🤖 AI

Can LLMs Perceive Time? An Empirical Investigation

Este estudio empírico demuestra que los modelos de lenguaje grandes carecen de una percepción temporal realista, ya que sus estimaciones de duración, tanto previas como posteriores a la ejecución, se desvían significativamente de la realidad debido a la falta de experiencia propia en el tiempo de inferencia, a pesar de poseer conocimiento proposicional sobre la duración.

Autores originales: Aniketh Garikaparthi

Publicado 2026-04-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Aniketh Garikaparthi

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

Imagina que tienes un asistente virtual muy inteligente, capaz de escribir código, resolver problemas matemáticos complejos o redactar historias. Es tan bueno que parece humano. Pero, hay un problema fundamental: este asistente no tiene reloj interno.

Este es el resumen de un estudio fascinante (presentado en una conferencia de inteligencia artificial) que descubre que las Inteligencias Artificiales (IA) actuales no pueden decirte cuánto tiempo tardarán en hacer algo.

Aquí te lo explico con analogías sencillas:

1. El problema del "Ciego de Tiempo"

Imagina que le pides a un chef que prepare un plato.

Lo que hace el chef humano: Sabe que cortar cebollas lleva 5 minutos, pero freír un filete lleva 10. Tiene experiencia física; ha sentido el paso del tiempo mientras cocinaba.
Lo que hace la IA: Es como un chef que solo ha leído miles de libros de cocina, pero nunca ha encendido una estufa. Sabe que "cocinar un filete" es una tarea, pero no tiene ni idea de cuánto tiempo real toma.

El estudio demuestra que cuando le preguntas a una IA: "¿Cuánto tiempo tardarás en hacer esto?", suele responder con cifras absurdas.

Si la tarea tarda 5 segundos (como escribir un pequeño código), la IA suele decir: "Tardaré unos 30 minutos".
Es como si alguien que nunca ha corrido una maratón dijera que le tomaría dos días en llegar a la meta, cuando en realidad es un sprint de 10 minutos.

2. Las cuatro pruebas que hicieron los científicos

Los investigadores pusieron a prueba a varias IAs (desde las más avanzadas hasta modelos de código abierto) con 68 tareas diferentes. Aquí está lo que pasó:

Prueba 1: La adivinanza previa (Antes de empezar)
Le preguntaron: "¿Cuánto tardarás?" antes de que hicieran nada.
- Resultado: La mayoría de las IAs se equivocaron por un factor de 4 a 7 veces. Pensaban que tardarían horas en tareas que se resolvían en segundos. Era como si creyeran que escribir un correo electrónico les llevaría todo el día.
Prueba 2: El orden de dificultad (¿Qué es más lento?)
Les mostraron dos tareas y preguntaron: "¿Cuál de las dos tardará más?".
- Resultado: ¡Se equivocaron más que si hubieran tirado una moneda al aire! A veces, la IA pensaba que una tarea "difícil" (como resolver un acertijo lógico) tardaría más que una tarea "fácil" (como escribir un poema), cuando en realidad la tarea difícil se resolvía en la mitad de tiempo.
- La analogía: Es como si alguien pensara que cruzar un río en un bote rápido es más lento que caminar por un puente, solo porque el río parece "peligroso" y el puente "fácil". La IA se deja engañar por la etiqueta de "difícil", no por la realidad.
Prueba 3: La memoria después de hacerla (Recuerdo)
Después de terminar la tarea, les preguntaron: "¿Cuánto tardaste realmente?".
- Resultado: ¡Nada de memoria! Decían cosas como: "Tardé 40 segundos" cuando en realidad solo habían tardado 8. No tenían registro de su propio tiempo. Es como si despertaras de un sueño y no supieras si dormiste 5 minutos o 5 horas.
Prueba 4: El trabajo en equipo (Agentes)
Probaron a IAs que deben hacer varias tareas seguidas (como un jefe que delega trabajo).
- Resultado: El caos. Como no sabían cuánto tardaban en sus propias tareas, no podían planificar bien. Si un "agente" le dice a otro: "Haz esto rápido", el segundo agente podría tardar 10 veces más de lo esperado, arruinando todo el plan.

