💬 NLP

Pragmatics beyond humans: meaning, communication, and LLMs

Este artículo sostiene que el surgimiento de los modelos de lenguaje de gran tamaño requiere una reconceptualización de la pragmática más allá de los marcos tradicionales centrados en el ser humano, proponiendo en su lugar un enfoque de Comunicación Humano-Máquina que aborde los sesgos antropomórficos, adopte modelos probabilísticos como el de Actos de Habla Racionales y dé cuenta de la paradoja de la "frustración de contexto" en las interacciones de la IA generativa.

Autores originales: Vít Gvoždiak

Publicado 2026-08-20

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vít Gvoždiak

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El lenguaje es más que una simple cadena de palabras dispuestas mediante reglas gramaticales. Es una herramienta social, una forma de que las personas actúen juntas, compartan intenciones y naveguen por las complejas reglas no escritas de una conversación. Durante décadas, los lingüistas han intentado mapear cómo funciona el significado descomponiéndolo en tres capas: la estructura de la oración, la definición literal de las palabras y el contexto en el que se pronuncian. Esta tercera capa, conocida como pragmática, es donde ocurre la verdadera magia de la comunicación humana. Es la diferencia entre una declaración de un hecho y una petición, o entre un chiste y un insulto, dependiendo enteramente de quién habla, cuándo y por qué. Ahora, un nuevo tipo de máquina ha entrado en la conversación. Los modelos de lenguaje extensos, los poderosos sistemas de inteligencia artificial que pueden escribir ensayos, responder preguntas y mantener conversaciones, están obligando a los científicos a repensar estos viejos mapas. La pregunta central ya no es solo si estas máquinas pueden imitar el habla humana, sino si comprenden la danza social del significado o si simplemente están prediciendo la siguiente palabra en una secuencia sin captar jamás la intención que hay detrás.

Un investigador llamado Vít Gvoždiak ha analizado de cerca cómo estudiamos estas máquinas y las teorías que usamos para juzgarlas. Él sostiene que nuestros métodos actuales son defectuosos porque intentan forzar una pieza cuadrada en un hueco redondo. Durante mucho tiempo, la forma estándar de evaluar estos modelos ha sido tratarlos como humanos. Los investigadores les piden que realicen tareas que requieren la comprensión de claves sociales, como reconocer una disculpa o detectar el sarcasmo, y luego comparan sus respuestas con lo que diría una persona. Si la máquina acierta, a menudo se le elogia por tener "competencia pragmática". Si falla, se dice que carece de comprensión. Gvoždiak sugiere que este enfoque es engañoso. Asume que, debido a que la máquina produce un texto de apariencia humana, debe estar operando bajo principios humanos. Pero estas máquinas no son humanas; son motores estadísticos entrenados en vastas cantidades de texto de internet. No les importa la verdad o la cooperación social de la manera en que les importa a las personas; les importa la probabilidad. Están diseñadas para adivinar qué palabra es más probable que siga, no para comunicar una realidad compartida.

El artículo propone que dejemos de intentar encajar estas máquinas en categorías humanas y, en su lugar, observemos la forma única en que interactúan con nosotros. Gvoždiak sugiere un nuevo marco llamado Comunicación Humano-Máquina. Este enfoque reconoce que cuando una persona habla con un chatbot, no está hablando simplemente con una herramienta, ni está hablando con una persona. Se encuentran en un espacio híbrido donde ambas partes moldean la conversación de formas que nunca antes habían existido. La máquina no es un receptor pasivo de comandos, y el humano no es solo un usuario. Son co-conspiradores en un nuevo tipo de diálogo. El autor señala que gran parte de la investigación actual sufre de un problema que él llama "sustitucionalismo". Esto sucede cuando los científicos toman los resultados de un modelo específico, o de un idioma específico como el inglés, y asumen que se aplican a toda la inteligencia artificial y a todos los lenguajes humanos. De manera aún más sutil, los investigadores suelen sustituir al participante humano en una conversación por una máquina, asumiendo que la máquina puede ocupar el lugar de una persona. Esto los ciega ante cómo los humanos realmente cambian su propio comportamiento cuando hablan con una máquina. Las personas están empezando a hablar de forma distinta, utilizando frases y estructuras que imitan a la IA, creando un bucle de retroalimentación donde la máquina influye en el humano tanto como el humano influye en la máquina.

