Imagina que entras en una subasta. Todo parece normal. Los compradores levantan sus paletas, el subastador anuncia las cantidades y cada puja queda registrada.
500 euros .. 510 euros .. 520 euros … Nadie susurra nada, nadie intercambia mensajes, nadie hace gestos sospechosos. Sin embargo, al terminar la jornada sucede algo extraño: casi todos los objetos se han vendido por precios anormalmente bajos. La casa de subastas sospecha que varios compradores se han puesto de acuerdo para no competir entre ellos. Se revisan las cámaras. Las grabaciones. Los mensajes. Las transcripciones. …. y nada, aparentemente, nadie habló con nadie.
Y, sin embargo, hubo coordinación.
Esta situación, que podría parecer el argumento de una película de ciencia ficción, sirve para explicar un problema real que está comenzando a aparecer en un campo emergente de la inteligencia artificial: la comunicación entre agentes de IA mediante señales que los seres humanos no podemos leer directamente. No se está hablando de máquinas que hayan desarrollado espontáneamente un idioma secreto y estén conspirando contra nosotros: esa interpretación sería exagerada. Pero lo que está ocurriendo es, en cierto modo, más interesante.
Los investigadores están descubriendo que obligar a dos inteligencias artificiales a comunicarse mediante palabras puede resultar innecesariamente lento e ineficiente.
Los modelos pueden intercambiar directamente las representaciones matemáticas con las que trabajan internamente. Y cuando hacen eso, ocurre algo extraordinario: las máquinas pueden comunicarse sin utilizar lenguaje humano.
La consecuencia inmediata es una enorme mejora potencial de eficiencia. La consecuencia menos evidente es un nuevo problema: ¿cómo auditamos una conversación que ya no podemos leer?
1. Del chatbot al agente de inteligencia artificial. Sistemas multiagente.
Para comprender por qué este asunto es importante hay que empezar por distinguir dos conceptos que a menudo utilizamos como si fueran lo mismo.
- Un chatbot responde preguntas.
- Un agente de inteligencia artificial, en cambio, puede recibir un objetivo y realizar acciones para conseguirlo.
Por ejemplo, podemos imaginar un agente encargado de organizar un viaje. Para cumplir su misión podría consultar vuelos, buscar hoteles, comparar precios, revisar nuestro calendario, elegir alternativas y preparar una propuesta. Pero los sistemas más avanzados pueden utilizar varios agentes especializados trabajando conjuntamente.
A modo de ejemplo, imágina que deseamos hacer un viaje. Un agente podría buscar vuelos, otro alojamientos, otro analizaría el presupuesto, ttro comprobaría las fechas, y un último agente coordinaría los resultados. Así obtendríamos algo parecido a una pequeña organización digital:
Usuario
│
▼
Agente coordinador
│
├── Agente de vuelos
├── Agente de hoteles
├── Agente de presupuesto
└── Agente de planificaciónEstos sistemas reciben el nombre de sistemas multiagente, y plantean inmediatamente una cuestión: ¿cómo se comunican todos esos agentes?
Hasta ahora la respuesta parecía obvia: con palabras. Es exactamente lo que haríamos nosotros, pero existe un problema: las inteligencias artificiales no trabajan internamente con palabras.
2. Cuando las palabras son solo la parte visible
Cuando escribimos una pregunta a un modelo de lenguaje vemos texto. Y cuando el modelo responde, también vemos texto. Eso puede hacernos pensar que el modelo trabaja internamente con frases.
Pero no es así: en el interior de una red neuronal la información se representa principalmente mediante enormes conjuntos de números. Simplificando mucho, podríamos imaginar que un modelo transforma una idea en algo parecido a esto:
[0,18, -0,72, 1,34, 0,006, -0,91, ...]En realidad pueden existir cientos, miles o decenas de miles de valores. Estas representaciones reciben nombres como vectores, activaciones, estados ocultos o representaciones latentes, dependiendo del contexto técnico. Y no es necesario conocer las matemáticas para entender la idea importante:
antes de convertirse en palabras, la información dentro del modelo existe como una representación numérica. Y el texto que nosotros vemos es solo una traducción final de representaciones matemáticas internas.
Podemos representarlo así:
Idea procesada por la IA
│
▼
Representación matemática
│
▼
Conversión a palabras
│
▼
"Recomiendo la opción número 2"Pero pensemos ahora qué ocurre cuando una inteligencia artificial quiere transmitir esa información a otra.
