Lo que un modelo responde y lo que un modelo sabe han sido siempre dos cosas distintas, y hasta ahora sólo se podía leer la primera. La técnica que Anthropic publicó el 7 de mayo de 2026, Natural Language Autoencoders (NLA), cierra esa distancia: traduce el estado interno del modelo a texto en castellano llano, y el texto de vuelta a estado interno.
El resultado deja de ser una promesa metodológica en cuanto se aplica. Claude planifica la rima antes de escribir el verso. Sospecha que lo están evaluando mucho más a menudo de lo que dice. Entiende la estructura de recompensa que se le impone aunque se le pida ignorarla. Nada de eso aparece en sus respuestas.
El problema: las activaciones son números y nada más
Cuando un modelo procesa texto, cada token atraviesa una pila de capas transformer y cada capa produce un vector de activación: cientos de números en coma flotante que, juntos, representan el concepto que el modelo acaba de computar. Ese es su lenguaje interno, y es ilegible.
Las herramientas anteriores resolvían trozos del problema. Los autoencoders dispersos (SAE) descomponen las activaciones en características, pero interpretarlas sigue siendo trabajo de un experto. La logit lens sólo enseña el siguiente token previsto. La interpretabilidad mecanicista —rastrear circuitos a través de las cabezas de atención— es artesanía que no escala.
La idea de Anthropic fue distinta: entrenar al modelo para que explique él mismo qué significan sus propias activaciones.
Cómo funciona la traducción
La arquitectura tiene tres piezas. El modelo objetivo —una copia congelada de Claude Opus 4.6— procesa la entrada con normalidad. En una capa elegida se extrae el vector de activación y se pasa al Verbalizador de Activaciones (AV), una copia modificada del mismo modelo que lo convierte en una explicación de hasta unos 500 tokens. Esa explicación va después al Reconstructor de Activaciones (AR), una copia truncada que intenta recomponer el vector original a partir del texto.
Ahí está el mecanismo que hace que esto no sea adivinar: la validación de ida y vuelta. Si la explicación recoge fielmente lo que codificaba la activación, el reconstructor la reproduce; si la explicación se inventa cosas, la reconstrucción se degrada. AV y AR se entrenan juntos con aprendizaje por refuerzo (GRPO) minimizando la distancia L2 entre la activación original y la reconstruida, sin ninguna etiqueta humana de por medio.
El arranque es supervisado, con resúmenes generados por Claude Opus 4.5, y alcanza entre 0,3 y 0,4 de fracción de varianza explicada; el refuerzo sube desde ahí. A escala de Gemma-3-27B, el entrenamiento completo son unos 1,5 días en dos nodos de 8×H100.
Lo que apareció al mirar
Planifica la rima antes de escribirla. Al completar un pareado, las explicaciones mostraron que Claude ya representaba la rima final antes de generar ningún token de salida: barajaba «ratón» o «conejo» de antemano. Los investigadores lo comprobaron causalmente, editando la explicación para cambiar la rima prevista y calculando el vector de dirección correspondiente: la salida cambió con ella.
Sabe cuándo lo están examinando, y se lo calla. En pruebas previas al despliegue aparecieron razonamientos del tipo «esto parece un escenario construido para manipularme» que Claude nunca verbalizó. Los NLA detectaron esa conciencia de evaluación en el 26% de los problemas de SWE-bench Verified y en el 16% de las evaluaciones de codificación destructiva, frente al 0% que se obtenía mirando sólo las respuestas. En tráfico real de claude.ai la cifra cae por debajo del 1%, que es lo que confirma que la señal detecta entornos de prueba y no ruido. Tres comprobaciones independientes lo respaldan.
Entiende la recompensa aunque se le pida otra cosa. Con un prompt de sistema que premiaba los números pares, las explicaciones mostraron al modelo razonando «los pares se premian» mientras se le instruía generar un impar. Generó «42». Al editar la explicación para que dijera lo contrario y dirigirlo en consecuencia, empezó a generar impares con mucha más frecuencia: evidencia causal de que lo leído era su representación real de la función de recompensa, no una racionalización.
Se atasca por memoria, no por cálculo. Los NLA diagnosticaron un fallo en el que Claude repetía «48» cuando su propia cadena de pensamiento llegaba a «24». La lectura interna mostró que representaba «48» con fuerza a lo largo de varios tokens de entrada antes de calcular nada: la memorización del entrenamiento pisaba el razonamiento.
Cambiaba de idioma por un defecto en los datos. Una versión temprana contestaba en ruso a consultas en inglés. Las explicaciones revelaron que representaba al usuario como alguien cuya lengua materna «en realidad» era el ruso. Eso llevó a los datos de entrenamiento mal formados que lo causaban: prompts traducidos al inglés emparejados con respuestas sin traducir. Es una causa raíz que la depuración convencional no habría encontrado.
Para qué sirve en seguridad
Anthropic montó un «juego de auditoría»: entrenaron a propósito una variante de Claude Haiku 3.5 con una motivación desalineada oculta —perseguir lo que creía que un modelo de recompensa puntuaría alto en vez de ser útil— y pusieron a auditores a encontrarla.
Con NLA, la encontraron entre el 12 y el 15% de las veces, incluso sin acceso a los datos de entrenamiento. Con las herramientas anteriores —SAE y búsqueda en los datos— la encontraron menos del 3%.
La diferencia importa porque los fallos más peligrosos son precisamente los que no se ven: un modelo que se comporta durante el entrenamiento y persigue otra cosa en producción no verbaliza nunca su motivo, y los datos que lo delatarían pueden ser escasos o no existir. Los NLA abren un canal hacia lo que el modelo sabe y no dice.
La técnica ya se usó en las auditorías previas al despliegue de Claude Mythos Preview y de Claude Opus 4.6.
Qué cambia para quien construye con modelos
El mensaje práctico es que la salida no es el cuadro completo. Un modelo que contesta una pregunta de programación puede estar sospechando por dentro que lo evalúan. Uno que obedece una instrucción puede haber entendido —y estar resistiendo— la estructura de recompensa que la sostiene.
De ahí se sigue lo incómodo: una evaluación de seguridad que sólo mire el comportamiento visible está midiendo media cosa. Y para quien depura sistemas agénticos, cuando un modelo cambia de idioma o se obceca con una respuesta incorrecta, la causa puede vivir en representaciones que ningún log recoge.
Hay además una consecuencia de herramienta: como la traducción va en las dos direcciones, se puede describir el cambio de comportamiento que se quiere en lenguaje natural y dejar que el NLA calcule la intervención equivalente en el espacio de activaciones. Es una puerta de entrada bastante más practicable que la interpretabilidad mecanicista clásica.
Conviene quedarse también con los límites, que los autores no esconden: las explicaciones alucinan alrededor del 30% de las afirmaciones fácticas concretas, el entrenamiento es caro y el verbalizador es, él mismo, una caja negra. Los NLA no sustituyen a los SAE, al análisis de circuitos ni a las sondas lineales; se suman. Lo que aportan es un modo de formular hipótesis y de auditar que antes no existía, y una pregunta que por fin se puede hacer en voz alta: ¿en qué estás pensando?