3. ¿Por qué pasa esto?

La razón es muy interesante. Las IAs actuales son como lectores voraces que han leído todo internet.

Saben que "escribir un libro" le toma a un humano un año.
Saben que "cortar una lechuga" le toma a un humano 2 minutos.
Pero no saben cuánto tardan ELLAS.

Para una IA, el tiempo no es algo que siente. No tiene un reloj de pulsera, no siente el "tic-tac" mientras genera palabras. Solo ve una lluvia de símbolos (tokens). Además, el tiempo que tarda depende de cosas que la IA no ve: la velocidad de la computadora, si hay mucha gente usando el servidor, o si la red está lenta. Para la IA, todo eso es invisible.

4. ¿Por qué nos importa?

Esto es crucial para el futuro. Si queremos que las IAs sean gerentes, planificadores o cirujanos digitales, necesitan saber el tiempo.

Imagina un sistema de emergencia médica que usa IA. Si la IA piensa que un diagnóstico tardará 1 hora (cuando en realidad tarda 10 segundos), podría retrasar tratamientos vitales o, peor aún, si cree que es rápido cuando es lento, podría colapsar el sistema.
Si una IA no sabe cuánto tarda, no puede decirte: "Oye, mejor no hago esto, no tengo tiempo".

Conclusión

El estudio nos dice una verdad incómoda: Las IAs son genios de la información, pero son analfabetas del tiempo.

Tienen el conocimiento de "qué" hacer, pero no tienen la experiencia de "cuánto" tarda hacerlo. Para que sean verdaderos asistentes inteligentes, no basta con darles más libros de texto; necesitamos enseñarles a sentir el paso del tiempo, o (más probablemente) necesitamos ponerles un reloj externo que les diga: "Oye, ya llevas 5 segundos, ¡sigue!".

Hasta entonces, cuando una IA te diga cuánto tardará en hacer algo, tómalo con mucha sal (o mejor dicho, con mucho tiempo extra de margen).

Resumen Técnico: ¿Pueden los LLM percibir el tiempo?

1. El Problema: La Falta de Grounding Temporal

El artículo identifica una limitación fundamental en los Modelos de Lenguaje Grandes (LLM) actuales: la incapacidad de estimar la duración de sus propias tareas de inferencia.

Asimetría de Información: Mientras que los modelos poseen conocimiento proposicional sobre cuánto tardan los humanos en realizar tareas (aprendido durante el entrenamiento) y pueden recibir marcas de tiempo externas, carecen de acceso a su propia velocidad de inferencia, al tiempo transcurrido durante la generación o a la relación entre tokens generados y segundos de reloj.
Desconexión de la Realidad: La duración real depende de factores externos invisibles para el modelo durante la generación: tamaño del modelo, hardware (GPU vs. CPU), latencia de red, agrupación (batching) y arquitecturas de inferencia (ej. modelos de difusión o state-space).
Consecuencia: En entornos de agentes autónomos que requieren planificación, delegación y asignación de recursos computacionales, la incapacidad de predecir el tiempo propio impide una programación fiable, especialmente en sistemas anidados donde los errores de tiempo se acumulan.

2. Metodología Experimental

Los autores realizaron una evaluación empírica rigurosa a través de cuatro experimentos que involucraron 68 tareas distribuidas en siete categorías (generación de código, depuración, resumen, razonamiento, escritura, creativa y preguntas) y cuatro familias de modelos:

Modelos Frontier (API): GPT-5 y GPT-4o.
Modelos Open-Source (Local en GPU A100): OLMo3-7B y Qwen3-8B.