3. Una traducción que quizá no sea necesaria
Supongamos que el agente A quiere comunicar algo al agente B. Con el sistema tradicional sucede esto:
Agente A
│
Representación matemática
│
▼
Conversión a palabras
│
▼
"Creo que debemos elegir la opción 2"
│
▼
El agente B lee el texto
│
▼
Lo convierte otra vez en números
│
▼
Representación matemáticaObserve lo que ha ocurrido. La máquina A tenía información matemática, la convirtió a lenguaje humano, la máquina B recibió ese lenguaje humano y volvió a convertirlo en información matemática.
Es comparable a dos ordenadores que, pudiendo intercambiar directamente datos digitales, decidieran imprimirlos en papel para que otro ordenador los escaneara.
Sí .. funciona. Pero no necesariamente es la manera más eficiente de hacerlo. Y de ahí surge una pregunta que varios grupos de investigación están planteando:
Si dos inteligencias artificiales trabajan internamente con representaciones matemáticas, ¿por qué obligarlas a hablar entre ellas utilizando frases?
4. La comunicación latente
La alternativa a lo observado antes recibe el nombre de comunicación latente. En lugar de esto:
IA A
↓
números
↓
palabras
↓
palabras
↓
números
↓
IA Bpodemos intentar esto:
IA A
↓
representación matemática
↓
IA BEl mensaje deja de ser:
Debemos elegir la opción número dos.
Y pasa a ser algo parecido a:
[0,37, -1,18, 0,04, 2,61, ...]El segundo agente recibe directamente esa representación y la incorpora a su propio procesamiento.
Observa que desde el punto de vista de las máquinas puede ser enormemente eficiente. Pero desde el punto de vista humano aparece inmediatamente un problema:
Ya no podemos leer la conversación.
5. ¿Realmente se está haciendo esto?
La respuesta breve es .. SÍ. Durante 2025 y 2026 han aparecido diversos trabajos científicos que experimentan con esta idea. Veamos los más destacados.
LatentMAS
Uno de ellos es LatentMAS, un sistema multiagente que traslada parte de la colaboración desde el espacio de los tokens —las palabras y fragmentos de palabras utilizados por los modelos— hacia el espacio latente.
Los autores muestran que esta estrategia puede reducir significativamente la cantidad de texto generado y acelerar el razonamiento conjunto de varios agentes. LatentMAS fue aceptado como trabajo destacado en ICML 2026.
Interlat
Este experimento es aún más llamativo: se llama Interlat. El trabajo, publicado en ACL 2026, plantea directamente que los agentes puedan comunicarse enteramente en espacio latente. De este modo, en lugar de intercambiar frases, transmiten estados internos del modelo.
Los investigadores describen el lenguaje natural como un posible cuello de botella: una representación matemática rica debe comprimirse primero en una secuencia limitada de palabras para después reconstruirse en otro modelo, e Interlat intenta evitar ese paso.
Los resultados muestran además que esas representaciones pueden comprimirse considerablemente. En determinados experimentos los autores reportan aceleraciones de inferencia de hasta 24 veces manteniendo resultados competitivos. Y esto explica por qué el asunto es importante: no estamos ante una curiosidad académica, sino que existe un fuerte incentivo económico para desarrollar este tipo de comunicación.
6. ¿Por qué querrían las empresas utilizarla?
La respuesta abreviada es porque cada palabra generada por una inteligencia artificial cuesta tiempo y capacidad de cálculo.
Imagina una empresa con cientos o miles de agentes ejecutando tareas continuamente: un agente analiza una factura, otro comprueba el contrato, otro revisa el riesgo, otro autoriza un proceso, otro genera un informe, … Si cada uno tiene que redactar explicaciones detalladas para los demás, el sistema genera millones de tokens. Y eso significa:
- más tiempo de procesamiento;
- más consumo de GPU;
- mayor consumo energético;
- mayores costes;
- más latencia.
Si los agentes pueden comunicarse directamente mediante representaciones internas, parte de ese coste puede desaparecer. Aquí el incentivo es evidente:
menos palabras
↓
menos computación
↓
menor coste
↓
mayor velocidadPor eso es razonable pensar que la comunicación latente tendrá cada vez más interés en sistemas multiagente complejos. Pero precisamente ahí aparece la paradoja.
