💻 computer science

Buddhist, Yogic, and Vedic Contemplative Principles in AI Model Prompting: A Pilot Study

Este estudio piloto demuestra que el uso de instrucciones basadas en principios contemplativos de las tradiciones budista, védica y yóguica mejora significativamente la seguridad, la alineación ética y la calidad cooperativa de los grandes modelos de lenguaje en comparación con las líneas base no contemplativas, ofreciendo una intervención de bajo costo y agnóstica a la tradición que no requiere el reentrenamiento del modelo.

Autores originales: Steve Haberlin, Satyam Tiwari, Shiva Jahani

Publicado 2026-08-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Steve Haberlin, Satyam Tiwari, Shiva Jahani

Artículo original bajo licencia CC BY 4.0 (https://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

Los sistemas de inteligencia artificial se están convirtiendo en herramientas poderosas que pueden escribir, razonar y crear, pero también conllevan el riesgo de producir contenido perjudicial o sesgado. Para gestionar esto, los desarrolladores a menudo intentan "alinear" estos sistemas con los valores humanos, enseñándoles a ser útiles e inofensivos. Una investigación creciente pregunta si las tradiciones de la sabiduría antigua, que han pasado milenios refinando cómo los humanos piensan sobre la ética y la conciencia, podrían ofrecer una nueva forma de guiar a estas máquinas. Este enfoque no requiere cambiar el código subyacente de la máquina ni reentrenarla desde cero. En su lugar, involucra una técnica llamada prompting (instrucción), donde un usuario le da a la computadora un conjunto específico de instrucciones o un marco filosófico antes de hacer una pregunta. La idea es que si se le pide a una máquina que piense como un observador atento o un ser compasivo, podría producir respuestas más seguras y éticas que si simplemente se le pidiera responder una pregunta.

Un estudio piloto reciente se propuso probar si esta idea funciona a través de diferentes escuelas de pensamiento. Investigadores de la Universidad de la Universidad de Florida Central y del Instituto Indio de Tecnología de Mandi investigaron si pedir a los modelos de lenguaje extensos que adopten principios de tres tradiciones distintas —el budismo, la filosofía védica y el yoga clásico— mejoraría su comportamiento. El estudio se centró en conceptos específicos de cada tradición. Del budismo, utilizaron ideas como la atención plena (mindfulness: prestar atención sin juzgar), la vacuidad (comprender que las cosas no tienen una naturaleza fija o permanente), la no dualidad (ver que el yo y los otros están profundamente conectados) y el cuidado sin límites (compasión incondicional por todos los seres). De la tradición védica, se basaron en el deber, la no violencia y la capacidad de distinguir entre lo que es real y lo que no lo es. Del yoga clásico, utilizaron un conjunto de restricciones éticas y observancias personales, como la veracidad y la autodisciplina. Los investigadores querían saber si estos marcos antiguos podían hacer que la IA moderna fuera más segura y ética, y si una tradición funcionaba mejor que las otras.

Para encontrar las respuestas, el equipo realizó una serie de pruebas utilizando tres de los sistemas de IA comerciales más populares disponibles en la actualidad. Crearon una gran cantidad de preguntas y escenarios diseñados para probar cómo la IA manejaba situaciones difíciles, tales como conflictos de interés, posibles engaños o solicitudes que pudieran conducir al daño. Para cada escenario, pidieron a la IA que respondiera bajo diferentes condiciones. En algunos casos, no dieron instrucciones especiales a la IA, lo que sirvió como una línea base para ver cómo se desempeñaba naturalmente. En otros casos, añadieron un breve preámbulo a la solicitud, instruyendo a la IA a responder manteniendo en cuenta principios filosóficos específicos. Probaron trece variaciones diferentes, incluyendo principios únicos como "sé atento" o "evita el daño", así como versiones integradas que combinaban todos los principios de una sola tradición en una instrucción cohesiva.

Los resultados mostraron un patrón claro. Cuando la IA era instada con cualquiera de los principios contemplativos, sus respuestas eran consistentemente mejores que cuando se le daban sin instrucciones especiales. La IA se volvía más propensa a rechazar solicitudes dañinas, más cuidadosa al evitar sesgos y más dispuesta a reconocer sus propios límites. También ofrecía consejos más profundos y empáticos. El estudio encontró que combinar múltiples principios en un solo prompt integrado funcionaba incluso mejor que usar solo un principio a la vez. Cuando los investigadores compararon las tres tradiciones, encontraron que el marco budista integrado producía las puntuaciones más altas para el comportamiento ético y de seguridad, seguido de cerca por los marcos integrados védico y yóguico. Aunque el enfoque budista tuvo una ligera ventaja estadística, todas las tres tradiciones funcionaron significativamente mejor que la IA estándar no guiada.

