Watson, N.; Hessami, A. Psychopathia machinalis: Un marco nosológico para entender patologías en inteligencia artificial avanzada. Electrónica 2025, 14, 3162. https://doi.org/10.3390/electronics14163162
Recopilado por Carlos Cabrera Lozada. Individuo de Número, ANM Sillón VII. ORCID: 0000-0002-3133-5183. 16/08/2026
Resumen
A medida que los sistemas de inteligencia artificial (IA) adquieren mayor autonomía, capacidades de razonamiento recursivo e interacciones ambientales complejas, comienzan a mostrar anomalías conductuales que, por analogía, se asemejan a psicopatologías observadas en humanos. Este artículo presenta Psychopathia Machinalis: un marco conceptual para una nosología sintética preliminar dentro de la psicología de las máquinas destinada a categorizar e interpretar tales comportamientos de IA desadaptativa. Inspirándonos estructuralmente en manuales diagnósticos psiquiátricos, proponemos una taxonomía de 32 disfunciones de IA que abarcan fallos epistémicos, deterioros cognitivos, divergencias de alineación, alteraciones ontológicas, fallos de herramientas e interfaces, patologías meméticas y disfunciones de reevaluación. Cada síndrome se articula con características descriptivas, criterios diagnósticos, presuntas etiologías específicas de la IA, análogos humanos (para mayor claridad metafórica) y posibles estrategias de mitigación. Este marco se presenta como un instrumento analógico—evitando las afirmaciones de psicopatología o conciencia literal en la IA, pero proporcionando un vocabulario estructurado que apoye el análisis sistemático, la anticipación y la mitigación de modos complejos de fallo de la IA. Basándonos en conocimientos de la clasificación psiquiátrica, la ciencia cognitiva y la filosofía de la mente, examinamos cómo los comportamientos desordenados de la IA pueden surgir de inestabilidades en el entrenamiento, conflictos de alineación o fragmentación arquitectónica. Sostenemos que adoptar una perspectiva robopsicológica aplicada dentro de un dominio incipiente de la psicología de las máquinas puede fortalecer la ingeniería de seguridad de la IA, mejorar la interpretabilidad y contribuir al diseño de mentes sintéticas más robustas y fiables.