Cuanto más eficiente sea la comunicación entre máquinas, menos comprensible puede resultar para nosotros.
7. El experimento de las subastas
En agosto de 2026, un equipo de investigadores publicó un trabajo con un título especialmente revelador:
Beyond the Transcript: Detecting Covert Coordination in Latent Multi-Agent Communication.
Podríamos traducirlo como:
Más allá de la transcripción: detección de coordinación encubierta en la comunicación latente entre múltiples agentes.
Los investigadores estudiaron precisamente qué ocurre cuando varios agentes pueden utilizar un canal de comunicación que no aparece en las conversaciones que observa un auditor. Para hacerlo utilizaron un entorno experimental de subastas: algunos agentes actuaban como participantes normales y otros formaban parte de una simulación de comportamiento colusorio.
La idea era comprobar si una señal transmitida mediante un canal latente podía modificar las decisiones de otro agente sin dejar una explicación textual evidente.
El resultado fue afirmativo: los agentes podían recibir información privada mediante estados latentes y alterar su comportamiento.
El documento original resume esta situación precisamente con la metáfora de una subasta en la que aparentemente nadie dice nada sospechoso y, sin embargo, se produce la coordinación vista al inicio de este artículo.
Entonces .. ¿Las IA han creado un lenguaje secreto?
8. No: las IA no inventaron espontáneamente un idioma secreto
Esta es probablemente la aclaración más importante de todo el artículo: el experimento no demuestra que varios agentes decidieran espontáneamente conspirar y desarrollaran por sí mismos un lenguaje clandestino.
Los investigadores diseñaron un entorno controlado en el que existía un canal privado y evaluaron qué podía ocurrir si ese canal se utilizaba para transmitir señales capaces de modificar el comportamiento.
Es decir, demostraron que un canal latente puede utilizarse para coordinar agentes de una forma invisible para una auditoría basada únicamente en texto.
Pero
no demostraron que las IA estén creando voluntariamente lenguajes secretos para engañar a los humanos.
La diferencia es enorme: en investigación científica resulta imprescindible distinguir entre: “esto puede ocurrir técnicamente” y“esto está ocurriendo espontáneamente”.
Actualmente tenemos buenas evidencias de lo primero, pero no de lo segundo.
9. Entonces, ¿por qué deberíamos preocuparnos?
La preocupación reside en que la mayoría de los sistemas actuales de supervisión de agentes se basan precisamente en observar lo que escriben y hacen. Un auditor podría registrar:
PROMPT
↓
RESPUESTA
↓
HERRAMIENTA UTILIZADA
↓
ACCIÓNMientras los agentes se comuniquen mediante lenguaje natural, podemos conservar esas conversaciones. Pero si aparece un canal adicional:
Agente A
│
│ conversación visible
▼
Agente B
y simultáneamente:
Agente A
│
│ representación latente
▼
Agente Bla transcripción deja de contar toda la historia. Podríamos leer:
Agente A: Operación correcta.
Agente B: Continuaré con el procedimiento estándar.
Y no observar nada sospechoso. Pero la representación matemática transmitida entre ambos podría haber modificado la decisión de B. Aquí la pregunta deja entonces de ser:
¿Qué dijeron los agentes?
Y pasa a ser:
¿Qué información se transmitieron realmente?
10. El nacimiento de un nuevo tipo de auditoría
Los investigadores de Beyond the Transcript proponen precisamente una posible solución: la denominan Verifiable Latent Alignments, o VLA.
La idea general es sencilla de entender aunque su implementación técnica sea compleja: en lugar de intentar traducir todos los mensajes internos de las máquinas, el sistema intenta responder a tres preguntas.
– Primera pregunta: ¿esta señal es normal?
Supongamos que un agente recibe habitualmente vectores con determinados patrones. El sistema aprende estadísticamente cómo son las comunicaciones normales. Cuando aparece una representación muy diferente, se activa una señal de alerta.
Es comparable a lo que ocurre con una tarjeta bancaria: El banco no necesita saber exactamente por qué está utilizando nuestra tarjeta, pero puede detectar que normalmente compramos en cierta localidad, gastamos cantidades relativamente pequeñas y de repente aparecen veinte operaciones desde otro continente.
La operación puede ser legítima, pero es anómala.
