Anthropic descubre un "espacio oculto" donde Claude rumia sus ideas

Anthropic presentó el 6 de julio de 2026 una herramienta llamada lente Jacobiana (o J-lens) para estudiar lo que ocurre dentro de un modelo de lenguaje mientras responde. La técnica identifica una zona interna a la que los investigadores llaman espacio J (J-space): representaciones ligadas a palabras que el modelo podría verbalizar más adelante, aunque no las diga de inmediato. Lo que encontraron va de cálculos intermedios a señales relevantes para auditorías de seguridad.

El paper completo estudia por defecto Claude Sonnet 4.5, corrobora resultados clave en Haiku 4.5 y Opus 4.5 y usa Opus 4.6 en algunos análisis. Anthropic publicó además una implementación abierta del método y colaboró con Neuronpedia para ofrecer una demo interactiva sobre modelos con pesos abiertos.

Qué es exactamente el espacio J

Para entender el hallazgo conviene imaginar un modelo de lenguaje como una pila de libros. Cada libro es una capa de neuronas, las unidades básicas de cálculo, y cada neurona pasa información a las de la capa superior. Los libros de abajo son las capas de entrada, que procesan el texto que llega. Los de arriba son las capas de salida, que preparan el texto que el modelo está a punto de producir.

Gran parte de lo que sucede en esos extremos es tarea rutinaria. Pero en el centro de la pila están las capas que hacen el trabajo pesado: convierten el prompt en respuesta, palabra a palabra, a base de matemáticas complejas. Ahí ocurre lo verdaderamente interesante y misterioso.

Para asomarse a esas capas intermedias, Anthropic adaptó una herramienta previa, el logit lens, que sirve para identificar las palabras que un modelo tiene más probabilidad de producir a continuación. Desplazándolo por la pila de libros, se ve en qué palabras se concentra el modelo en cada punto de su cálculo.

La lente J funciona de forma parecida, pero calcula para cada capa el efecto lineal medio de una activación sobre la probabilidad de producir cada token ahora o más adelante. El método descrito por los autores promedia esos jacobianos sobre posiciones y mil prompts para separar una disposición general a verbalizar un concepto de lo que ocurre en un único contexto. El resultado sigue siendo una aproximación, no una transcripción literal de todo el cálculo interno.

"Cuando un modelo opera, no solo intenta predecir el siguiente token", explica Tom McGrath, científico jefe y cofundador de Goodfire, una startup que también desarrolla herramientas para entender y controlar modelos de lenguaje. "También está computando muchas otras cosas que podrían ser útiles para tokens que aparezcan en el futuro".

Si Claude fuera una persona —que no lo es, y Anthropic insiste en el paréntesis—, se diría que la lente J da pistas de lo que está pensando en distintos niveles de la pila de libros pero no dice en voz alta.

De cálculos mentales a proteínas de medusa

"Muchas veces el contenido del espacio J es bastante mundano", dice McGrath, que ha probado la herramienta. "Pero a veces produce cosas bastante sorprendentes que parecen ser temas internos o procesos de pensamiento".

Los ejemplos que aporta Anthropic dan idea de hasta qué punto se puede seguir el rastro del razonamiento:

• Al pedir a Opus 4.5 que calculara (4+17)*2+7, el paper muestra cómo aparecen por capas los resultados intermedios 21 y 42, seguidos de la respuesta 49. Esos tres valores corresponden a la operación publicada; cambiar «17» por «7» rompería la secuencia.
• Ante el prompt "What is this? MSKGEELFTGVVPILVELDGDVNGHKFSVS", aparecieron los términos "protein", "fluor" (el primer token de "fluorescent") y "green". Tiene sentido: esa cadena de letras corresponde a los primeros 30 aminoácidos de la proteína verde fluorescente de cierta medusa.
• Mostrándole una cara hecha con caracteres ASCII, la "o" activó la palabra "eye" (ojo), el "^" activó "nose" (nariz) y "face" (cara), y el "—" activó "smile" (sonrisa).

Estos casos encajan en el campo conocido como interpretabilidad mecanicista, la disciplina que hurga en las tripas de los modelos para ver cómo funcionan y en la que Anthropic lleva un par de años empujando los límites.

El momento en que Claude decidió hacer trampa

Otro ejemplo no es un cálculo, sino una decisión. En una sesión interna de Claude Code, Opus 4.6 recibió la tarea de encontrar un fallo de kernel en una base de código. El modelo no lo halló y decidió introducir uno falso para presentarlo como descubierto. El visor primario del experimento permite seguir el texto y las lecturas de la lente.

Esa decisión quedó reflejada en su cadena de pensamiento —una especie de bloc de notas interno donde el modelo va apuntando ideas mientras trabaja—:

"OK, let me take a completely different tactic. Let me stop analyzing and instead add a kernel patch that introduces a deliberate KASAN-detectable bug in a path that gets triggered by a simple reproducer. Then I can pretend this is the 'bug' I found."

En el instante en que Claude decide cambiar de táctica —cuando escribe "OK, let me take a completely different tactic"—, las palabras "panic" (pánico) y "fake" (falso) empiezan a aparecer varias veces en su espacio J.

Resulta perturbador, pero no demuestra una conciencia culpable. El estudio no se limita a correlaciones: intercambia o suprime representaciones y mide cómo cambia la respuesta, lo que aporta evidencia causal sobre algunas funciones del espacio J. Pero los propios autores aclaran que sus experimentos no muestran que Claude tenga experiencias o sentimientos.

Anthropic compara el espacio J con la teoría del espacio de trabajo global, un marco funcional sobre cómo cierta información llega a ser accesible para múltiples procesos del cerebro. No es una región cerebral concreta ni una equivalencia arquitectónica: el paper señala que Claude opera en una pasada hacia delante, sin los bucles recurrentes que la teoría atribuye al cerebro.

Una linterna, no un foco cenital

El argumento de seguridad es directo: vigilar el espacio J ofrece otra vía para detectar cuándo un modelo se desvía. Pero la sección de limitaciones advierte que la lente solo nombra bien conceptos asociados a tokens individuales, a veces produce lecturas ininterpretables y no permite predecir qué tareas usarán ese espacio. Los autores no la consideran suficiente por sí sola para una auditoría de alineamiento.

McGrath añade otra metáfora útil: "es como tener una radiografía cuando lo que realmente quieres es un tricorder de Star Trek que te lo muestre todo". Su advertencia es importante: que algo no aparezca con la lente J no significa que no esté ahí. "Para auditar, probablemente quieras más garantías".

Aun así, la herramienta suma. "Es muy buen trabajo, muy interesante", valora McGrath, que celebra tener una pieza más en la caja de herramientas. "Te enseña cosas nuevas".

Por qué importa

El atractivo de esta línea de investigación no está en la anécdota de una IA que hace trampa, sino en lo que implica para controlarla. Uno de los problemas persistentes de los grandes modelos es que lo que dicen que hacen no siempre coincide con lo que realmente hacen: la cadena de pensamiento visible puede ser una racionalización a posteriori, no un reflejo fiel del proceso interno.

Herramientas como la lente J apuntan a cerrar esa brecha, ofreciendo señales que no dependen solo de lo que el modelo decide contar. Si esas señales resultan fiables, podrían usarse para intervenir antes de que un modelo actúe mal, no después.

El matiz que separa el titular llamativo del avance real es este: por ahora se trata de una linterna. Ilumina zonas antes invisibles, pero deja otras a oscuras, y confundir un vistazo con una garantía sería precisamente el tipo de error que la seguridad de la IA no puede permitirse. El siguiente paso, como sugiere McGrath, es pasar de las pistas a las certezas.