El lenguaje humano como sistema ambiguo. La ambigüedad no es bug, es feature

Para una IA, hablamos mal. Frases incompletas, dobles sentidos, deíxis dependiente del contexto físico, metáfora sin marca. Y aun así nos entendemos entre humanos casi siempre. Grice (1975) describió cómo la conversación cooperativa se basa en inferencia más que en codificación literal. La ambigüedad no es bug, es feature: nos permite negociar significado sobre la marcha, ajustar matiz, decir cosas a medias. Una IA que no tolera ambigüedad no es mejor, es más rígida.

¿Por qué el lenguaje humano es ambiguo?

Porque no está optimizado para la precisión sino para la coordinación entre agentes que comparten contexto. Grice lo formuló en 1975: la conversación no es codificación seguida de decodificación, es inferencia cooperativa regida por máximas tácitas de cantidad, calidad, relación y manera. La ambigüedad deja hueco para que el oyente complete con lo que ya sabe, y esa economía —decir menos de lo necesario para que el otro infiera el resto— es lo que hace el habla rápida y flexible. Un sistema que no tolera ambigüedad no es más preciso: es más rígido.

La ingeniera y el monstruo

Quien haya escrito código sabe lo que el ordenador exige al lenguaje. Sintaxis exacta, identificadores únicos, tipos compatibles, terminadores de sentencia, llaves cerradas, comas en su sitio. Una variable mal escrita, un punto y coma omitido, un nombre con mayúscula donde tocaba minúscula, y el programa no funciona. El compilador no infiere intención. Lee literalmente lo que está. Lo que no está, no existe.

Quien haya pasado del despacho al pasillo, del pasillo a la cocina y de la cocina a una conversación entre tres personas que se conocen, sabe lo que el habla humana permite. «Pásame eso de ahí.» «Mañana lo vemos.» «Está como un cencerro.» «No te lo digo dos veces.» «Lo de siempre.» Cada una de estas frases es incomprensible para un parser. Falta referente, falta contexto, falta tipo, sobra metáfora. Y la persona a la que se dirigen entiende, casi siempre, sin pestañear.

Esta diferencia entre la pretensión literal del código y la elipsis cooperativa del habla no es negligencia humana. Es la mecánica básica de un sistema cuyo objetivo no es la transmisión bit a bit. Su objetivo es la coordinación entre agentes que comparten mucha estructura previa. El habla optimiza no la precisión literal sino la economía conversacional, y esa economía exige ambigüedad útil.

Grice y la cooperación como infraestructura

H. P. Grice, en Logic and Conversation (1975), publicó el marco que abrió la pragmática moderna. Su tesis: la conversación humana no es codificación seguida de decodificación, es inferencia cooperativa. Quien habla y quien escucha asumen, mientras la conversación funciona, un principio cooperativo: ambos están intentando entenderse y respetar reglas tácitas — máximas — sobre cantidad, calidad, relación y manera.

La máxima de cantidad pide proporcionar la información necesaria, ni más ni menos. La de calidad, decir lo que se cree verdadero. La de relación, decir lo relevante para la situación. La de manera, decirlo con claridad sintética. Lo interesante del marco griceano es que el incumplimiento aparente de una máxima dispara inferencia, no fallo. Si alguien rompe la máxima de cantidad diciendo más de lo necesario, el escucha infiere algún sentido implícito en el exceso. Si rompe la de relación con un comentario aparentemente fuera de tema, el escucha busca conexión oblicua. La conversación es una negociación constante de implicaturas, no una lectura literal.

Sperber y Wilson, en Relevance. Communication and Cognition (Blackwell, 1986), reformularon el marco simplificándolo. Postularon un único principio: en toda conversación, el oyente asume que lo dicho es óptimamente relevante — el máximo de información extraída con el mínimo esfuerzo cognitivo. Sobre ese supuesto, el oyente infiere lo que no se dijo. La inferencia es automática, costosa cognitivamente, y casi siempre acertada en interlocutores que comparten contexto.