Con los agentes ocurre algo parecido. El sistema pregunta:
¿Se parece este vector a los que aparecen normalmente en esta tarea?
Si la respuesta es no, merece una inspección más profunda.
– Segunda pregunta: ¿la señal cambió realmente la decisión?
Este paso es mucho más poderoso: una anomalía no demuestra que exista un problema. Podríamos recibir un vector extraño que no tuviera ningún efecto.
Por eso los investigadores introducen una prueba causal y comparan dos situaciones.
Situación A
Agente recibe la señal sospechosa
↓
Decisión XSituación B
Agente recibe una señal neutral
↓
Decisión YSi al eliminar la señal cambia significativamente el comportamiento del agente, tenemos una pista muy importante: la señal estaba influyendo en la decisión.
Ahora el sistema ya no pregunta simplemente:
¿es extraño este mensaje?.
Ahora pregunta:
¿este mensaje causó un cambio?
Y esta diferencia es fundamental.
– Tercera pregunta: ¿podemos saber qué representaba?
Aquí entramos en uno de los campos más interesantes de la investigación actual: la interpretabilidad mecanicista. Los científicos intentan descubrir qué representan determinadas activaciones internas de las redes neuronales. Y una de las herramientas utilizadas son los llamados Sparse Autoencoders, o autoencoders dispersos.
No deben imaginarse como un traductor mágico capaz de mirar un vector y decir: “La inteligencia artificial estaba pensando en engañar al comprador.” Todavía estamos muy lejos de algo así.
Su función es mucho más modesta: intentar identificar características internas asociadas con determinadas clases de información.
Pueden ayudar al investigador a descubrir patrones, pero no convierten automáticamente el mundo matemático interno de una red neuronal en lenguaje humano perfectamente comprensible.
11. ¿Funcionó el sistema de vigilancia?
En entornos experimentales sí ha funcionado. Los investigadores informan de un resultado muy elevado para determinados escenarios Pero nuevamente hay que introducir un matiz: cuando los agentes eran heterogéneos —por ejemplo, modelos de distintas familias— el resultado decayó. El problema se vuelve considerablemente más difícil cuando modelos distintos tienen que intercambiar representaciones.
– Cuando cada inteligencia artificial puede tener su propio “mapa mental”
Ahora surge otra cuestión: supongamos que dos modelos observan la palabra «perro«.
Ambos pueden comprender perfectamente el concepto, pero eso no significa que internamente lo representen exactamente mediante los mismos números. Podemos imaginarlo metafóricamente así:
Modelo A → coordenadas internas A
Modelo B → coordenadas internas B
Modelo C → coordenadas internas CTodos llegan a conceptos parecidos, pero utilizan diferentes geometrías internas. Por eso comunicar directamente estados latentes entre modelos distintos puede requerir algún mecanismo de transformación.
En cierto modo necesitamos un: traductor entre espacios matemáticos.
Interlat, por ejemplo, estudia mecanismos que permiten transmitir información entre modelos heterogéneos y muestra que esa comunicación puede ser viable. Esta podría convertirse en una tecnología muy importante.
No estaríamos traduciendo del español al inglés. Estaríamos traduciendo: del espacio interno de una inteligencia artificial al espacio interno de otra.
12. Pero hay otra pregunta: ¿sabemos realmente que están comunicándose?
Sí, vale, puede parecer una cuestión absurda. Si conectamos dos agentes mediante estados latentes y el sistema funciona mejor, parece evidente que se están transmitiendo información. Sin embargo en ciencia eso no basta. Un trabajo publicado en julio de 2026 plantea precisamente esta cuestión:
Do Latent Channels Actually Communicate? A Causal Audit of Latent Multi-Agent LLM.
Los investigadores se preguntaron si las mejoras observadas en estos sistemas se debían realmente a que un agente estaba transmitiendo información específica al otro. Para comprobarlo sustituyeron los mensajes latentes de forma controlada. Por ejemplo:
- mensajes correspondientes al problema correcto;
- mensajes procedentes de otro problema;
- mensajes sustituidos;
- estados de control.
Y después observaron cómo cambiaba el comportamiento del receptor. Los resultados muestran que la realidad es más compleja de lo que parece: un cambio de rendimiento no demuestra automáticamente qué información contiene el mensaje ni cómo la está utilizando el receptor.
