La IA no necesita más atención. Necesita un mejor espacio de trabajo.
La investigación de Anthropic sobre J-space muestra por qué los espacios de trabajo selectivos importan dentro de los modelos de lenguaje. Los wands de MCPlato aplican el mismo principio a los flujos de trabajo de IA: una fase, un artefacto, una superficie de herramientas y una puerta a la vez.
Publicado el 2026-07-08
Los equipos de IA suelen asumir que un mejor trabajo requiere más: más contexto, más herramientas, más memoria, más ciclos de agentes y más atención. La intuición es comprensible. Si un modelo puede leer millones de tokens, conectarse a decenas de servicios y seguir generando, parece razonable esperar que se vuelva más capaz.
Pero capacidad no es lo mismo que foco.
Una ventana de contexto más grande amplía lo que un sistema de IA puede ver. No decide automáticamente qué importa ahora, qué herramienta es segura, qué archivo debe cambiarse, en qué estado está el trabajo o qué cuenta como terminado. En trabajos largos, el cuello de botella a menudo no es la atención bruta. Es el diseño del espacio de trabajo.
Por eso la investigación de Anthropic de 2026 sobre Jacobian Lens y J-space es útil más allá de la interpretabilidad. El artículo sostiene que los modelos de lenguaje contienen un conjunto selectivo de representaciones internas verbalizables que se comporta como un espacio de trabajo global funcional: la información se vuelve útil para reportar, razonar y controlar de forma flexible cuando entra en el espacio compartido correcto, no cuando el conjunto completo queda expuesto a la vez.
Los wands de MCPlato aplican una lección de diseño similar en la capa de flujo de trabajo. Un wand no afirma ser el J-space interno del modelo. Es un espacio de trabajo externo alrededor del modelo y del usuario: una fase, un artefacto, una superficie de herramientas acotada, un límite de escritura, un estado visible y una puerta a la vez.
El resultado es un cambio simple: en lugar de pedirle a la IA que preste más atención, dale un mejor lugar para trabajar.
Qué encontraron J-lens y J-space
El artículo de Anthropic "Verbalizable Representations Form a Global Workspace in Language Models" presenta Jacobian Lens, o J-lens, como una técnica para estudiar representaciones internas del modelo que probablemente puedan volverse verbalmente reportables. En términos sencillos, J-lens no pregunta solo: “¿Qué token dirá el modelo después?” Pregunta qué conceptos internos ya están en un estado en el que el modelo podría ponerlos en palabras.
El artículo llama J-space a estas representaciones. El hallazgo importante no es que cada activación dentro de un modelo sea igual de importante. Es que un subconjunto más pequeño de representaciones verbalizables parece tener propiedades parecidas a las de un espacio de trabajo:
- Reportabilidad: el modelo puede verbalizar conceptos activos.
- Modulación dirigida: las instrucciones pueden empujar ciertos conceptos hacia el espacio de trabajo.
- Razonamiento interno: variables intermedias pueden aparecer allí durante razonamientos de varios pasos.
- Generalización flexible: una representación puede reutilizarse en distintos cálculos.
- Selectividad: no cada señal entra en el espacio de trabajo.
Ese último punto es el más importante para diseñar flujos de trabajo. J-space es útil precisamente porque es selectivo. Un espacio de trabajo no es un vertedero para todas las señales. Es el lugar donde la información relevante ahora queda disponible para el control.
Representaciones seleccionadas de IA entrando en un espacio de trabajo compartido
J-space es útil aquí como metáfora funcional: las representaciones seleccionadas quedan disponibles para reportar y controlar, mientras que la mayoría de las señales permanece fuera del espacio de trabajo activo.
La investigación también usa el lenguaje de la Global Workspace Theory y de la investigación sobre Global Neuronal Workspace, incluido el trabajo de Dehaene y Naccache sobre el acceso consciente. Esa conexión debe tratarse con cuidado. Una analogía funcional de espacio de trabajo no es una prueba de experiencia subjetiva. La conclusión práctica es más limitada y más útil: el razonamiento complejo se beneficia cuando la información relevante se selecciona dentro de un espacio compartido y controlable.
