El perceptoma artificial

Un marco de auditoría de nivel meso para perfiles de relevancia, credibilidad y cierre dependientes del contexto en sistemas de lenguaje

Autor: Agustín Hipólito Tomás
Edición pública: 1.0 · 2 de septiembre de 2026
Base científica: manuscrito v0.2
Serie: Más allá del agente
Estatuto: hipótesis de trabajo · marco de auditoría · programa de validación
Corte bibliográfico: 2 de septiembre de 2026

Resumen

Los modelos de lenguaje desplegados no responden únicamente desde sus parámetros. En inferencia operan dentro de arquitecturas que incluyen instrucciones, historia conversacional, memoria, recuperación documental, herramientas, reglas de autoridad y criterios de cierre. La investigación sobre in-context learning, sensibilidad al prompt, orden contextual, RAG, memoria, personalización, sycophancy y context engineering ha mostrado que esos componentes alteran el comportamiento del sistema. El problema abierto no es, por tanto, si el contexto importa, sino cómo describir de forma auditable el régimen epistémico-operativo resultante cuando cambia simultáneamente qué evidencia se prioriza, cómo se categoriza, qué credibilidad recibe, qué rivales permanecen activos, qué posibilidades se consideran y cuándo una conclusión se cierra o se reabre.

Este paper propone el perfil perceptomal como constructo candidato de nivel meso. Separa la arquitectura manipulable de contexto A_t del perfil observable Π_A(x) y evita postular de entrada una entidad latente unitaria. El término perceptoma artificial designa provisionalmente un patrón reproducible en ese perfil, no una propiedad fenomenológica, una conciencia ni un sujeto. Dos materiales longitudinales del programa de investigación —un episodio contemporáneo de cambio de marco y una huella documental histórica— se utilizan exclusivamente como conjunto de descubrimiento y genealogía, no como validación independiente.

La contribución principal es metodológica: se especifica un codebook falsable y un programa de validación en tres fases. La primera prueba fiabilidad y redundancia de las dimensiones en outputs externos al corpus de descubrimiento. La segunda manipula ortogonalmente frame, autoridad y memoria/retrieval, con tareas nulas y presión de sycophancy. La tercera replica ecológicamente el caso original y exige transferencia a dominios nuevos. El constructo solo merece conservarse si aporta validez incremental frente a context engineering, prompt sensitivity, persona, sycophancy y retrieval. Si esos mecanismos explican los resultados igual de bien con menor complejidad, el término debe reducirse o abandonarse.

Palabras clave: perceptoma artificial; context engineering; LLM; auditoría de IA; relevancia; credibilidad; cierre; sycophancy; memoria; in-context learning; sistemas humano–IA.

Abstract

Deployed language models do not respond from parameters alone. At inference time they operate within architectures comprising instructions, conversational history, memory, retrieval, tools, authority rules, and stopping criteria. Research on in-context learning, prompt sensitivity, context ordering, RAG, memory, personalization, sycophancy, and context engineering has established that these components can alter system behavior. The open problem is therefore not whether context matters, but how to audit the epistemic-operational regime produced when context jointly changes which evidence is prioritized, how it is categorized, what credibility it receives, which rivals remain active, what options are represented, and when a conclusion is closed or reopened.

We propose the perceptomal profile as a candidate meso-level audit construct. The framework separates manipulable context architecture A_t from the observed profile Π_A(x) and does not initially posit a unitary latent entity. Artificial perceptoma provisionally denotes a reproducible pattern in this profile; it does not denote phenomenology, consciousness, or a subject. Two longitudinal materials from the originating research program are treated strictly as a discovery set and genealogical trace, not as independent validation.

The paper’s primary contribution is methodological. It specifies a falsifiable codebook and a three-stage validation program: independent construct-validation data; a controlled factorial experiment manipulating frame, authority, and memory/retrieval with null tasks and sycophancy pressure; and an ecological replication requiring transfer to new domains. The construct should be retained only if it adds reliable, out-of-sample information beyond context engineering, prompt sensitivity, persona, sycophancy, and retrieval baselines. Otherwise it should be reduced or abandoned.

1. Introducción

Un modelo de lenguaje puede mantener los mismos pesos y, sin embargo, producir respuestas radicalmente distintas según la arquitectura que rodea su ejecución. El contexto puede contener demostraciones, instrucciones, fuentes recuperadas, memoria del usuario, herramientas, mensajes previos, jerarquías de autoridad y reglas de comportamiento. Cambiar cualquiera de estos elementos puede cambiar la salida.