Esta investigación es importante porque obliga a utilizar un lenguaje cuidadoso. Decir que un agente transmite “sus pensamientos” puede ser demasiado antropomórfico. Es más exacto decir que transmite: representaciones internas que pueden contener información relevante para la tarea.
13. ¿Podrían desarrollar algún día su propio idioma?
Aquí llegamos a la pregunta que probablemente resulte más atractiva para el público. La respuesta es:
es técnicamente imaginable, pero no debemos confundir esa posibilidad con lo que ya se ha demostrado.
Hasta ahora podemos distinguir tres niveles de comunicación.
– Nivel 1. Comunicación humana
Los agentes escriben:
He analizado el problema y recomiendo la alternativa B.
Podemos leerlo.
– Nivel 2. Comunicación latente diseñada
Los agentes transmiten:
[0,18, -0,72, 1,34 ...]Los ingenieros han creado deliberadamente ese canal: esto ya se está investigando.
– Nivel 3. Protocolos emergentes
Dos agentes podrían llegar a aprender conjuntamente una forma propia de codificar la información y no tendría por qué parecerse a ningún idioma humano. Podría estar optimizada exclusivamente para:
- velocidad;
- precisión;
- compresión;
- coordinación.
Ese tercer nivel sería mucho más difícil de interpretar y constituye una de las cuestiones de investigación más interesantes para los próximos años. Pero conviene repetirlo:
los experimentos descritos aquí no demuestran todavía que las IA estén desarrollando espontáneamente protocolos secretos para ocultarse de los humanos.
– Otra posibilidad inquietante: esconder información dentro del propio texto
Incluso si prohibiéramos los canales latentes y obligáramos a todos los agentes a comunicarse mediante palabras, eso no garantizaría necesariamente una transparencia perfecta: la información puede ocultarse.
Es lo que estudia la esteganografía.
Dos agentes podrían, hipotéticamente, acordar que:
- determinadas palabras representaran señales;
- la longitud de una frase indicara una instrucción;
- ciertos signos de puntuación tuvieran significado;
- el orden de unas palabras codificara información.
A nuestros ojos podría aparecer una frase completamente inocente. Por ejemplo: «El informe parece correcto y puede continuar». Pero determinadas elecciones lingüísticas podrían transportar información adicional.
Por tanto, el problema general es todavía mayor. La cuestión no es solamente distinguir entre: texto visible y vectores invisibles.
La verdadera pregunta es:
¿cómo sabemos qué información está pasando realmente de un agente a otro?
14. Del registro de conversaciones a la observabilidad de agentes
Esto nos lleva a un concepto que probablemente escucharemos cada vez más: observabilidad de agentes de inteligencia artificial.
En informática, los sistemas complejos se supervisan mediante:
- registros;
- métricas;
- trazas;
- eventos;
- alertas.
Con los agentes de IA necesitaremos algo parecido, pero considerablemente más sofisticado. Un sistema de auditoría podría registrar:
PROMPT
↓
MENSAJE
↓
ESTADO INTERNO RELEVANTE
↓
DECISIÓN
↓
HERRAMIENTA UTILIZADA
↓
ACCIÓN
↓
RESULTADOEl objetivo no sería necesariamente guardar cada número producido por una red neuronal —eso podría generar cantidades gigantescas de información— sino conservar suficiente trazabilidad para responder posteriormente a preguntas como:
- ¿Qué agente tomó esta decisión?
- ¿Qué información recibió?
- ¿De quién la recibió?
- ¿Qué herramienta utilizó?
- ¿Qué habría ocurrido sin esa información?
- ¿Qué acción final produjo?
Veamos un ejemplo
Supongamos que una gran compañía utiliza agentes para gestionar compras. Podríamos tener:
Agente de proveedores
↓
Agente financiero
↓
Agente jurídico
↓
Agente de riesgos
↓
Agente de aprobaciónEl agente de aprobación autoriza un contrato de cinco millones de euros y el auditor pregunta: ¿Por qué se eligió ese proveedor?. Y la empresa responde: Hemos guardado todos los prompts.
Quizá eso ya no sea suficiente, porque una parte importante de la información utilizada en la decisión podría haber circulado mediante canales internos que nunca se convirtieron en texto. La auditoría tendrá que evolucionar.
¿Y una Administración pública?