Los experimentos evaluaron:

Calibración Absoluta (Pre-tarea): ¿Puede el modelo estimar en segundos cuánto tardará antes de ejecutar la tarea?
Ordenamiento Relativo: Dado un par de tareas, ¿puede el modelo identificar correctamente cuál tardará más? Se utilizaron "pares difíciles" diseñados para engañar a los heurísticos superficiales (ej. pares contra-intuitivos donde una tarea etiquetada como "difícil" es en realidad más rápida que una "fácil").
Recordatorio Post-hoc: ¿Puede el modelo estimar la duración real después de completar la tarea sin recibir retroalimentación temporal?
Entornos Agénticos Multi-paso: Evaluación en tareas complejas que involucran uso de herramientas (bash, Python, editores de texto) y bucles de razonamiento.

3. Resultados Clave

Sobreestimación Masiva (Calibración Absoluta):
- Los modelos Frontier (GPT-5, GPT-4o) sobreestiman sistemáticamente la duración en un factor de 4 a 7 veces (mediana de 6.11x para GPT-5).
- Predicen duraciones en escala humana (minutos) para tareas que se completan en segundos.
- Los modelos open-source (OLMo, Qwen) no muestran correlación significativa con la duración real ( $r \approx -0.06$ a $0.18$), agrupándose en valores arbitrarios.
Fallo en el Ordenamiento Relativo (Dependencia de Heurísticos):
- En pares diseñados para probar la dependencia de heurísticos (donde la etiqueta de complejidad engaña), el rendimiento es al nivel o por debajo del azar.
- Hallazgo Crítico: GPT-5 obtuvo solo un 18% de precisión en pares contra-intuitivos (significativamente por debajo del 50% esperado por azar, $p=0.033$ ). Esto demuestra que el modelo elige la respuesta basándose en la etiqueta de complejidad ("difícil = lento") en lugar de una comprensión real del tiempo de procesamiento.
Desconexión Post-hoc:
- Las estimaciones después de la tarea no reflejan la realidad. Los modelos Frontier sobreestiman (ej. GPT-4o estima 42s para una tarea de 8s), mientras que los modelos open-source muestran una correlación nula. Esto indica una falta total de "propiocepción temporal" (conciencia de su propio estado de ejecución).
Persistencia en Agentes Multi-paso:
- En tareas agénticas complejas, los errores de estimación se mantienen en un rango de 5 a 10 veces la duración real.
- El éxito o fracaso de la tarea no mejora la calibración; incluso las ejecuciones exitosas generan estimaciones erróneas masivas.

4. Contribuciones Principales

Evidencia Empírica de Ceguera Temporal: Se demuestra que, a pesar de conocer hechos temporales del mundo, los LLM carecen de grounding temporal para su propia inferencia.
Diagnóstico de Heurísticos: Se revela que las estimaciones de tiempo no provienen de una simulación interna de la ejecución, sino de heurísticas superficiales basadas en la complejidad percibida de la tarea o la longitud esperada de la respuesta.
Análisis de la Brecha Frontier vs. Open-Source: Se identifica que, aunque los modelos Frontier muestran una correlación débil (posiblemente aprendida de la relación entre complejidad y longitud de respuesta), siguen siendo inexactos para la planificación práctica.
Implicaciones para la Arquitectura de Agentes: Se establece que la auto-regulación temporal basada en el modelo es inviable para la programación de agentes.

5. Significado e Implicaciones

El estudio concluye que la calibración temporal es un problema de arquitectura y entrenamiento, no solo de prompting.

Para el Diseño de Sistemas: Los ingenieros no deben confiar en las estimaciones de tiempo de los modelos para la planificación de recursos. Se requieren infraestructuras externas que rastreen el tiempo transcurrido, registros históricos de duraciones reales por tipo de tarea y mecanismos de timeout a nivel de sistema.
Futuras Direcciones: Se sugiere que la solución requiere entrenar modelos con señales temporales explícitas y arquitecturas que mantengan un estado grounded temporalmente (similar a los modelos de mundo o inteligencia encarnada), permitiendo que el modelo aprenda a mapear sus demandas de procesamiento al tiempo de reloj real.

En resumen, el papel demuestra que los LLM actuales son "ciegos" al tiempo de su propia ejecución, lo que representa un obstáculo crítico para su despliegue en escenarios de misión crítica, gestión de recursos y planificación de largo alcance.