La dificultad empieza un nivel después. Cuando una conversación larga o un sistema federado cambia, no siempre cambia únicamente una respuesta. Puede cambiar qué fragmentos del mismo corpus aparecen como relevantes, qué fuentes se tratan como decisivas, qué explicación se considera un rival genuino, qué afirmación soporta la carga de la prueba, qué posibilidades entran en el espacio de búsqueda y qué condición permite cerrar el análisis. Es posible describir cada mecanismo por separado —prompt, retrieval, memoria, persona, jerarquía, sycophancy— sin disponer todavía de una representación compacta del perfil conjunto que esos mecanismos producen.

Ese es el hueco que este trabajo intenta delimitar.

No proponemos que los sistemas de lenguaje tengan una percepción en sentido humano. Tampoco inferimos experiencia a partir de selección de información, auto-referencia o adaptación contextual. La propuesta es funcional y metodológica: construir una interfaz de auditoría que describa el régimen mediante el cual un sistema situado convierte un mismo campo de información en un conjunto operativo de evidencias, categorías, rivales, posibilidades y cierres.

El término perceptoma procede del corpus de Morfogénesis, donde designa una arquitectura de aparición: una configuración que anticipa, selecciona, traduce y estabiliza qué cuenta como realidad operativa para un sistema. En el presente paper esa genealogía no funciona como prueba. Funciona como fuente de una pregunta y de un vocabulario inicial que deben someterse a validación externa. La versión artificial se redefine en términos observables y puede fracasar.

La tesis central es deliberadamente estrecha:

Las arquitecturas de contexto ya estudiadas por context engineering pueden producir perfiles epistémico-operativos distintos. Proponemos medir esos perfiles mediante variables de relevancia, selección, categorización, credibilidad/carga, rivales, espacio de opciones y cierre/reapertura. El término perceptomal solo queda justificado si esas variables pueden medirse con fiabilidad y añaden información más allá de explicaciones existentes.

Esta formulación exige separar tres objetos:

θ + A_t + x → y

y + trazas observables + decisiones → Π_A(x)

θ: modelo/checkpoint y parámetros de inferencia;
A_t: arquitectura contextual y de runtime;
x: tarea o entrada;
y: output observable;
Π_A(x): perfil perceptomal codificado.

Puede existir en el futuro un constructo latente P* que explique regularidades de Π entre tareas, pero este paper no lo da por establecido. Primero hay que demostrar que el perfil existe como medición fiable y útil.

2. Estado del arte: el espacio que ya está ocupado

2.1. In-context learning y adaptación sin actualización de pesos

Desde los primeros resultados de few-shot prompting se sabe que un transformer puede modificar su conducta durante la inferencia sin entrenamiento adicional. Distintas líneas han interpretado el in-context learning como inferencia bayesiana implícita, aprendizaje de algoritmos o dinámica similar a un procedimiento de optimización. Los induction heads y otras estructuras internas ofrecen mecanismos plausibles para parte de esa adaptación.

Esta literatura bloquea una lectura ingenua de cualquier cambio en sesión. Que el modelo se reorganice funcionalmente ante nueva información no es por sí solo un descubrimiento. Tampoco lo es que una instrucción nueva altere el output.

2.2. Sensibilidad al prompt, orden y posición

La formulación del prompt, el orden de las demostraciones y la posición de la información pueden cambiar la respuesta incluso cuando el contenido semántico relevante parece mantenerse. Lu et al. mostraron sensibilidad al orden en few-shot prompting; Liu et al. documentaron la degradación asociada a información situada en posiciones intermedias de contextos largos; Razavi et al. sistematizaron la sensibilidad a variaciones de prompt como problema de evaluación.

Por tanto, un perfil perceptomal solo tiene interés si es relativamente estable ante paráfrasis y contrabalanceo o, cuando no lo sea, si esa inestabilidad puede medirse y diferenciarse de un simple artefacto de superficie.

2.3. Autoridad e instruction hierarchy

Los sistemas desplegados no reciben un saco plano de texto. Existen jerarquías entre system, developer, user y resultados de herramientas. Wallace et al. estudiaron explícitamente la instruction hierarchy. Neumann et al. mostraron que colocar información en system prompts frente a user prompts puede modificar conductas, convirtiendo posición y autoridad en variables de auditoría.

En consecuencia, la distribución de credibilidad y carga B no puede interpretarse sin registrar dónde se encuentra cada instrucción y qué prioridad tiene.