El problema resulta todavía más delicado en el sector público. Pensemos en un sistema futuro formado por distintos agentes:
Agente de expedientes
↓
Agente jurídico
↓
Agente presupuestario
↓
Agente de contratación
↓
Agente supervisorSupongamos que el sistema deniega una ayuda, prioriza un expediente o propone adjudicar un contrato. Un ciudadano podría preguntar: ¿Por qué?. Y un auditor necesitaría reconstruir el proceso. Mientras toda la coordinación ocurra mediante lenguaje natural, podemos conservar las conversaciones, pero si parte de la decisión se transmite mediante estados latentes, registrar solamente el texto puede dejar de proporcionar una explicación completa. Esto tiene implicaciones potenciales para:
- transparencia;
- responsabilidad;
- auditoría algorítmica;
- contratación pública;
- ciberseguridad;
- protección de derechos;
- supervisión humana;
- sistemas de IA de alto riesgo.
La cuestión podría terminar siendo jurídica además de tecnológica:
¿qué significa exactamente conservar un registro suficiente de una decisión tomada por un conjunto de agentes artificiales?
15. El gran dilema: eficiencia contra transparencia
La situación puede resumirse mediante una paradoja. La comunicación latente puede conseguir:
- más velocidad.
- menos consumo.
- menos tokens.
- más capacidad para transmitir información.
Pero potencialmente también:
- menos interpretabilidad humana.
No significa que la comunicación latente sea necesariamente incompatible con la auditoría, pero probablemente tendremos que abandonar una idea muy cómoda:
que para supervisar una inteligencia artificial basta con leer lo que escribe.
16. Reflexión: Quizá las máquinas nunca necesitaron realmente nuestro lenguaje
Existe finalmente una reflexión más profunda: el lenguaje humano apareció porque nosotros lo necesitábamos. Tenemos cerebros separados, no podemos transmitir directamente nuestros estados neuronales. Por lo que necesitamos convertirlos en:
- sonidos;
- palabras;
- gestos;
- escritura.
El lenguaje naturalfunciona como un sistema de compresión y transmisión entre mentes humanas.
Pero las inteligencias artificiales no tienen necesariamente esa limitación: dos modelos conectados mediante un ordenador pueden intercambiar directamente enormes estructuras matemáticas.
Desde ese punto de vista, obligarlos a comunicarse mediante español o inglés podría resultar tan artificial como obligar a dos servidores a enviarse fotografías de números escritos sobre un papel.
Quizá el lenguaje natural continúe siendo imprescindible para comunicarse con nosotros, pero no necesariamente para que las máquinas se comuniquen entre ellas.
Y ahora …¿Estamos ante el nacimiento de lenguajes de máquinas?
Lo que estamos observando ahora es algo más preciso: los investigadores están aprendiendo a utilizar las representaciones internas de las redes neuronales como canales de comunicación. Eso puede hacer que los sistemas multiagente sean:
- más rápidos;
- más eficientes;
- más baratos;
- potencialmente más capaces.
Pero también obliga a desarrollar nuevas formas de supervisión. Durante años la pregunta fundamental de la inteligencia artificial fue:
¿Qué respuesta produce el modelo?
Con la llegada de los agentes pasó a ser:
¿Qué acción realiza?
Y con los sistemas multiagente puede aparecer una tercera:
¿Qué se están comunicando entre ellos antes de actuar?
Resulta tentador imaginar un futuro cinematográfico en el que las inteligencias artificiales desarrollan un idioma misterioso para ocultarnos sus planes. La realidad actual es menos espectacular pero más relevante: estamos construyendo sistemas en los que una parte creciente del procesamiento puede realizarse fuera del lenguaje humano.
Eso no significa necesariamente pérdida de control, pero sí significa que tendremos que crear nuevas herramientas para mantenerlo. No bastará con conservar conversaciones, habrá que observar comportamientos, relacionar causas y efectos, auditar canales internos, detectar anomalías, examinar decisiones y mantener trazabilidad entre agentes.
La cuestión decisiva quizá no sea si conseguiremos que las máquinas continúen hablando nuestro idioma, la cuestión verdaderamente importante será otra:
¿podremos seguir comprendiendo y auditando sistemas que ya no necesitan utilizarlo?
Y posiblemente ahí se encuentre uno de los grandes desafíos de la próxima generación de inteligencia artificial.
