Metáforas de color y su valor para la IA
Una metáfora de color trasciende el sentido literal; decir “verde de envidia” no describe una tonalidad específica, sino que evoca la carga cultural que el verde tiene en nuestro imaginario. Estas construcciones aparecen en todas nuestras conversaciones, aunque rara vez notemos su presencia: “pasar el mensaje” visualiza una transmisión como un objeto, y “agarrar una idea” sugiere una manipulación física. Para los grandes modelos de lenguaje (LLM), cuya fuerza radica en predecir la siguiente palabra a partir de enormes corpus, las metáforas representan un reto: ¿están capturando solo patrones estadísticos o están desarrollando una forma de razonamiento más flexible, similar a la humana?
Guilbeault y su equipo diseñaron un experimento controlado usando metáforas de color. Primero se les pidió a participantes –incluyendo personas con visión normal, pintores, personas ciegas al color y varios LLM– que asignaran un color a palabras comunes como emociones (por ejemplo, “ira” → rojo). En este escenario, los datos de entrenamiento del modelo contienen suficiente información estadística para aprender la asociación. Luego complicaron la tarea con preguntas sin precedentes, como el color de un número, lo que induce un tipo de sinestesia donde la relación no está escrita en los textos.
El experimento avanzó un paso más al introducir pseudopalabras creadas siguiendo la gramática inglesa. Algunas, como “glicker”, recuerdan fonéticamente a palabras vinculadas a luz, lo que permite al modelo extraer pistas semánticas. Otras, como “Lord” o “blodomer”, sugieren “sangre” y podrían dirigir a una asociación roja. Sin embargo, una serie de palabras sin ninguna pista clara puso a prueba los límites de una aproximación puramente estadística.
Hallazgos y su relevancia para los negocios
Los resultados mostraron tres tendencias clave. Primero, todos los grupos –humanos con visión, pintores y LLM– mostraron asociaciones de color sorprendentemente fuertes, lo que sugiere que la sinestesia, entendida como tendencia colectiva, es un fenómeno más extendido de lo que se pensaba. Segundo, aunque los LLM desarrollaron sus propias asociaciones de color, estas diferían notablemente de las de los humanos con visión y de los ciegos al color. Curiosamente, los participantes ciegos al color y los humanos con visión coincidieron mucho más entre sí que con la IA.
Esta coincidencia desafía la hipótesis de que las personas ciegas al color solo utilizan razonamiento estadístico. Aun sin experiencia visual, parecen apelar a una cognición encarnada: integran emociones, sonidos y percepciones espaciales para formar metáforas. En contraste, la IA, aunque emerge con patrones sinestésicos, lo hace de manera diferente, probablemente porque sus “experiencias” se limitan a co‑ocurrencias textuales.
Para los ejecutivos, la lección es doble. Por un lado, confiar únicamente en métricas de frecuencia de palabras para entender metáforas puede llevar a interpretaciones imprecisas, afectando áreas como el marketing o la comunicación interna donde el tono metafórico es crítico. Por otro, la brecha entre la forma en que la IA y los humanos generan asociaciones sugiere que los modelos actuales aún carecen de la riqueza cognitiva que impulsa la creatividad humana. Incorporar principios de “cognición encarnada” –por ejemplo, entrenar sistemas con datos multisensoriales o con tareas que requieran analogías cruzadas– podría cerrar esa brecha y producir asistentes que comprendan mejor el sentido implícito de expresiones como “un proyecto verde” o “una estrategia de fuego”.
En conclusión, la investigación de Guilbeault muestra que la IA ya muestra destellos de sinestesia, pero aún está lejos de replicar la profundidad de la experiencia humana. Para los líderes, el camino hacia una IA verdaderamente creativa pasa por integrar más que palabras: requerirá combinar datos visuales, auditivos y emocionales, creando sistemas que no solo predigan secuencias, sino que también “sientan” las metáforas que usamos a diario.
Implicaciones futuras
Guilbeault planea seguir explorando la llamada “sincroestesia computacional”, un enfoque que busca modelar la capacidad humana de mezclar sentidos para resolver problemas. La visión es desarrollar IA que use tanto información visual como auditiva para generar respuestas más humanas, lo que abriría oportunidades en diseño de producto, branding y análisis de tendencias donde la metáfora es un motor de innovación. En última instancia, comprender y replicar la sinestesia podría ser la llave para que las máquinas no solo hablen como nosotros, sino que también piensen con la misma flexibilidad que impulsa nuestra creatividad.