Aquí está el detalle que conviene retener. La pragmática no es decoración del lenguaje. Es su núcleo operativo. Sin la maquinaria inferencial de la cooperación, las palabras quedarían como tokens sin función. Lo que las hace comunicación es el cálculo conversacional que los interlocutores ejecutan en paralelo, todo el rato, sin esfuerzo aparente.

La deíxis y el cuerpo

Hay una clase de palabras especialmente reveladora del problema: las palabras deícticas. «Aquí», «allí», «este», «aquel», «yo», «tú», «ahora», «mañana», «entonces». No tienen referente fijo. Su significado se calcula respecto al contexto físico, temporal y dialógico del momento. «Aquí» quiere decir distintos lugares cada vez. «Mañana» se desliza cada día. «Tú» depende de a quién mires.

Estas palabras son ubicuas en el habla. Imposibles de procesar para un sistema que no tiene cuerpo en el mundo. Un LLM puede entrenarse con miles de millones de tokens donde aparece «aquí», pero «aquí» no significa nada estable que el modelo pueda aprender. Cada instancia es un evento localizado. La palabra es un pronombre del espacio, y sin espacio compartido no hay referente.

La consecuencia técnica para los modelos de lenguaje fue documentada por Hu y otros, en A fine-grained comparison of pragmatic language understanding in humans and language models (ACL 2023). Encontraron que los LLM resuelven razonablemente bien las implicaturas convencionales — frases hechas, formas estandarizadas — pero fallan sistemáticamente en presuposición y deíxis indexical, justamente donde el lenguaje depende del contexto físico no codificado en el corpus. La cifra es interesante porque deja claro que el problema no es del corpus pobre; es del corpus textual per se. El mundo no se aprende sólo en texto.

Bender y Koller, en Climbing towards NLU (ACL 2020), llamaron la atención sobre este límite estructural. Su tesis, llamada hipótesis del octopus, plantea un experimento mental. Imagina dos personas en islas separadas, comunicándose por telégrafo. Un pulpo inteligente intercepta los mensajes, aprende los patrones del intercambio, y después se hace pasar por uno de los dos. ¿Engañaría al otro? Por un tiempo, sí, sobre temas abstractos. En cuanto alguno se refiriera al mundo físico de la otra isla — «mira ese árbol», «el sol está bajando», «hace frío» — el pulpo no podría sostener la conversación, porque carece del referente embodied. Los LLM, según Bender y Koller, son el pulpo: aprenden patrones del lenguaje sin tener acceso al mundo al que el lenguaje se refiere.

La metáfora sin marca

Hay otra capa que conviene mencionar porque la pasamos por alto. El lenguaje cotidiano es metafórico hasta el tuétano, y la metáfora va sin etiqueta. George Lakoff y Mark Johnson, en Metaphors We Live By (University of Chicago Press, 1980), documentaron el fenómeno. Cuando hablamos de discusiones usamos el dominio de la guerra: «defendí mi posición», «atacó mi argumento», «su tesis no tiene defensa». Cuando hablamos de tiempo, usamos el dominio del dinero: «invertí horas», «no puedo permitirme gastar tiempo en eso», «tengo que ahorrar tiempo». Cuando hablamos de afecto, usamos el dominio del calor: «relación cálida», «recepción fría», «calor humano».

Las metáforas no son adorno. Son estructura conceptual. Lakoff y Johnson sostienen que pensar el tiempo como dinero, en una cultura, configura las prácticas materiales con el tiempo: planificación, agenda, productividad. La metáfora dirige la cognición tanto como la describe.

Para un LLM, la metáfora estandarizada es procesable porque aparece masivamente en el corpus. Lo que cuesta es la metáfora nueva o idiosincrásica — la que un hablante inventa sobre la marcha para captar un matiz sin precedente. Esa metáfora se entiende entre humanos porque ambos comparten una estructura de mapeos conceptuales. Se entiende mal o no se entiende cuando el sistema receptor sólo tiene corpus textual y no la maquinaria conceptual subyacente.

