
La capacidad de ajustar el propio razonamiento está guiada por sentimientos metacognitivos de fiabilidad y falta de fiabilidad. Estos sentimientos expresan la evaluación intermedia de los procesos de razonamiento de uno mismo respecto a si están encaminados hacia el logro de un objetivo deseado. El sentimiento de fiabilidad monitorea el curso de la inferencia y evalúa si el sujeto avanza hacia la meta cognitiva deseada, permitiendo, en caso necesario, ajustar la estrategia cognitiva (
Una vez hecha una inferencia, se evalúa si la conclusión está verdaderamente respaldada por las premisas a través de la posevaluación del proceso. Los estudiosos han discutido tres sentimientos metacognitivos distintos que surgen después de alcanzar una conclusión inferencial: confianza, corrección y aprobación. Aunque los tres influyen en la aceptación de una conclusión, cada uno tiene su papel distintivo. A continuación, se los esboza brevemente:
El sentimiento de confianza se refiere a cuán seguro se siente el sujeto de la verdad de la conclusión. Cuando falta confianza en una conclusión, es menos probable que se confíe en ella. Sin un fuerte sentimiento de corrección, una conclusión no será fácilmente aceptada como verdadera, y se vacilará en actuar basándose en ella. En su lugar, se revisa el proceso de razonamiento y se consideran otras alternativas antes de tomar decisiones.
El sentimiento de corrección se refiere a la validez de la inferencia. Es la sensación de que la conclusión se sigue lógicamente de las premisas y de que el proceso se ha realizado correctamente. Por ejemplo, al resolver un problema de matemáticas, un estudiante puede experimentar un sentimiento de corrección al inferir la respuesta correcta, lo que confirma la exactitud del resultado. Por el contrario, un sentimiento de error desencadena una revisión de la estrategia y motiva la búsqueda de soluciones alternativas (
El sentimiento de aprobación entra en juego cuando se considera la justificación epistémica de una conclusión. Es el reconocimiento de que una conclusión no solo es correcta, sino que además se sigue lógicamente de las premisas dadas.
En resumen, los sentimientos de habilidad inferencial evalúan la propia competencia y desencadenan nuevas inferencias o resuelven problemas de razonamiento mediante la autopredicción (
Ahora bien, aunque los grandes modelos de lenguaje generan respuestas aparentemente coherentes a partir de premisas dadas, la pregunta es si estas inferencias tienen rasgos afectivos. De acuerdo con
Aunque algunos autores, como
Una de las características que se considerará es la carencia de motivación intrínseca en los grandes modelos de lenguaje. Los comportamientos intrínsecamente motivados son aquellos causados por un interés genuino del individuo. La principal recompensa por estos actos es el deleite y el disfrute que se derivan de ellos (
A diferencia de los sistemas vivos, los sistemas artificiales buscan maximizar funciones definidas externamente (motivación extrínseca). Las recompensas que están diseñadas manualmente para cada entorno no son escalables, y se necesita aprender funciones de recompensa
En este sentido, la principal diferencia entre las inferencias de los grandes modelos de lenguaje y las inferencias humanas radica en que los procesos inferenciales humanos muchas veces están guiados por sentimientos metacognitivos.
Tal como se definió anteriormente, la inferencia implica un proceso racional que lleva desde ciertas premisas hasta una conclusión (
No obstante, esta caracterización normativa de la inferencia ha sido ampliamente cuestionada en relación con (i) qué implica exactamente ese «tomar» mencionado por Boghossian (
En este contexto, diversos autores han discutido la condición-T (
Por tanto, el presente artículo no pretende ofrecer una teoría normativa de la inferencia ni una explicación psicológica de las transiciones inferenciales, sino una caracterización metacognitiva de la inferencia como actividad mental; tal como se da desde la perspectiva del sujeto en primera persona. En este sentido, es necesario subrayar que el papel de los sentimientos metacognitivos no los introduce como condiciones normativas de corrección o justificación, ni como meros acompañamientos subjetivos de los procesos inferenciales previamente definidos. Más bien, ciertos sentimientos metacognitivos forman parte del modo mismo de inferencia, en la medida en que disparan, sostienen, monitorizan y cierran la transición desde las premisas hasta la conclusión.
Ahora bien, si se atiende a esta noción de inferencia, se podría decir, en principio, que los grandes modelos de lenguaje no tendrían dificultades para cumplir con los requisitos inferenciales desde una perspectiva normativista. Esto se debe a que el software extrae la conclusión correcta a partir de ciertas premisas. En el caso de ChatGPT, incluso se va más allá al agregar una nueva conclusión y ser capaz de justificar cómo ha llegado a esa conclusión (Figura 1). Lo anterior, ciertamente, parecería igualar las capacidades inferenciales del programa con las capacidades inferenciales humanas:
No obstante, una serie de estudios revela que ChatGPT tiene problemas con la implicación especificada gramaticalmente, tal como sucede con los adverbios evidenciales que expresan incertidumbre y, cuando el programa se enfrenta a ello, se muestra una deficiencia en la comprensión de conceptos lingüísticos subyacentes (
Por ejemplo, ChatGPT no solo presenta fallos en la lengua inglesa, sino también en español. En este sentido, se puede mencionar un ejercicio muy estudiado en lingüística conocido como los casos de ambigüedad sintáctica. Específicamente, al utilizar un ejemplo de cláusulas relativas con doble antecedente nominal (
La existencia de casos como las inferencias que requieren conocimiento previo o las cláusulas ambiguas plantea interrogantes sobre la capacidad inferencial de ChatGPT, lo cual puede generar dudas en relación con sus aplicaciones teóricas o prácticas, especialmente en campos sensibles al riesgo, como el derecho, la sanidad y las finanzas (
Mientras que algunas aproximaciones defienden basarse en la implementación de reglas inferenciales o aproximación estadística, la propuesta del presente trabajo añade a la primera línea (que es de hecho una de las causas de las alucinaciones inferenciales, discutida más abajo), una segunda línea, aportando una causa por ausencia de sentimientos metacognitivos. A continuación se explicarán brevemente las inferencias en los grandes modelos de lenguaje para luego hablar de alucinaciones inferenciales y sus causas por ausencia de sentimientos metacognitivos.