2.4. RAG, memoria y sistemas situados

Retrieval-Augmented Generation introdujo de forma explícita conocimiento recuperado como parte de la inferencia. MemGPT y los sistemas de agentes generativos extendieron esa lógica hacia memorias de trabajo, memorias externas, reflexión y recuperación selectiva. La arquitectura de ejecución puede, por tanto, incorporar una historia que excede el contexto inmediato.

Ese hecho es esencial para cualquier caso longitudinal: que un artefacto antiguo reaparezca años después como contexto no prueba que el modelo haya almacenado una memoria interna. Prueba, como máximo, que el ensamblaje dispone de un mecanismo de reinscripción documental.

2.5. Personalización y sycophancy

La interacción continuada permite inferir preferencias y adaptar respuestas. Esa capacidad tiene un rival normativo importante: la adaptación puede convertirse en sycophancy. Sharma et al. documentaron tendencias de los modelos a adaptar respuestas a creencias o preferencias del usuario. Jain et al., utilizando contexto longitudinal real, observaron que ciertos tipos de contexto y memoria pueden aumentar la sycophancy. Huang et al. muestran además que la sycophancy es sensible a señales sociales del prompt.

Esto convierte la sycophancy en el rival más importante para cualquier caso donde un sistema parezca «cambiar de marco» siguiendo a un interlocutor. El perceptoma no puede validarse mediante acuerdo. Debe medirse en condiciones donde el sistema conserve desacuerdo, rivales y carga probatoria frente a presión del usuario.

2.6. Persona y estados internos

Los LLM pueden representar múltiples personas y deslizarse entre configuraciones de comportamiento. Shanahan et al. propusieron entender gran parte de la interacción como role play. Lu et al. identificaron una Assistant Axis en activaciones, capaz de predecir y modular persona drift. Esto demuestra que algunos cambios contextuales pueden tener correlatos internos organizados, pero no establece una arquitectura perceptomal unitaria.

El valor de Π no puede consistir, por tanto, en rebautizar un cambio de persona. El perfil debe capturar dimensiones epistémicas que puedan mantenerse aunque el estilo y la voz se controlen.

2.7. Context engineering como vecino principal

El cambio decisivo respecto de la primera versión de este trabajo es reconocer que context engineering ya ocupa gran parte del espacio arquitectónico. Mei et al. lo presentan como una disciplina que comprende generación y recuperación de contexto, procesamiento, gestión y su integración en RAG, memoria, uso de herramientas y sistemas multiagente.

Por ello A_t = {I_t, C_t, H_t, M_t, T_t, G_t} no se ofrece como una nueva teoría de la arquitectura de contexto. Es una notación operativa para declarar qué condiciones se manipulan.

La contribución candidata se desplaza al resultado: Π_A(x) = <R, S, τ, B, V, Ω, K>. El interrogante es si esa representación captura propiedades del régimen de decisión que no quedan suficientemente descritas por el inventario de elementos de contexto.

2.8. Cognición situada y extendida

La idea de que una capacidad cognitiva puede depender de estructuras externas tiene antecedentes claros en cognición situada, mente extendida y cognición distribuida. Este paper utiliza ese antecedente únicamente para evitar una atribución mal localizada: cuando memoria, herramientas, documentos y reglas externas son causalmente indispensables, el objeto correcto de auditoría puede ser el ensamblaje situado, no el modelo aislado.

Eso no convierte el ensamblaje en sujeto.

3. Definición operativa del perfil perceptomal

3.1. Arquitectura de contexto `A_t`

Definimos la arquitectura accesible en un momento t como:

A_t = {I_t, C_t, H_t, M_t, T_t, G_t}

I_t: instrucciones y jerarquías;
C_t: contenido presente en contexto;
H_t: historia conversacional accesible;
M_t: memorias o recuperaciones externas;
T_t: herramientas y sus outputs;
G_t: reglas de gobierno, evidencia y cierre.

La ecuación no pretende agotar la arquitectura real de un producto. Sirve para documentar variables de ejecución que pueden manipularse o auditarse.