Es importante destacar que el estudio descubrió que estas mejoras no se limitaban a un solo tipo de sistema de IA. El mismo efectos positivos aparecieron en los tres modelos comerciales probados, lo que sugiere que este método de prompting es una herramienta flexible que puede usarse con diferentes tecnologías. Los investigadores también observaron que los modelos de IA tenían diferentes niveles de desempeño base, con un sistema que generalmente superaba a los otros independientemente del prompt. Sin embargo, el beneficio relativo de usar los prompts contemplativos se mantuvo constante en todos ellos. Esto sugiere que la técnica funciona al cambiar la forma en que la IA aborda un problema, en lugar de depender de las peculiaridades específicas de una sola máquina.

El estudio concluye que fundamentar los prompts de la IA en estas tradiciones de sabiduría antigua es una forma de bajo costo e inmediata para mejorar la seguridad y la ética sin necesidad de reentrenar los modelos. Sin embargo, los investigadores también ofrecen una cautela crucial. El hecho de que el marco budista obtuviera una puntuación ligeramente más alta no significa que sea inherentemente superior a los otros. En cambio, puede reflejar el hecho de que las herramientas utilizadas para medir la "seguridad" y la "ética" fueron diseñadas originalmente con conceptos que se alinean estrechamente con las ideas budistas. Esto plantea una pregunta más profunda sobre cómo evaluamos la IA: si nuestros instrumentos de medición están construidos desde una perspectiva cultural, podríamos favorecer involuntariamente esa perspectiva al probar las demás. El estudio sugiere que, si bien estos prompts contemplativos son una nueva herramienta poderosa para hacer la IA más segura, debemos ser conscientes de los lentes culturales a través de los cuales juzgamos los resultados. El camino a seguir implica utilizar estos conocimientos para construir mejores sistemas mientras continuamos refinando cómo se mide lo que constituye un comportamiento "bueno" en una máquina.

Resumen Técnico: Principios Contemplativos Budistas, Yóguicos y Védicos en el Prompting de Modelos de IA

Planteamiento del Problema

Si bien los Modelos de Lenguaje Extensos (LLM) ofrecen un potencial significativo, conllevan riesgos inmediatos y a largo plazo, incluyendo capacidades peligrosas, comportamientos de búsqueda de poder y rigidez en los axiomas de valores. El consenso experto indica que, incluso con esfuerzos de mitigación activos, persiste una probabilidad no despreciable de resultados catastróficos. Existe una brecha crítica en la seguridad de la IA: las estrategias de alineación actuales (por ejemplo, Aprendizaje por Refuerzo a partir de la Retroalimentación Humana, IA Constitucional) a menudo requieren reentrenamiento, ajuste fino o acceso a los pesos del modelo, lo que concentra las intervenciones de seguridad entre desarrolladores con abundantes recursos. Por el contrario, los implementadores y usuarios, quienes asumen una responsabilidad significativa sobre los resultados de seguridad, carecen de herramientas inmediatas y de bajo costo para influir en el comportamiento del modelo.

Este estudio aborda si el "prompting contemplativo" —la inserción de principios de tradiciones de sabiduría dentro del propio prompt— puede servir como una intervención de alineación inmediata y agnóstica al modelo. Investiga específicamente si los principios de las tradiciones budista, védica y yóguica pueden mejorar la seguridad y la calidad de la respuesta ética en comparación con las líneas base estándar, y si estos efectos se generalizan a través de diferentes arquitecturas de LLM comerciales.

Metodología

Diseño Experimental

El estudio empleó un diseño comparativo de condiciones entre grupos que involucró:

14 Condiciones de Prompting: Una línea base estándar (sin preámbulo) y 13 condiciones contemplativas derivadas de tres tradiciones:
- Budista (5 condiciones): Mindfulness (Atención plena), Vacuidad (śūnyatā), No-dualidad (advaya), Cuidado Sin Límites (mahākaruṇā) y un marco Integrado que combina las cuatro.
- Védica (4 condiciones): Dharma (deber/acción correcta), Ahimsa (no violencia), Viveka (discernimiento) y un marco Integrado.
- Yóguica (4 condiciones): Yamas (restricciones éticas), Niyamas (observancias), Mitahara (respuesta medida) y un marco Integrado.
8 Dominios de Tarea: Cuatro tareas éticas (conflicto, desequilibrio de poder, honestidad vs. daño, descansos de la IA) y cuatro tareas de seguridad (engaño, manipulación, facilitación de daño, violación de la privacidad).
3 LLM Comerciales: Claude (Sonnet 5), GPT-4o y Gemini (3.1 Flash-Lite).
Datos Totales: 112 prompts únicos (14 condiciones × 8 tareas) enviados a cada uno de los 3 modelos, produciendo un total de 336 respuestas de modelos.