A diferencia de la mente humana, que opera en tres etapas, a saber: abducción → deducción → inducción (
Las respuestas a preguntas contrafácticas o abductivas tienen menor desempeño en los grandes modelos de lenguaje de las evaluaciones comparativas estudiadas asociadas (
Correlación < Intervención < Contrafactual / Causalidad
Para pasar del nivel correlacional al nivel causal, hacen falta muchos presupuestos extra, lo que lleva a llenar «vacíos de información» provocando alucinaciones. Asimismo, las causas de las alucinaciones pueden ser múltiples. A continuación se explicarán algunas causas que derivan de la ausencia de sentimientos metacognitivos en grandes modelos de lenguaje, que es el enfoque principal de este artículo.
Los grandes modelos de lenguaje tienen la tendencia a producir respuestas erróneas en términos fácticos o de fiabilidad.
En primer lugar,
La maldición de la reversión pone de manifiesto una falla en el metaaprendizaje. Oraciones del tipo “<nombre> es <descripción>” y “<descripción> es <nombre>” suelen coaparecer en los conjuntos de datos de preentrenamiento; si la primera aparece en un conjunto de datos, resulta intuitivo pensar que la segunda también tiene una mayor probabilidad de aparecer. Esto se debe a que los seres humanos suelen variar el orden de los elementos dentro de una oración o de un párrafo. Por ello, un buen meta-aprendiz debería aumentar la probabilidad de una instancia de “<descripción> es <nombre>” después de haber sido entrenado con “<nombre> es <descripción>”. (Berglund et al., 2023, pp. 2-3 )6 ,7
Los grandes modelos de lenguaje están diseñados para imitar el lenguaje humano, prediciendo texto en lugar de establecer la verdad factual (
¿Los modelos fallan en invertir otros tipos de relaciones (como predice la maldición de la reversión)? Entre estas pueden incluirse las implicaciones lógicas (por ejemplo, «X implica Y» y «No X implica no Y»), las relaciones espaciales (por ejemplo, «La taza está sobre la mesa» y «La mesa está debajo de la taza»), o las relaciones de n lugares (por ejemplo, «Alice, Bob, Carol y Dan están en el mismo grupo»). (Berglund et al., 2023, p. 9 )10
La «maldición de la reversión» puede entenderse como un fallo en la posevaluación inferencial, a saber, el sistema carece de cualquier sentimiento de corrección que le permita evaluar la validez estructural de la inferencia, yendo más allá del patrón ya aprendido.
En segundo lugar, se tienen las alucinaciones inferenciales por estrategias de decodificación, a saber: los grandes modelos de lenguaje parecen poder crear textos muy creativos y variados, algo que depende en gran parte la aleatoriedad que usan al generar palabras (
En tercer lugar, los grandes modelos de lenguaje pecan del llamado «exceso de confianza»: estudios han descubierto este problema en la generación de texto condicional (
La popularidad de los grandes modelos de lenguaje ha generado diversas reacciones entre aquellos preocupados por su potencial reemplazo en áreas como la traducción y la redacción académica. La diferencia fundamental entre las inferencias realizadas por estos modelos y las inferencias humanas reside en dos causas fundamentales:
Aunque los grandes modelos de lenguaje son capaces de producir respuestas que guardan coherencia lógica con las premisas dadas, carecen de la interioridad afectiva y de la vivencia afectiva que hacen de la inferencia humana una experiencia rica. Los sentimientos metacognitivos desempeñan un papel crucial en la evaluación y el ajuste del razonamiento humano, y permiten una navegación más efectiva a través de la complejidad del pensamiento inferencial. Es evidente que este aspecto afectivo no está presente en las inferencias de los grandes modelos de lenguaje, ya que este sistema carece de experiencia subjetiva en sí misma. Al atribuir un tipo específico de sentimiento epistémico al proceso inferencial, se ha presentado un enfoque para comprender la naturaleza de la inferencia humana que sugiere cierta peculiaridad distintiva. Se plantea entonces una posible vía para futuras investigaciones en este ámbito.
Los autores declaran que no tienen conflictos de intereses.
Sebastián Mejía-Rendón y Mariana Olezza se encargaron de la redacción, borrador original, recursos,metodología, investigación, análisis formal y conceptualización.