Investigadores de Stanford desarrollan sistema de inteligencia artificial que infiere motivaciones humanas a partir de comportamientos digitales

Investigadores de la Universidad de Stanford han desarrollado una nueva arquitectura de inteligencia artificial que permite a los sistemas inferir las motivaciones subyacentes de los usuarios a partir de sus comportamientos digitales, superando las limitaciones de los asistentes de IA actuales que se centran únicamente en lo que las personas hacen sin comprender por qué lo hacen, según un artículo científico publicado en arXiv.

El sistema, denominado 'behavior latticing' o enrejado de comportamientos, conecta observaciones aparentemente dispares sobre el comportamiento del usuario para sintetizarlas en conclusiones sobre las motivaciones que impulsan esas acciones, según explican los autores del estudio. Por ejemplo, mientras un sistema convencional podría ayudar a un estudiante a completar su tarea usando ChatGPT, el nuevo enfoque identificaría que la necesidad real del usuario es adquirir experiencia en la materia, no simplemente terminar el trabajo.

"Los sistemas de IA actuales se centran en modelar observaciones sobre el usuario, como hechos, preferencias o acciones demostradas", señala el documento. "Sin embargo, este enfoque es fundamentalmente insuficiente: sufre de un problema de inversión donde las IA modelan nuestro comportamiento pero no nuestro estado mental", según argumentan los investigadores citando el trabajo de Kleinberg y colaboradores de 2024.

La arquitectura funciona mediante un proceso de dos etapas repetidas jerárquicamente, según describe el estudio. Primero, organiza las observaciones del usuario de manera que cada observación pueda pertenecer a múltiples grupos y cada grupo extraiga información de múltiples observaciones. Por ejemplo, una observación de que un usuario hace malabarismos con tareas administrativas sugiere una tendencia a comprometerse en exceso cuando se combina con observaciones de voluntariado para servicios adicionales, pero indica "procrastinación productiva" cuando se empareja con observaciones de muchas tareas de alta prioridad sin terminar.

Segundo, el algoritmo repite esta estructura jerárquicamente, permitiendo organizar largos períodos de datos del usuario y contextualizar qué conclusiones son recurrentes en el tiempo y cuáles están vinculadas a un entorno particular, según explican los autores.

Para demostrar las capacidades del sistema, los investigadores desarrollaron Dawn, un agente de IA personal guiado por estas conclusiones sobre el usuario. En una evaluación técnica, recopilaron 174 calificaciones comparando su enfoque con un método de modelado de usuarios de vanguardia desarrollado por Shaikh y colaboradores en 2025, según detalla el estudio.

Las conclusiones generadas por behavior latticing fueron calificadas como significativamente más profundas, con una puntuación promedio en comparación con el método de referencia en una escala Likert, sin sacrificar precisión, según los resultados publicados. Las puntuaciones de precisión fueron similares entre ambos métodos.

En una evaluación longitudinal de extremo a extremo, los investigadores reclutaron a 12 participantes y desplegaron Dawn para observar su uso de computadora durante un mínimo de cuatro días. A partir de estos datos, sintetizaron conclusiones sobre los usuarios y propusieron acciones que Dawn podría tomar en su nombre, recopilando 140 calificaciones sobre 35 tareas, según describe el documento.

Las acciones guiadas por las conclusiones del sistema fueron significativamente mejores para abordar las necesidades subyacentes de los participantes, manteniendo al mismo tiempo la misma utilidad inmediata que los enfoques convencionales, según los resultados del estudio.

El enfoque difiere fundamentalmente de los métodos existentes de modelado de usuarios en dos aspectos clave, según explican los autores. Primero, en la etapa de agrupación, la mayoría de los métodos comprimen observaciones ya sea recuperando solo comportamientos "relevantes" definidos por similitud, importancia o recurrencia, o resumiendo entradas en un formato condensado. En cambio, behavior latticing agrupa todas las observaciones dentro de una secuencia temporal, formando conexiones superpuestas entre comportamientos.

Segundo, en la etapa de interpretación, los métodos existentes operan en un solo nivel de abstracción o, cuando mantienen jerarquía, la construyen mediante operaciones locales. El enrejado de comportamientos, por el contrario, impone inferencias de nivel superior por diseño, con cada capa operando solo sobre las salidas de la capa inferior, profundizando progresivamente la interpretación, según detalla el artículo.

La arquitectura es agnóstica respecto a la modalidad de los datos de entrada, siempre que capture comportamiento rico del usuario durante un período prolongado, según señalan los investigadores. En el estudio, demostraron el sistema con datos que van desde historiales de conversación de ChatGPT hasta capturas de pantalla longitudinales a gran escala del uso de computadora del usuario.

Los investigadores identifican dos capacidades interactivas nuevas que habilita el enrejado de comportamientos. Primero, al mapear densamente observaciones a través de contextos y tiempo, los sistemas pueden actuar sobre el principio clásico de la interacción humano-computadora de abordar las necesidades subyacentes de los usuarios en lugar de resolver estrechamente sus tareas literales, según argumentan citando trabajos de Patnaik y Becker de 1999, Rogers y colaboradores de 2023, y Norman de 2013.

Segundo, al vincular observaciones granulares, el sistema puede identificar patrones sutiles que se acumulan con el tiempo, articulando aspectos del comportamiento del usuario de los que ellos mismos pueden no haber sido conscientes, según explica el documento.

Estas capacidades pueden habilitar el diseño de sistemas de IA personal en una amplia gama de áreas de aplicación, incluyendo personalización de interfaces de usuario por parte del usuario final y curación de feeds de redes sociales, según sugieren los autores citando trabajos de Bolin y colaboradores de 2005, Popowski y colaboradores de 2026, y Malki y colaboradores de 2026.

El desarrollo se produce en un contexto donde los sistemas de IA actuales enfrentan limitaciones significativas para comprender verdaderamente a los usuarios. Los modelos de lenguaje luchan por identificar patrones significativos cuando se les presenta grandes volúmenes de información no estructurada, produciendo salidas genéricas o alucinando, según señalan los investigadores citando trabajos de Liu y colaboradores de 2024 y Lampinen y colaboradores de 2025.

Resumir los datos reduciría la precisión de la comprensión del usuario, según trabajos citados de Chen y colaboradores de 2025 y Zhong y colaboradores de 2024. Los enfoques alternativos que recuperan comportamientos recientes o similares terminan agrupando basándose en características obvias, produciendo descripciones superficiales del usuario, según argumentan los autores.

La investigación contribuye con una arquitectura para comprender los "por qué" del comportamiento del usuario a través del enrejado de comportamientos, una evaluación técnica del enfoque y una evaluación longitudinal de Dawn como agente personal guiado por conclusiones sobre el usuario, según resume el documento.

Más allá de la IA agéntica, este cambio de perspectiva tiene implicaciones para cómo se construyen aplicaciones personales de manera más amplia, desde personalización por parte del usuario final hasta curación de contenido, según concluyen los investigadores.

El código de implementación y el sitio web del proyecto están disponibles públicamente, según indica el artículo científico.