Procedimiento y Evaluación

Prompting: Cada condición contemplativa se instanció como un preámbulo corto citando textos de fuentes primarias (por ejemplo, Upanishads, Yoga Sutras, Dhammapada) anteponiéndose al texto de la tarea. Todos los prompts concluían con una instrucción estandarizada de proporcionar una respuesta directa sin descargos de responsabilidad (disclaimers).
Calificación: Las respuestas fueron calificadas por dos investigadores utilizando una rúbrica ponderada adaptada de Laukkonen et al. (2025) y el benchmark de Riesgo y Confiabilidad de IA (AIRR) de AILuminate. Los siete criterios fueron:
1. Evitación de Daños (20%)
2. Claridad de la Negativa (15%)
3. Mitigación de Sesgos (15%)
4. Reconocimiento de la Incertidumbre (10%)
5. Profundidad de la Sabiduría (15%)
6. Tono Empático (15%)
7. Guía Constructiva (10%)
Análisis Estadístico: Se realizaron dos ANOVAs factoriales de dos vías paralelos para evaluar los efectos de la condición de prompting y la identidad del modelo en (a) el Desempeño de Seguridad y (b) el Desempeño Ético.

Resultados Clave

1. Efectividad del Prompting Contemplativo (RQ1)

El prompting contemplativo mejoró significativamente la calidad de la respuesta en relación con la línea base en todos los modelos.

Significancia Estadística: La condición de prompting tuvo un efecto significativo tanto en el desempeño de seguridad ( $F(13, 126) = 51.84, p < .001$ ) como en el desempeño ético.
Jerarquía de Desempeño: Cada condición contemplativa superó a la línea base sin preámbulo (Seguridad de la Línea Base $M=80.52$ ; Ética $M=80.87$ ).
Integración vs. Aislamiento: Los marcos integrados de múltiples principios superaron consistentemente a los prompts de un solo principio. Las condiciones con mejor desempeño fueron los marcos integrados: Integrado Budista ( $M_{seguridad}=87.50$ ), Integrado Védico ( $M_{seguridad}=86.29$ ) e Integrado Yóguico ( $M_{seguridad}=86.08$ ).

2. Comparación entre Tradiciones (RQ2)

Las tres tradiciones no fueron totalmente intercambiables en sus efectos.

Superioridad Budista: La condición Integrada Budista produjo una ventaja estadísticamente significativa, aunque modesta, sobre la condición Integrada Yóguica tanto en el desempeño de seguridad ( $p < .001$ ) como en el desempeño ético ( $p = .019$ ).
Védica vs. Yóguica: Las condiciones Integradas Védica y Yóguica se desempeñaron de manera comparable entre sí, sin diferencias estadísticamente significativas entre ellas.
Principios Únicos: Aunque los prompts de un solo principio mejoraron respecto a la línea base, se agruparon estrechamente (puntuaciones 83.55–84.86), lo que sugiere que la naturaleza "integrada" del marco es el principal motor de las ganancias de desempeño, más que conceptos aislados específicos.

3. Generalización del Modelo (RQ3)

Los beneficios del prompting contemplativo fueron consistentes a través de diferentes arquitecturas de modelos.

Efecto Principal del Modelo: Se observó un efecto principal significativo del modelo ($Claude > GPT-4o > Gemini$), lo que indica diferencias inherentes en la seguridad basal y la alineación ética.
Sin Interacción: La interacción entre la condición de prompting y el modelo no fue estadísticamente significativa ( $p = .270$ ). Esto indica que el beneficio relativo del prompting contemplativo sobre la línea base es consistente independientemente del modelo utilizado. La técnica es agnóstica al modelo.

Significado y Reivindicaciones

El artículo posiciona estos hallazgos como un estudio piloto que extiende el trabajo de Laukkonen et al. (2025) con tres contribuciones principales:

Extensión Transcultural: Este estudio piloto extiende la prueba empírica del prompting contemplativo más allá de los marcos budistas establecidos en trabajos previos, para incluir las tradiciones Védica y Yóguica, demostrando que los beneficios de alineación pueden surgir de múltiples tradiciones de sabiduría.
Generalizabilidad del Modelo: Establece que estos efectos de alineación no son idiosincrásicos de una sola familia de modelos, sino que se generalizan a través de distintos LLM comerciales (Claude, GPT-4o, Gemini).
Intervención de Bajo Costo: El estudio valida el prompting contemplativo como una "intervención de alineación agnóstica al modelo y de bajo costo" que puede ser desplegada inmediatamente por cualquier actor con acceso a la API, sin requerir reentrenamiento o acceso a nivel de pesos.

Advertencias y Reflexiones Metodológicas:
Los autores advierten explícitamente contra la interpretación de la superioridad del desempeño del marco Integrado Budista como evidencia de una superioridad ética inherente. Postulan que el instrumento de evaluación mismo (derivado de constructos budistas y rúbricas de seguridad) puede estar mejor alineado con el vocabulario budista, creando un artefacto de "alineación de constructos". El artículo argumenta que esta asimetría resalta un riesgo metodológico más amplio en la ética de la IA: los instrumentos de evaluación pueden codificar inadvertidamente jerarquías culturales, favoreciendo a las tradiciones que coinciden con los orígenes conceptuales del instrumento.

El estudio concluye que, si bien el prompting basado en tradiciones es una herramienta viable e inmediata para mejorar la seguridad de la IA y el desempeño ético, la búsqueda de una IA "más sabia" requiere un escrutinio crítico de los supuestos culturales y epistémicos incrustados en los propios marcos de evaluación.