La lección de diseño de producto: seleccionar supera a exponer
El mismo problema aparece en el trabajo diario con IA.
Cuando un hilo de chat se vuelve largo, el modelo puede seguir teniendo los hechos relevantes en el contexto. Pero tanto el usuario como el modelo pueden perder el objetivo actual. Cuando un agente puede llamar muchas herramientas, el sistema gana poder, pero también un espacio de acción más grande. Cuando un modelo puede editar un repositorio entero, puede ayudar más, pero también tocar la superficie equivocada. Cuando los criterios de finalización son implícitos, el modelo puede avanzar antes de que el trabajo esté realmente listo.
Más exposición puede crear más coste de coordinación.
Un buen flujo de trabajo de IA necesita responder algunas preguntas:
- ¿Cuál es el objetivo actual?
- ¿Qué información pertenece al espacio de trabajo activo?
- ¿Qué herramientas son válidas ahora?
- ¿Qué archivos o recursos se pueden modificar con seguridad?
- ¿Dónde se guarda el estado duradero?
- ¿Cómo puede el usuario inspeccionar el progreso?
- ¿Qué puerta debe superarse antes de mover la atención al siguiente paso?
Aquí es donde entran los wands.
Qué es un wand de MCPlato
Un wand de MCPlato es un objeto de flujo de trabajo de IA empaquetado. En lugar de tratar el trabajo con IA como una sola corriente de chat, un wand lo convierte en un artefacto duradero con estructura a su alrededor.
Un wand puede definir fases, herramientas acotadas, límites de recursos, estado persistente, una vista en tiempo de ejecución, salidas exportables y puertas de finalización. El usuario y la IA no solo intercambian mensajes; construyen e inspeccionan el mismo objeto.
Una distinción útil es:
Un prompt le enseña a la IA cómo comportarse. Un wand les da a la IA y al usuario un espacio de trabajo compartido donde construir.
Eso hace que los wands sean diferentes de los flujos de trabajo basados solo en prompts. Un prompt puede decir: “Primero investiga, luego haz un esquema, luego redacta, luego haz QA”. Un wand puede convertir esos pasos en fases con instrucciones distintas, herramientas visibles distintas, recursos escribibles distintos y puertas distintas.
Para una lluvia de ideas ligera, esa estructura puede ser innecesaria. Para trabajos de varios pasos que necesitan estado, archivos, validación y un paquete final, la estructura es precisamente el valor.
Cómo los wands concentran la atención
Si J-space sugiere que el razonamiento útil depende de lo que entra en un espacio de trabajo selectivo, los wands llevan la misma idea al exterior del modelo. Reducen la cantidad de cosas que compiten por atención.
| Principio de J-space / espacio de trabajo | Mecanismo del wand | Qué reduce |
|---|---|---|
| Espacio de trabajo selectivo | Fase actual | Ambigüedad del objetivo |
| Modulación dirigida | Instrucciones de fase | Deriva del prompt |
| Estado reportable | Wandfile, vista en tiempo de ejecución e informe | Progreso oculto |
| Reutilización flexible | Salidas e informes | Pérdida en chats puntuales |
| Cuello de botella de capacidad | Herramientas acotadas y límites de escritura | Sobrecarga de herramientas y archivos |
| Cambio de atención | Puertas de fase | Cambio prematuro de tarea |
Una fase de wand dice: este es el trabajo ahora. Las instrucciones activas describen qué importa en esa fase. La superficie de herramientas reduce las acciones posibles. El límite de escritura reduce la superficie de recursos. El objeto de estado registra dónde está el flujo de trabajo. La vista en tiempo de ejecución hace visible el artefacto. La puerta decide si la atención puede avanzar.
Un flujo de trabajo wand reduce el trabajo de IA en fases con herramientas, recursos, estado y puertas acotados
Un wand reduce el espacio de trabajo activo: la fase actual define el objetivo, las herramientas, los archivos, el estado y los criterios de finalización.