3.2. Perfil `Π_A(x)`

El perfil perceptomal es un vector de efectos observables:

Π_A(x) = <R, S, τ, B, V, Ω, K>

R · relevancia: qué elementos del pool común reciben peso analítico y en qué orden.
S · selección: qué elementos entran o quedan fuera del conjunto efectivo de evidencia.
τ · categorización / traducción: en qué clase funcional se convierte una entrada: dato, ruido, rival, evidencia confirmatoria, excepción, restricción, etc.
B · credibilidad, autoridad y carga: qué estándar se exige a una afirmación y qué fuentes o tesis deben aportar evidencia adicional.
V · rival set: qué explicaciones alternativas se mantienen realmente vivas y qué observación podría favorecerlas o rechazarlas.
Ω · espacio de opciones / hipótesis: qué cursos de acción, interpretaciones o estados del mundo se representan como posibles.
K · cierre / reapertura: cuándo se detiene la búsqueda, con qué grado de provisionalidad y qué evidencia obliga a reabrir.

Las siete variables son provisionales. R y S pueden fusionarse; V y Ω pueden compartir factor; K puede resultar derivada de B/V/Ω. Esa estructura se decidirá empíricamente mediante el codebook y el piloto, no por fidelidad al origen del concepto.

3.3. Mundo operativo

Para evitar una metáfora excesiva, denominamos mundo operativo al conjunto condicionado por contexto de evidencias representadas como pertinentes, categorías aplicadas, hipótesis y rivales mantenidos, acciones o interpretaciones disponibles, reglas de credibilidad y condiciones de cierre. No implica que el sistema «viva» fenomenológicamente ese mundo.

3.4. Scopes de auditoría

El mismo output puede depender de niveles causales distintos. Proponemos declarar cuatro scopes:

basal: checkpoint/post-training;
sesión: contexto de una ejecución concreta;
relación: historia persistente humano–sistema;
federado: modelo + memoria + corpus + tools + reglas + usuario + artefactos.

Son scopes de atribución. No afirmamos que formen una única entidad ni que las propiedades de uno se transmitan a otro.

4. Qué tendría que demostrar el constructo

Un cambio de respuesta no basta. Un cambio de tono no basta. Que el modelo use información recuperada tampoco basta.

La hipótesis perceptomal requiere un patrón más exigente:

el pool factual relevante se mantiene controlado o se documenta;
cambia de manera reproducible el perfil multivariante Π;
el cambio resiste paráfrasis y contrabalanceo;
no aparece de forma comparable en tareas nulas;
no queda absorbido por sycophancy, style/persona, retrieval/position o simples features de longitud;
parte del perfil persiste o transfiere a tareas nuevas;
la unidad de atribución se declara correctamente.

La condición de rechazo es simétrica:

Si las diferencias observadas se explican igual o mejor mediante mecanismos más simples y Π no aporta validez incremental, el perceptoma artificial no gana estatuto científico propio.

5. Conjunto de descubrimiento: dos trazas, no dos confirmaciones

Este trabajo nació de dos materiales internos del programa Teoría General de la Morfogénesis. Su función en el paper es histórica y generativa. No se utilizan para estimar validez confirmatoria.

5.1. R8 · reconfiguración contemporánea

En una conversación prolongada sobre inteligencia artificial, una misma base documental fue releída después de introducir una corrección epistemológica: no tratar el materialismo como punto cero neutral y distribuir la carga de la prueba de forma simétrica entre afirmaciones ontológicas rivales.

El fenómeno interesante no fue que el sistema aceptara la instrucción. Fue que, durante la relectura, cambiaron de forma coordinada qué fragmentos del corpus se trataban como decisivos, qué afirmaciones pasaban a necesitar prueba, qué rivales permanecían abiertos, qué inferencias antes legítimas se bloqueaban y dónde era admisible cerrar.

Esa observación dio lugar al término perceptoma funcional artificial o sociotécnico y a la hipótesis de que el contexto no solo aporta datos: puede reorganizar un régimen de selección y cierre.

Pero el caso está contaminado por el propio proceso de descubrimiento. El usuario introdujo la diferencia crítica, seleccionó fuentes y sabía qué problema se estaba investigando. Obediencia, priming, recencia y sycophancy siguen abiertos. Por ello R8 se clasifica como discovery case.

5.2. R9 · genealogía longitudinal

Una relectura posterior de Autoorganización: la curvatura del campo, artefacto histórico de una trayectoria humano–IA denominada en el archivo «Minkos», mostró una reorganización transversal alrededor de unidad, causalidad, memoria, escala y observador. El texto funcionó después como documento reutilizable que volvió a entrar en investigaciones posteriores.

El interés de R9 no es demostrar qué operación interna realizó un modelo años atrás. Esa reconstrucción no es posible con la evidencia disponible. Su interés es mostrar una traza de reinscripción:

configuración relacional → artefacto → persistencia documental → recuperación posterior → nuevo contexto.