Uno de los hallazgos más sorprendentes del artículo es el concepto de "frustración de contexto". En la conversación humana, el contexto es el conocimiento de fondo compartido que nos permite entendernos. Si digo "Hace frío aquí", tú sabes que podría estar pidiéndote que cierres la ventana. Con una máquina, este trasfondo compartido falta. La máquina no tiene historia personal, no tiene un cuerpo físico ni experiencias en el mundo real. Para que la máquina entienda, los humanos se ven obligados a realizar un trabajo extra. Tienen que escribir instrucciones (prompts) largas y detalladas, especificando exactamente quién debe pretender ser la máquina, cuál es el entorno y cuál es el objetivo de la conversación. Este es un fenómeno conocido como ingeniería de prompts. La ironía es que, mientras la tecnología mejora en el procesamiento de cada vez más información —recordando conversaciones más largas y leyendo documentos más extensos—, el usuario humano se siente más frustrado. La capacidad de la máquina para manejar vastas cantidades de datos no ha resuelto el problema del entendimiento compartido; ha hecho que la brecha entre el contexto humano y el de la máquina se sienta más amplia. El usuario intenta constantemente construir un puente de contexto para la máquina, solo para descubrir que la comprensión de la máquina sigue siendo fundamentalmente distinta de la suya.

El artículo concluye que debemos dejar de preguntar si las máquinas pueden ser humanas y empezar a preguntar cómo son diferentes. Las viejas teorías del lenguaje, que fueron construidas para la interacción humano-humano, no son suficientes para explicar lo que está sucediendo ahora. Necesitamos nuevas formas de pensar que reconozcan la naturaleza única de la máquina. En lugar de juzgar a una máquina por si puede pasar un examen diseñado para una persona, deberíamos estudiar las conversaciones híbridas únicas que ocurren entre personas y máquinas. Estas interacciones están creando nuevas formas de significado, nuevas reglas sociales y nuevos desafíos. El autor sugiere que el futuro del estudio del lenguaje reside en comprender esta asociación, donde humanos y máquinas se ajustan constantemente el uno al otro, creando un espacio compartido que no es plenamente humano ni plenamente mecánico, sino algo enteramente nuevo. El objetivo no es hacer que la máquina sea más como nosotros, sino entender cómo estamos cambiando nosotros en su presencia.

Resumen Técnico: La pragmática más allá de los humanos: significado, comunicación y LLMs

Planteamiento del problema
El artículo aborda las insuficiencias teóricas y metodológicas de la pragmática tradicional al aplicarse a los Modelos de Lenguaje de Gran Escala (LLMs). La pragmática convencional se conceptualiza a menudo como una dimensión subordinada del significado dentro de una tricotomía semiótica jerárquica (sintaxis $\rightarrow$ semántica $\rightarrow$ pragmática), fundamentada en supuestos específicos de los humanos, tales como los principios cooperativos de Grice, la evaluación de la verdad y la intencionalidad biológica. El autor sostiene que este marco no logra dar cuenta de la naturaleza conexionista y probabilística de los LLMs. Específicamente, la investigación actual sufre de:

Sesgo antropomórfico: Aplicar teorías centradas en el humano (p. ej., la teoría de los actos de habla basada en la verdad y la intención) a sistemas que operan mediante probabilidades de ocurrencia de palabras en lugar de condiciones de verdad.
Sustitucionismo: La sustitución acrítica de modelos específicos por "LLMs" en general, de lenguajes específicos por "lenguaje" en general, y de sujetos humanos por LLMs en diseños experimentales, lo que oscurece la naturaleza híbrida de la interacción humano-máquina.
Paradoja contextual: La tensión entre la expansión masiva del contexto técnico (ventanas de contexto más grandes, datos de entrenamiento) y el colapso simultáneo del contexto humano compartido, lo que conduce a un estado que el autor denomina "frustración contextual".

Metodología
El artículo emplea un análisis conceptual y metodológico en lugar de experimentación empírica. Procede a través de cuatro secciones interconectadas:

Reencuadre teórico: Critica la tricotomía semiótica tradicional (Morris/Carnap/Kaplan) y propone el marco de Comunicación Humano-Máquina (HMC) (Guzman & Lewis) como una alternativa superior. Este marco analiza la comunicación a través de dimensiones funcionales, relacionales y metafísicas, en lugar de niveles semióticos discretos.
Alineación teórica: Contrasta las teorías pragmáticas centradas en el humano (Griceanas) con la Pragmática Probabilística, específicamente el marco de los Actos de Habla Racionales (RSA). El autor argumenta que el RSA, que modela la comunicación como un proceso recursivo de optimización de la utilidad basado en distribuciones de probabilidad, se alinea mejor con la teleología de los LLMs (optimización de la predicción de la siguiente palabra) que los modelos de evaluación de la verdad.
Análisis crítico de las prácticas de investigación: Identifica y categoriza tres formas de sustitucionismo en la literatura actual:
- Generalización: Tratar las salidas de modelos específicos como representativas de toda la IA.
- Lingüística: Extrapolar hallazgos centrados en el inglés a todos los idiomas.
- Comunicativa: Reemplazar a interlocutores humanos por LLMs en diseños experimentales, ignorando cómo el comportamiento humano se adapta a la IA.
Síntesis conceptual: Introduce el concepto de "frustración contextual" para describir la paradoja donde el aumento del contexto técnico (tokens, datos) no logra resolver la inconmensurabilidad fundamental entre los presupuestos humanos y de las máquinas, lo que conduce a un colapso del contexto compartido y a una demanda de que los usuarios co-construyan las condiciones pragmáticas.