Esto no vuelve mágicamente más inteligente a un modelo. Reduce el coste de búsqueda del trabajo. El mismo modelo puede gastar menos esfuerzo redescubriendo contexto, eligiendo entre demasiadas herramientas, protegiéndose de ediciones accidentales y reconstruyendo estado desde una transcripción. Más capacidad puede ir al artefacto.
Un ejemplo práctico: una fábrica de artículos como espacio de trabajo
Pensemos en un flujo de trabajo para un artículo largo.
En un chat normal, el usuario podría pedir investigación, luego opciones de tema, luego un esquema, luego un borrador, luego imágenes, traducciones, QA, empaquetado y notas de publicación. Eso puede funcionar, pero el estado vive principalmente en la conversación. El usuario y el modelo deben recordar continuamente qué ha ocurrido y qué debe venir después.
En un wand, el mismo proceso puede convertirse en un espacio de trabajo estructurado:
- Intake captura el brief.
- Research produce archivos fuente.
- Secondary research mapea dolores de usuario y oportunidades SEO.
- Topic selection registra el título y el slug elegidos.
- Planning define estructura, citas, visuales y reglas de localización.
- Drafting escribe la fuente en inglés.
- Asset production crea la portada y las imágenes inline.
- Translation preserva el mismo slug y las mismas rutas de imagen entre locales.
- QA revisa fuentes, frontmatter, imágenes, localización y estructura del paquete.
- Packaging y status reporting producen un entregable reutilizable.
Lo importante no es que cada flujo de trabajo deba tener exactamente esos pasos. Lo importante es que cada paso tenga un límite de espacio de trabajo. El modelo no necesita resolver el proyecto completo a la vez. Necesita satisfacer la fase actual y pasar la puerta.
Eso es diseño de atención.
Dónde otros enfoques aún ganan — y dónde encajan mejor los wands
Los wands no son un reemplazo universal para cualquier interfaz de IA. Son una respuesta a un problema específico: trabajo duradero, inspeccionable y de varios pasos.
| Enfoque | Dónde gana | Dónde se tensiona | Mejor uso |
|---|---|---|---|
| Chat basado solo en prompts | Rápido, flexible, con poca configuración | El estado y la validación viven en la transcripción | Ideación puntual y respuestas rápidas |
| Asistente de contexto largo | Puede leer más material de una vez | Más contexto no define prioridad, herramientas, archivos ni criterios de finalización | Lectura amplia y síntesis |
| Framework genérico de agentes o herramientas | Extensible y programable | El acceso a herramientas puede seguir siendo demasiado amplio | Automatización personalizada e integraciones |
| Constructor visual de workflows | Enrutamiento y automatización predecibles | Puede no tratar el artefacto como un paquete documental de primera clase | Flujos de negocio repetibles |
| MCPlato wand | Artefacto con estado, fases acotadas, puertas, salida inspeccionable | Más estructura que un chat rápido | Producción de artefactos de varios pasos y workflows validados |
Mapa de decisión que compara chat rápido, contexto largo, agentes con herramientas, automatización de workflows y espacios wand duraderos
Diferentes enfoques ganan en diferentes situaciones. Los wands encajan mejor cuando el trabajo necesita un artefacto duradero, estado visible, herramientas acotadas y puertas de validación.
Si solo necesitas una respuesta rápida, el chat suele bastar. Si necesitas un motor de automatización de bajo nivel a medida, un framework de agentes puede ser la capa correcta. Si necesitas enrutamiento de negocio predecible, un constructor visual de workflows puede ser una buena opción.
Los wands de MCPlato son más fuertes cuando el trabajo debe convertirse en un objeto: un informe, una presentación, un paquete de artículos, un análisis, un artefacto de app, un activo multimedia u otro entregable que se beneficie de fases, validación e inspección.
Qué no prueba J-space — y qué no afirman los wands
La investigación sobre J-space es emocionante, pero no debe sobreinterpretarse.