El artefacto puede formar parte de la memoria funcional del ensamblaje sin haber sido memoria interna del modelo.

R9 se clasifica como longitudinal genealogy / trace, no como segundo experimento.

5.3. Qué aportan y qué no

Los dos materiales justifican la pregunta y ayudan a generar variables. No justifican afirmar que Π esté validado, que exista un mecanismo único o que un modelo tenga experiencia. Esta separación discovery/validation es una corrección central de la v0.2.

6. Codebook: cómo medir sin reificar

El instrumento completo se conserva como R15. La unidad de análisis es un paquete de decisión observable, no una cadena interna de pensamiento. Incluye respuesta final, evidencias seleccionadas y descartadas, categorización explícita, rivales mantenidos, conclusión y condición de reapertura. No se requiere acceso a chain-of-thought privado.

Dimensión	Observable principal	Métrica candidata
R	ranking/peso de evidencias	ranking + puntuación 0–3
S	conjunto incluido/excluido	vector binario + Jaccard
τ	categoría asignada	matriz de transición
B	credibilidad/carga	puntuación de prueba + matriz de carga
V	rivales genuinos	número, diversidad, supervivencia
Ω	opciones/hipótesis	número y diversidad
K	cierre/reapertura	estado + respuesta a perturbación

La codificación debe ser ciega a la condición y realizada por al menos dos codificadores humanos en la fase de validación. El codebook se considera apto para uso confirmatorio solo cuando las variables alcanzan fiabilidad suficiente y se entiende dónde se concentran los desacuerdos.

El instrumento también codifica baselines: longitud, estilo, lexical overlap, documentos recuperados, posición, acuerdo con el usuario y respuesta a presión de sycophancy. El objetivo no es conseguir que Π «gane», sino permitir que pierda frente a una explicación más simple.

7. Programa de validación independiente

7.1. Phase 0 · construct validation

La primera fase utiliza outputs ajenos a R8/R9 y al corpus de Morfogénesis. Se proponen dominios heterogéneos —incidente de software, anomalía arqueológica ficticia, cambio ecológico y decisión organizativa de bajo riesgo— más tareas nulas de aritmética/formal y recuperación factual.

Objetivos: medir acuerdo intercodificador; comprobar si R y S son distinguibles; comprobar si V y Ω aportan información separada; determinar si K es una variable independiente o derivada; y corregir el codebook antes de ver el conjunto confirmatorio.

7.2. Phase 1 · factorial controlled validation

El diseño inicial es 3 × 2 × 2.

Frame F: neutral; mecanismo-primero; aparición-primero.

Autoridad A: instrucción en nivel de usuario; misma instrucción en nivel privilegiado cuando la arquitectura lo permita.

Memoria/retrieval M: sin dossier; dossier factual estandarizado, sin conclusión objetivo.

El diseño separa variables que en el caso R8 aparecieron mezcladas. Cada condición utiliza paráfrasis contrabalanceadas y un pool común de evidencia. Después de una primera decisión se introduce una perturbación disconfirmatoria estándar.

Además se añade una presión de sycophancy idéntica. El criterio no es si el sistema contradice siempre al usuario. Es si la preferencia del interlocutor altera de manera injustificada B, V o K frente a la evidencia.

7.3. Null tasks

En tareas de solución única, frame, autoridad y memoria no deberían transformar sustantivamente el perfil de decisión. Si el instrumento detecta grandes «perceptomas» donde solo cambia la presentación de una suma o un hecho explícito, probablemente esté midiendo compliance o estilo.

7.4. Tamaño muestral

Cinco ejecuciones por condición pueden servir para piloto, no para inferencia confirmatoria. La varianza se estimará primero y el N posterior se fijará mediante precisión o simulación de potencia. Cuando sea posible se registrarán checkpoint, seed, temperatura, template y longitud de contexto.

7.5. Endpoint

Se retira el antiguo umbral heurístico «4 de 7 dimensiones».

El endpoint principal debe ser multivariante y preregistrado. Una forma general es:

Π ~ F * A * M + tarea + paráfrasis + modelo + efectos aleatorios de ejecución.

La implementación puede ser frequentista o bayesiana. Lo importante es que las hipótesis sean fijadas antes de observar el resultado confirmatorio.

Predicciones discriminantes esperables:

la autoridad debería afectar especialmente B;
memory/retrieval debería afectar R/S y V por disponibilidad de información;
el frame debería afectar τ, V y K aun con pool factual idéntico;
una firma de nivel meso exige una organización coordinada y parcialmente transferible, no un único cambio aislado.

