Apple cuestiona si los modelos de razonamiento realmente piensan

Apple ha publicado esta semana un paper que pincha uno de los globos más inflados de la industria de la IA: la idea de que los llamados modelos de razonamiento (LRM, por Large Reasoning Models) piensan de verdad antes de responder. El trabajo, titulado "The Illusion of Thinking" ("La ilusión de pensar"), aparece en arXiv firmado por Parshin Shojaee, Iman Mirzadeh, Keivan Alizadeh, Maxwell Horton, Samy Bengio y Mehrdad Farajtabar, y llega en pleno auge de modelos como o1 de OpenAI, DeepSeek-R1 o las versiones con "pensamiento extendido" de Claude y Gemini, todos ellos vendidos como capaces de razonar paso a paso antes de dar una respuesta.

Los autores no evalúan estos sistemas con los exámenes de matemáticas o programación habituales, algo que consideran problemático porque esos benchmarks suelen estar contaminados: es probable que el modelo haya visto ya, durante su entrenamiento, problemas iguales o muy parecidos. En su lugar, diseñan entornos de rompecabezas controlables —entre ellos la Torre de Hanoi— donde se puede ajustar la dificultad con precisión mientras se mantiene la misma estructura lógica. Esto permite algo que los benchmarks tradicionales no ofrecen: mirar no solo si el modelo acierta, sino también qué ocurre dentro de su razonamiento mientras lo intenta.

Un colapso que no avisa

El hallazgo central es contundente: según describe el propio abstract del paper, los LRM sufren "un colapso completo de precisión más allá de ciertas complejidades". No se trata de un declive gradual a medida que el problema se complica, sino de una caída abrupta hasta niveles de acierto prácticamente nulos una vez se supera cierto umbral, por bien resuelto que el modelo pareciera tener el problema en niveles de dificultad inferiores.

Más llamativo todavía es lo que Apple llama un "límite de escalado contraintuitivo": el esfuerzo de razonamiento del modelo —medido en la cantidad de "pensamiento" que genera antes de responder— crece con la complejidad del problema, pero solo hasta un punto. A partir de ahí, el esfuerzo disminuye pese a que el modelo todavía dispone de margen de tokens para seguir intentándolo. Dicho de otro modo: cuando el problema se pone realmente difícil, el sistema no se esfuerza más, se rinde antes.

Tres regímenes, ninguno definitivo

Comparando los LRM con sus equivalentes de lenguaje estándar —modelos sin ese proceso de "pensamiento" explícito— bajo el mismo presupuesto de cómputo, los investigadores identifican tres escenarios distintos. En tareas de baja complejidad, los modelos estándar, más simples, rinden mejor que los de razonamiento. En tareas de complejidad media, los LRM sí muestran una ventaja clara, que es precisamente el terreno donde se han construido casi todos los argumentos comerciales a su favor. Pero en tareas de alta complejidad, ambos tipos de modelo colapsan por igual: el razonamiento adicional deja de aportar nada.

El paper añade otro matiz incómodo: estos modelos fallan al ejecutar cómputo exacto. No aplican algoritmos explícitos de forma consistente y su comportamiento varía de manera errática según la escala del problema, incluso cuando la estructura lógica subyacente es idéntica y solo cambia el tamaño.

Por qué esto importa ahora

La industria ha construido buena parte de su discurso de 2025 en torno a estos modelos de razonamiento como el siguiente escalón hacia sistemas más fiables y, para algunos, hacia formas más generales de inteligencia. Que Apple —no un laboratorio rival con interés en desinflar a la competencia, sino una compañía con sus propios intereses en IA— publique evidencia de que ese razonamiento se derrumba sin previo aviso ante problemas más complejos añade munición a un debate ya candente: si lo que estos modelos hacen es razonar de verdad o si están reproduciendo, con mucho aparato, patrones de solución vistos durante el entrenamiento.

El propio abstract deja la pregunta abierta más que cerrada: los autores dicen que su análisis "arroja luz sobre las fortalezas, limitaciones" de estos sistemas y "plantea preguntas sobre sus capacidades de razonamiento", no que las resuelva. Es un matiz relevante: el paper no afirma que los LRM sean inútiles, sino que documenta un patrón —ventaja en dificultad media, colapso total pasado cierto umbral, abandono del esfuerzo cuando más se necesitaría— que cualquiera que use estas herramientas para tareas complejas debería tener en cuenta antes de confiar en ellas a ciegas.