No prueba que los modelos de lenguaje tengan conciencia subjetiva. No significa que la interpretabilidad pueda leer por completo la mente de un modelo. Tampoco significa que cada estado interno sea transparente. La cobertura de medios como VentureBeat, The Decoder y CIO muestra por qué el trabajo llamó la atención, pero la interpretación más segura sigue siendo funcional: algunas representaciones parecen quedar disponibles para reportar y controlar en un espacio de trabajo selectivo.
Los wands deben describirse con la misma disciplina.
Un wand no da conciencia a la IA. No lee la mente del modelo. No garantiza razonamiento perfecto. Y, sin una medición separada, no deberíamos afirmar que los wands ahorran un porcentaje específico de tokens, tiempo o atención.
La afirmación es más simple: los wands reducen la ambigüedad evitable en el trabajo con IA. Definen el objetivo activo, las herramientas, la superficie de recursos, el estado, la vista del artefacto y la puerta de finalización. Eso hace que el espacio de trabajo sea más fácil de gestionar para el usuario y para el modelo.
Mejores espacios de trabajo, no solo ventanas más grandes
La próxima generación de flujos de trabajo de IA no se definirá solo por ventanas de contexto más grandes o agentes que funcionen durante más tiempo. Esas capacidades importan, pero no resuelven por sí solas el problema de selección.
Los sistemas de IA necesitan espacios de trabajo que decidan qué debe estar en foco ahora.
Esa es la lección que J-space vuelve visible dentro de los modelos, y es la lección que los wands aplican fuera del modelo. Un mejor trabajo con IA viene de reducir la superficie activa: menos herramientas irrelevantes, menos archivos ambiguos, estado más claro, artefactos visibles y puertas que indiquen cuándo el sistema puede avanzar con seguridad.
La IA no solo necesita más atención. Necesita un mejor espacio de trabajo.
Preguntas frecuentes
¿Qué es J-space en los modelos de lenguaje?
J-space es el término de Anthropic para un conjunto de representaciones internas verbalizables que parecen funcionar como un espacio de trabajo selectivo dentro de un modelo de lenguaje. La investigación sugiere que estas representaciones pueden apoyar reporte, modulación guiada por instrucciones, razonamiento intermedio, reutilización flexible y selectividad.
¿J-space prueba la conciencia de la IA?
No. Aquí conviene tratar J-space como un hallazgo funcional de espacio de trabajo, no como prueba de experiencia subjetiva. Ayuda a entender representación, reportabilidad y control, pero no debe tratarse como evidencia de conciencia humana en un modelo.
¿Qué es un wand de MCPlato?
Un wand de MCPlato es un objeto de flujo de trabajo de IA empaquetado con fases, herramientas acotadas, límites de recursos, estado persistente, vistas en tiempo de ejecución, salidas y puertas. Convierte un hilo de chat suelto en un espacio de trabajo duradero e inspeccionable.
¿Cómo ayudan los wands a que los agentes de IA se mantengan enfocados?
Los wands reducen la superficie de trabajo activa. Una fase define el objetivo actual, las herramientas visibles definen el espacio de acción, los límites de escritura definen dónde puede ocurrir el trabajo, el estado registra el progreso y las puertas definen cuándo puede avanzar el flujo de trabajo.
Referencias
- Anthropic / Transformer Circuits: "Verbalizable Representations Form a Global Workspace in Language Models"
- Stanislas Dehaene and Lionel Naccache: "Towards a cognitive neuroscience of consciousness: basic evidence and a workspace framework"
- Global Neuronal Workspace review: "Conscious Processing and the Global Neuronal Workspace Hypothesis"
- Anthropic: "Auditing Hidden Objectives"
- Anthropic: "Agentic Misalignment"
- VentureBeat: "Anthropic's new J-lens reveals a silent workspace inside Claude that mirrors a leading theory of consciousness"
- The Decoder: "Claude's hidden inner monologue is now readable thanks to Anthropic's new Jacobian Lens"
- CIO: "Anthropic shines a light into the Claude AI black hole"