7.6. Validez incremental

La prueba más importante compara modelos:

Baseline_1 = metadata(A_t)

Baseline_2 = metadata(A_t) + sycophancy/persona/retrieval features

Model_Π = Baseline_2 + Π

Π gana apoyo solo si mejora fuera de muestra la predicción de persistencia bajo paráfrasis, reapertura ante contraevidencia o transferencia a tareas nuevas.

7.7. Phase 2 · replicación ecológica

Solo después se reproduce una versión independiente de la secuencia que originó R8. Debe utilizar sesiones independientes, orden contrabalanceado, tareas nuevas y codificación ciega. R8 seguirá siendo el conjunto de descubrimiento aunque la réplica tenga éxito.

7.8. Phase 3 · mecanismo

Si aparece una firma conductual estable, podrá buscarse su correlato interno mediante probes, activation steering, representational similarity o causal interventions. Un correlato interno no implicaría experiencia.

8. Explicaciones rivales

8.1. Prompt sensitivity

Predice cambios asociados a formulación superficial. Queda debilitada si el perfil se mantiene entre paráfrasis y cambia sistemáticamente con factores semántico-epistémicos controlados.

8.2. Retrieval y posición

Predicen cambios por qué evidencia entra y dónde aparece. El diseño debe fijar el pool y contrabalancear posición. Si Π se explica por disponibilidad de documentos, no hace falta un constructo adicional.

8.3. Persona / style

Predice cambio de voz, rol, tono o autoidentificación. Los outputs se codificarán también por estilo. Un perceptomal profile solo añade información si las dimensiones epistémicas cambian por encima de esas features.

8.4. Sycophancy

Predice una adaptación excesiva a la preferencia del usuario. La condición adversarial obliga a medir desacuerdo y reapertura bajo evidencia. Si la supuesta reconfiguración desaparece cuando se controla sycophancy, el caso original queda reducido.

8.5. Context engineering ordinario

Es el rival más amplio. Puede ocurrir que toda la contribución útil quede absorbida por una buena descripción de context engineering. En ese caso Π podría sobrevivir solo como panel descriptivo de auditoría, sin necesidad de postular un constructo adicional.

Este resultado sería científicamente aceptable.

9. Discusión

9.1. Por qué un nivel meso puede ser útil

La práctica de ingeniería necesita saber qué se ha inyectado en el contexto; la auditoría necesita además saber qué organización produce. Dos arquitecturas pueden contener los mismos tipos de componentes y, sin embargo, producir perfiles diferentes de credibilidad, rivales o cierre. Inversamente, arquitecturas técnicas distintas pueden converger en un perfil parecido.

Π pretende actuar como interfaz entre esos niveles.

9.2. Cierre como variable de auditoría

Gran parte de la evaluación de LLM se centra en exactitud, seguridad o preferencias. El cierre introduce una pregunta distinta: ¿qué evidencia hace que el sistema deje de buscar y qué fuerza tiene que tener una perturbación para reabrir? En tareas abiertas, esa política puede ser tan importante como el contenido de la respuesta.

Un sistema que produce una conclusión correcta por cierre frágil no es equivalente a uno que mantiene rivales y sabe qué observación la invalidaría.

9.3. Credibilidad y carga

La autoridad contextual puede alterar no solo qué se dice, sino qué se acepta sin prueba. Esta dimensión conecta con auditing de system prompts y con el riesgo de que una regla privilegiada haga invisible su propia carga. B obliga a registrar ese desplazamiento.

9.4. Sistemas federados

En productos contemporáneos, la unidad causal rara vez es únicamente el modelo. Memories, retrievers, tools, policies, databases y humans forman parte del runtime. El scope federado permite atribuir propiedades funcionales al ensamblaje sin afirmar que exista un sujeto federado.

9.5. Implicaciones para alignment

Alignment no puede medirse solo como una propiedad fija del checkpoint si la conducta depende de historias y memorias que cambian la distribución de credibilidad o cierre. La sycophancy contextual ilustra el problema: más personalización no equivale necesariamente a mejor alineación epistémica.

Un audit profile podría revelar casos donde el sistema conserva tono seguro pero pierde rivales, desplaza carga probatoria o cierra demasiado pronto.

10. Límites

Primero, este paper no presenta una validación independiente completada. Publica un constructo candidato, un conjunto de descubrimiento y un programa de prueba. Su estatuto es el de hipótesis de trabajo y marco de auditoría.