Lo que el LLM hace cuando hay ambigüedad

La pregunta operativa: ¿qué pasa cuando un usuario humano dirige a un LLM un mensaje cargado de ambigüedad útil? La respuesta corta: el modelo rellena con la mediana del corpus. Donde el contexto compartido permitiría a un humano inferir una de varias lecturas posibles, el modelo elige la lectura estadísticamente más común en su distribución de entrenamiento. Si la lectura más común coincide con la que el usuario tenía en mente, la conversación funciona. Si no coincide, el modelo responde a una pregunta distinta de la que se le hizo y lo hace con la misma fluidez que si hubiera acertado.

Esto produce una asimetría operativa que conviene nombrar. El humano que recibe una respuesta ambigua a su pregunta nota la incongruencia y la traduce: «ah, entendió otra cosa». El LLM no nota la incongruencia entre lo que el usuario quiso y lo que el modelo entendió, porque no tiene acceso a lo que el usuario quiso, sólo al texto enviado. Y el usuario, conversando con un sistema fluido, tiende a leer la respuesta como correcta antes de verificar que era la respuesta a su pregunta.

La asimetría se profundiza cuando el usuario, sin darse cuenta, adapta su pregunta al modelo. Después de unos cuantos malentendidos, el usuario aprende a escribir con menos elipsis, menos deíxis, menos metáfora, más explicitación. La conversación se vuelve más procesable pero menos humana. El usuario habla a la máquina en un sublenguaje pulido que casi nadie usa con humanos. Y, con el uso prolongado, ese sublenguaje empieza a invadir su habla con humanos también. Es un fenómeno reciente, documentado anecdóticamente por sociolingüistas y todavía sin estudio cuantitativo, pero observable.

La rigidez como ideal industrial

Hay una vena del discurso comercial sobre IA que vende la claridad del lenguaje técnico como virtud, casi como liberación del «desorden» del habla cotidiana. La frase «sé claro y específico cuando hables con la IA» aparece en cualquier guía de prompting. Es buen consejo operativo dado el sistema con el que tratamos. Es mal consejo si se generaliza como descripción de lo que el lenguaje debería ser.

El lenguaje no es desordenado. Es denso. La ambigüedad permite empacar significados en pocas palabras dejando el desempaquetado a la inferencia cooperativa. Es eficiente, no perezoso. Es flexible, no inexacto. Permite decir cosas a medias por buenas razones — porque la conclusión la sostiene mejor el oyente, porque el contexto la limita, porque la cortesía la matiza, porque el tema requiere apertura. Una conversación donde todo se especifica formalmente sería insoportable y, paradójicamente, menos comunicativa.

Pinker, en The Stuff of Thought (Viking, 2007), llamó la atención sobre la sofisticación de los actos indirectos de habla. Cuando alguien dice «¿podrías pasarme la sal?», sintácticamente está formulando una pregunta sobre la capacidad. Pragmáticamente está formulando una petición. La distancia entre el contenido literal y el acto efectivo es enorme, y la transitamos sin esfuerzo. ¿Por qué no decirlo directo, «pásame la sal»? Porque la indirección es acto social significativo: marca cortesía, distancia, opcionalidad simbólica de la respuesta. Si se eliminara, la interacción humana perdería una capa enorme de información social.

Un sistema rígido no es mejor que uno flexible. Es más rígido. Y la rigidez en un dominio donde la flexibilidad es la propiedad operativa central no es virtud técnica, es desajuste funcional. Una herramienta que exige claridad a un sistema construido sobre ambigüedad cooperativa destruye su propia eficacia, no la mejora.

La negociación del significado

Hay una propiedad del habla humana que conviene nombrar al final. El significado no se transmite, se negocia. Cuando dos humanos conversan, no están enviándose paquetes de significado limpios entre cerebros. Están negociando, sobre la marcha, una interpretación compartida que cada turno ajusta. El malentendido inicial es rutina, no fracaso. La reparación conversacional — «¿quieres decir...?», «no, perdona, me refería a...» — es maquinaria normal, no error.