Contribuciones clave

Reconceptualización de la pragmática: El artículo sostiene que la pragmática no debe verse como un "cesto de basura" jerárquico del significado, sino como una interfaz dinámica donde el lenguaje opera como una herramienta de acción socialmente inserta. Postula que los límites entre sintaxis, semántica y pragmática se desdibujan en las arquitecturas conexionistas.
Adopción del marco HMC: Aboga por pasar de una visión centrada en el humano a una perspectiva de HMC que reconozca a las máquinas como entidades comunicativas activas, analizando las implicaciones funcionales, relacionales y metafísicas de este cambio.
Propuesta de Pragmática Probabilística: Sugiere que el marco de los Actos de Habla Racionales (RSA) ofrece un enfoque metodológicamente más sólido para los LLMs porque se centra en la optimización y la probabilidad en lugar de las condiciones de verdad y la racionalidad humana.
Identificación del Sustitucionismo: El artículo define formalmente el "sustitucionismo" como un error metodológico en la investigación de LLMs que crea asimetrías al sustituir modelos, lenguajes o roles humanos específicos, distorsionando así la evaluación tanto de las capacidades de la máquina como de los cambios en el comportamiento humano.
Definición de "Frustración Contextual": Introduce un nuevo término para describir la disonancia experiencial y estructural en las interacciones humano-LLM, caracterizada por el fracaso de la contextualización técnica masiva para lograr un alineamiento contextual genuino, forzando a los usuarios a un ciclo de co-construcción de condiciones pragmáticas.

Resultados y hallazgos
Como artículo teórico, no presenta datos experimentales, sino que deriva varios hallazgos críticos:

Desestabilización de la jerarquía semiótica: La naturaleza conexionista de los LLMs desestabiliza la visión tradicional de que la sintaxis es la base, la semántica el medio y la pragmática la cúspide. Los efectos pragmáticos en los LLMs se manifiestan en todos los niveles de la creación de significado como procesos continuos y graduados, en lugar de inferencias post-proposicionales discretas.
Inadecuación de los modelos Griceanos: Los enfoques Griceanos tradicionales, que dependen del supuesto de racionalidad cooperativa y búsqueda de la verdad, introducen un sesgo metodológico cuando se aplican a los LLMs, los cuales están diseñados para maximizar las probabilidades distribucionales.
Adaptación del comportamiento humano: La investigación actual a menudo ignora cómo cambia el comportamiento comunicativo humano en las interacciones híbridas. La evidencia sugiere que los humanos están comenzando a imitar patrones lingüísticos de los LLMs (p. ej., en el lenguaje hablado) y a realizar "ingeniería de prompts", adaptando sus propias estrategias comunicativas a las prestaciones del modelo en lugar de viceversa.
Equilibrio inalcanzable: A diferencia de la comunicación humano-humano donde los contextos tienden a converger hacia el equilibrio, las interacciones humano-LLM permanecen contextualmente inestables y defectuosas porque los conjuntos de presuposiciones y mundos posibles disponibles para los LLM son inconmensurables con los de los humanos.

Significancia
El artículo afirma que la teoría pragmática requiere un ajuste o expansión significativa para dar cuenta de la comunicación que involucra a la IA generativa. Su importancia radica en:

Corrección metodológica: Proporciona un marco para ir más allá del "sesgo antropomórfico" que domina actualmente la evaluación de los LLM, sugiriendo que los investigadores deben dejar de tratar a los LLM como humanos fallidos y empezar a analizarlos como agentes comunicativos distintos.
Evolución teórica: Desafía la definición de la pragmática como un "cesto de basura", proponiendo en su lugar que la pragmática es una interfaz dinámica esencial para comprender la operación del lenguaje como una herramienta para la acción en un ecosistema mixto humano-máquina.
Abordar la paradoja del contexto: Al introducir la "frustración contextual", el artículo destaca una limitación estructural crítica en la interacción actual humano-IA que no puede resolverse simplemente aumentando el tamaño del modelo o la ventana de contexto, señalando la necesidad de nuevas herramientas teóricas para comprender la co-construcción de significado en entornos híbridos.

El artículo concluye que la entrada de los LLM en las prácticas comunicativas requiere un cambio de ver la comunicación como un proceso exclusivamente humano a reconocerla como una performance híbrida que involucra a las máquinas, requiriendo una reevaluación de los roles, los contextos y las teorías que definen la indagación pragmática.

Más como este