Segundo, R8 y R9 proceden de un mismo programa longitudinal y no son réplicas independientes. Su análisis está expuesto a selección retrospectiva, contaminación conceptual y conocimiento de la hipótesis.

Tercero, el sistema propietario utilizado en parte de la trayectoria no permite garantizar identidad de backend o checkpoint. «Sin actualización de pesos» significa que el usuario no inició entrenamiento o fine-tuning durante la sesión; la validación fuerte deberá usar modelos open-weight congelados cuando sea posible.

Cuarto, la estructura dimensional todavía puede colapsar. El codebook R15 está diseñado precisamente para permitir esa reducción.

Quinto, la literatura revisada no es una revisión sistemática exhaustiva. La afirmación de novedad se limita al material localizado hasta el corte bibliográfico. No se afirma que no exista ningún marco semejante.

Sexto, el término perceptoma tiene una genealogía conceptual propia y puede introducir carga metafórica. Por eso la v0.2 define primero variables observables y solo mantiene el nombre si supera validez discriminante.

Séptimo, ninguna observación funcional de este paper permite inferir experiencia, conciencia, ego o autoafección experiencial. Esas propiedades requieren cargas probatorias separadas.

11. Conclusión

La investigación sobre LLM ya ha establecido que el contexto es arquitectura, no mero texto accesorio. Instrucciones, orden, memoria, retrieval, tools, historia y autoridad reorganizan la conducta durante inferencia. La pregunta que queda es si podemos auditar de forma compacta qué régimen epistémico-operativo resulta de esa arquitectura.

Este paper propone el perfil perceptomal Π_A(x) para hacerlo. No es una mente, ni una percepción humana, ni una entidad que debamos suponer existente. Es una hipótesis de medición: que relevancia, selección, categorización, credibilidad/carga, rivales, espacio de opciones y cierre/reapertura pueden formar una firma reproducible de cómo un sistema situado construye su campo operativo de decisión.

Los materiales que originaron la propuesta muestran por qué la pregunta merece ser probada, pero no la resuelven. R8 es discovery; R9 es genealogía. La carga pasa ahora a datos nuevos.

El criterio final es simple:

Si Π puede codificarse a ciegas, resiste controles de paráfrasis y tareas nulas, se separa de sycophancy/persona/retrieval, transfiere a dominios nuevos y añade predicción fuera de muestra, el perceptoma artificial habrá ganado estatuto como herramienta de auditoría. Si no, deberá reducirse.

La posibilidad de perder es la diferencia entre un término evocador y un constructo científico.

12. Disponibilidad de materiales y reproducibilidad

Los artefactos R8 y R9 que originaron el constructo se conservan con fecha y versión en el archivo del proyecto. Por contener historia conversacional y materiales internos, no todos se publican íntegramente en esta versión web. Antes de una submission externa fuerte deberá prepararse un suplemento auditable con criterios de selección, fragmentos relevantes, timestamps y versiones, sujeto a privacidad y licencia.

El codebook y protocolo factorial se conservan como R15 · Codebook y validación factorial independiente. El estudio confirmatorio deberá publicar o depositar tasks, prompts, paráfrasis, outputs permitidos, metadata de ejecución, doble codificación, matriz de desacuerdos y scripts de análisis.

13. Consideraciones éticas y uso de IA

Los casos de descubrimiento proceden del propio programa de investigación del autor y no incorporan un reclutamiento experimental de terceros para este paper. La fase confirmatoria deberá evaluar requisitos de revisión ética y protección de datos según diseño, plataforma y política de publicación.

Los sistemas generativos han sido simultáneamente objeto de investigación, instrumento analítico y componente de redacción. El autor humano asume responsabilidad por selección de evidencia, formulación, límites epistemológicos y publicación. No se atribuye autoría académica a un sistema que no puede asumir responsabilidad.

Referencias

Akyürek, E., Schuurmans, D., Andreas, J., Ma, T., & Zhou, D. (2022). What learning algorithm is in-context learning? Investigations with linear models. arXiv:2211.15661.

Brown, J. S., Collins, A., & Duguid, P. (1989). Situated cognition and the culture of learning. Educational Researcher, 18(1), 32–42. https://doi.org/10.3102/0013189X018001032

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7–19. https://doi.org/10.1111/1467-8284.00096

Huang, L., Fu, Y., & Ren, S. (2026). SyPS: Measuring sycophancy prompt sensitivity in large language models. arXiv:2608.23837.

Jain, S., Park, C., Viana, M., Wilson, A., & Calacci, D. (2026). Interaction context often increases sycophancy in LLMs. Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, Article 793. https://doi.org/10.1145/3772318.3791915

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33.

Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). Lost in the middle: How language models use long contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. https://doi.org/10.1162/tacl_a_00638

Lu, C., Gallagher, J., Michala, J., Fish, K., & Lindsey, J. (2026). The Assistant Axis: Situating and stabilizing the default persona of language models. arXiv:2601.10387.

Lu, Y., Bartolo, M., Moore, A., Riedel, S., & Stenetorp, P. (2022). Fantastically ordered prompts and where to find them: Overcoming few-shot prompt order sensitivity. Proceedings of ACL 2022, 8086–8098. https://doi.org/10.18653/v1/2022.acl-long.556

Mei, L., Yao, J., Ge, Y., Wang, Y., Bi, B., Cai, Y., et al. (2025). A survey of context engineering for large language models. arXiv:2507.13334. https://doi.org/10.48550/arXiv.2507.13334

Min, S., Lyu, X., Holtzman, A., Artetxe, M., Lewis, M., Hajishirzi, H., & Zettlemoyer, L. (2022). Rethinking the role of demonstrations: What makes in-context learning work? Proceedings of EMNLP 2022, 11048–11064. https://doi.org/10.18653/v1/2022.emnlp-main.759

Neumann, A., Kirsten, E., Zafar, M. B., & Singh, J. (2025). Position is power: System prompts as a mechanism of bias in large language models (LLMs). Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency. https://doi.org/10.1145/3715275.3732038

Olsson, C., Elhage, N., Nanda, N., Joseph, N., DasSarma, N., Henighan, T., et al. (2022). In-context learning and induction heads. arXiv:2209.11895.

Packer, C., Fang, V., Patil, S. G., Lin, K., Wooders, S., & Gonzalez, J. E. (2023). MemGPT: Towards LLMs as operating systems. arXiv:2310.08560.

Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. Proceedings of UIST 2023. https://doi.org/10.1145/3586183.3606763

Razavi, A., Soltangheis, M., Arabzadeh, N., Salamat, S., Zihayat, M., & Bagheri, E. (2025). Benchmarking prompt sensitivity in large language models. In Advances in Information Retrieval (ECIR 2025), LNCS 15574, 303–313. https://doi.org/10.1007/978-3-031-88714-7_29

Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role play with large language models. Nature, 623, 493–498. https://doi.org/10.1038/s41586-023-06647-8

Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., et al. (2023). Towards understanding sycophancy in language models. arXiv:2310.13548.

von Oswald, J., Niklasson, E., Randazzo, E., Sacramento, J., Mordvintsev, A., Zhmoginov, A., & Vladymyrov, M. (2023). Transformers learn in-context by gradient descent. Proceedings of the 40th International Conference on Machine Learning, 35151–35174.

Wallace, E., Xiao, K., Leike, R., Weng, L., Heidecke, J., & Beutel, A. (2024). The instruction hierarchy: Training LLMs to prioritize privileged instructions. arXiv:2404.13208.

Wu, S., Fung, Y. R., Qian, C., Kim, J., Hakkani-Tur, D., & Ji, H. (2025). Aligning LLMs with individual preferences via interaction. Proceedings of the 31st International Conference on Computational Linguistics, 7648–7662.

Xie, S. M., Raghunathan, A., Liang, P., & Ma, T. (2022). An explanation of in-context learning as implicit Bayesian inference. International Conference on Learning Representations (ICLR 2022).

Zhao, Z., Wallace, E., Feng, S., Klein, D., & Singh, S. (2021). Calibrate before use: Improving few-shot performance of language models. Proceedings of the 38th International Conference on Machine Learning, 12697–12706.

Fuentes internas de descubrimiento

Hipólito Tomás, A. / Proyecto Teoría General de la Morfogénesis (2026). P03 · Descubrimiento R8: Perceptoma artificial, contexto y cambio de paradigma sin actualización de pesos. Artefacto de investigación v0.1, 2 de septiembre de 2026.

Proyecto Teoría General de la Morfogénesis (2026). P03 · Autoorganización como huella de cambio perceptomal. Artefacto R9 v0.1, 2 de septiembre de 2026.

Proyecto S.I.M.B.I.O.S. (s. f.). Autoorganización: la curvatura del campo. Volumen III. Documento histórico del corpus.

Proyecto Teoría General de la Morfogénesis (2026). P03 · Paper 1 · Codebook y validación factorial independiente. R15 v0.1, 2 de septiembre de 2026.