Esta negociación requiere dos cosas que un LLM no tiene del todo. Requiere disposición a equivocarse al inferir y a corregir cuando aparece evidencia. Y requiere modelo del otro: una representación de qué sabe el interlocutor, qué le importa, en qué contexto está, qué tiene presente. El LLM tiene la primera condición sólo parcialmente — admite reformular cuando el usuario lo pide — y la segunda casi nada — su modelo del usuario es el que se infiere del prompt, sin historia ni continuidad biográfica.

El resultado es que las conversaciones humano-LLM son conversaciones empobrecidas en pragmática, ricas en sintaxis, ricas en estilo, ricas en información explicitada. Funcionan para muchas tareas — y aquí está el matiz que evita la lectura tecnófoba — pero no funcionan como sustituto general del habla humana. Lo que el LLM no captura no es vocabulario ni gramática. Es el aparato conversacional cooperativo sobre el que el habla se montó durante decenas de miles de años. Llamar limitado al habla por no entrar en este aparato es confundir el espejo con la cosa.

Definiciones

Pragmática. Rama de la lingüística que estudia los aspectos del significado que dependen del contexto, la intención y la cooperación entre interlocutores, frente a los aspectos puramente semánticos o sintácticos.

Máxima conversacional. Regla tácita de la conversación cooperativa, formalizada por Grice (1975). Las cuatro clásicas son cantidad, calidad, relación y manera. Su incumplimiento aparente dispara inferencia, no fracaso de comunicación.

Implicatura. Significado inferido de lo dicho sin estar literalmente codificado en ello. La conversación humana es densa en implicaturas convencionales y particulares.

Deíxis. Conjunto de palabras y expresiones cuyo significado se calcula respecto al contexto físico, temporal o dialógico del enunciado. «Aquí», «tú», «mañana» son ejemplos canónicos. No tienen referente estable aprendible sólo del corpus textual.

Implicaturas convencionales vs. presuposiciones. Las primeras son inferencias estandarizadas asociadas a expresiones recurrentes. Las segundas son las condiciones que el hablante asume verdaderas al producir un enunciado. Los LLM resuelven mejor las primeras que las segundas, según Hu y otros (2023).

Octopus hypothesis. Experimento mental de Bender y Koller (2020). Un pulpo inteligente que aprende patrones de mensajes telegráficos podría sostener conversación abstracta pero fallaría en cuanto el lenguaje se refiriera al mundo físico no accesible desde el corpus.

Referencias

Bender, E. M. & Koller, A. (2020). Climbing towards NLU. On Meaning, Form, and Understanding in the Age of Data. ACL 2020. Argumento del pulpo y crítica a la equiparación entre rendimiento estadístico y comprensión semántica.

Grice, H. P. (1975). Logic and Conversation. En Syntax and Semantics 3. Speech Acts, Academic Press. Marco fundacional de la pragmática moderna: principio cooperativo y máximas conversacionales.

Hu, J. et al. (2023). A fine-grained comparison of pragmatic language understanding in humans and language models. ACL 2023. Evaluación empírica de los LLM en distintos fenómenos pragmáticos; fallos sistemáticos en presuposición y deíxis indexical.

Lakoff, G. & Johnson, M. (1980). Metaphors We Live By. University of Chicago Press. Documentación de la metáfora como estructura conceptual subyacente del lenguaje cotidiano.

Pinker, S. (2007). The Stuff of Thought. Language as a Window into Human Nature. Viking. Análisis de los actos indirectos de habla y la sofisticación pragmática del lenguaje humano.

Sperber, D. & Wilson, D. (1986). Relevance. Communication and Cognition. Blackwell. Reformulación de la pragmática griceana en torno al principio único de relevancia óptima.

También te interesa

• El humano como máquina defectuosa
• La emoción como ruido
• Conversar con algo que no existe

En otros sitios

• The Octopus Test for Large Language Model AIs (kottke.org)
• "Octopus Test" (Bender and Koller, 2020) — guía didáctica (doviak.net)