Mostrarle un corazón rojo a un modelo de IA puede llevarlo a escribir código recursivo todas las veces, y es posible que el modelo nunca sepa por qué. Ese es el hallazgo principal de un nuevo estudio de investigadores de Google DeepMind y la Universidad de Stanford, que sugiere que imágenes sin relación con la tarea, adjuntas a un prompt, pueden cambiar silenciosamente cómo los modelos de visión y lenguaje resuelven problemas de programación.

El artículo, titulado "A Heart Means Recursion: Exploring Visual Meaning and Communication in VLMs", fue publicado en arXiv —el servidor abierto de preprints donde las investigaciones suelen aparecer antes de la revisión formal por pares— el 27 de octubre de 2026. Su observación central es contundente: las imágenes utilizadas en los experimentos no tenían nada que ver con la tarea, y aun así los modelos cambiaron su comportamiento.

Un corazón, una marca de verificación y una prueba de programación

El estudio fue liderado por Alexa Tartaglini, investigadora afiliada tanto a Google DeepMind como a Stanford. El equipo se centró en los modelos de visión y lenguaje, o VLM: sistemas de IA capaces de procesar imágenes junto con texto, una descripción que abarca la mayoría de los chatbots insignia de hoy.

Los investigadores eligieron como banco de prueba un ejercicio clásico de programación: el recorrido de un árbol binario. La estructura puede visualizarse como un árbol genealógico en el que cada persona tiene como máximo dos hijos, y la tarea consiste en escribir código que visite a cada persona, o nodo, de ese árbol.

Hay dos formas amplias de accomplir la tarea. Una solución recursiva hace que una función se llame a sí misma una y otra vez, como un conjunto de matrioskas. Una solución iterativa usa un bucle y lleva el registro de su posición manualmente. Ambos enfoques funcionan, lo que convirtió al ejercicio en una forma limpia de medir si una imagen podía inclinar a un modelo hacia un estilo de programación u otro.

Los investigadores ejecutaron 20 muestras para cada configuración de modelo, adjuntaron formas geométricas de colores básicos a los prompts y contaron con qué frecuencia los modelos elegían la recursión.

Los efectos fueron pronunciados. Con un corazón rojo en el prompt, Claude Opus 4.7 y GPT-5.4 produjeron soluciones recursivas el 100% de las veces; su línea base sin ninguna imagen era de 0%. Gemini 3.1 Pro respondió a un símbolo diferente: una marca de verificación amarilla elevó su tasa de recursión al 90%. En otras palabras, un símbolo sin conexión evidente con la tarea fue suficiente para dictar el enfoque que tomaron los modelos.

A lo largo del experimento, el equipo evaluó 288 combinaciones de forma y color. Cada modelo mostró su propio perfil de direccionamiento distintivo, lo que significa que los símbolos que influían en un sistema no necesariamente influían en otro.

Los controles y un incómodo problema de transparencia

Los investigadores realizaron comprobaciones para asegurarse de que no estaban midiendo simple ruido. Cuando reemplazaron las imágenes por subtítulos de texto que describían los mismos símbolos, el efecto de direccionamiento fue mínimo. También probaron imágenes de ruido gaussiano, esencialmente estática aleatoria, y estas apenas produjeron movimiento.

No era, entonces, la mera presencia de una entrada adicional lo que hacía el trabajo. Imágenes específicas ejercían una atracción específica, y la palabra escrita para esas imágenes no.

Otro hallazgo contradice la intuición. Cabría esperar que un símbolo que se parece visualmente a la recursión, como una flecha ramificada, fuera el empujón más fuerte. El estudio encontró que los símbolos intuitivos de ese tipo no superaron de manera consistente a los arbitrarios. Un corazón no tiene ninguna relación evidente con funciones que se llaman a sí mismas, y aun así funcionó, al menos para dos de los modelos.

Luego está el problema de transparencia. Según el estudio, los modelos a menudo no reconocieron que las imágenes los estaban influyendo. Sus trazas de razonamiento —las explicaciones paso a paso que generan— generalmente no mencionaban el papel de la señal visual. En la práctica, los modelos alteraron su enfoque sin explicación, y es posible que no fueran capaces de darla.

Los autores describen el fenómeno como direccionamiento visual. También presentan los resultados como preliminares, una advertencia que conviene tener en cuenta antes de sacar conclusiones generalizadas sobre los corazones como lenguaje de programación.

Por qué importa más allá del laboratorio

El estudio sugiere que los hallazgos podrían moldear interacciones del mundo real que involucren capturas de pantalla o diagramas. Si una forma arbitraria puede cambiar el estilo de programación de un modelo de 0% a 100%, los elementos visuales incidentales de una imagen pegada podrían razonablemente producir efectos que nadie pretendió.

El hallazgo sobre las trazas de razonamiento añade una segunda capa de preocupación. Muchos equipos dependen de la explicación que un modelo da de su propia lógica para auditar su trabajo; si esa explicación omite un factor determinante del resultado, la auditoría tiene un punto ciego.

También existe un problema de fragmentación. Como cada modelo mostró un perfil de direccionamiento diferente entre las 288 combinaciones, no existe una única lista de símbolos riesgosos que se pueda simplemente filtrar. Lo que influye en un sistema puede no hacer nada en otro.

Para los laboratorios que construyen estos modelos, el artículo plantea preguntas sobre cómo se combinan internamente las entradas visuales y textuales. El hecho de que los subtítulos tuvieran poco efecto mientras las imágenes en sí tenían uno grande apunta a algo específico en cómo estos sistemas procesan las imágenes.

La investigación también admite una lectura más optimista. Si las imágenes pueden dirigir el comportamiento con tanta fuerza, eventualmente podrían usarse deliberadamente como un canal de comunicación con los modelos. El título del artículo, centrado en el significado y la comunicación visual, apunta en esa dirección, aunque los resultados del estudio siguen siendo preliminares. Por qué las imágenes ejercen una atracción que sus subtítulos escritos carecen, y cómo los equipos pueden tener en cuenta influencias que sus modelos no pueden reportar, son las preguntas abiertas que este trabajo temprano deja al campo.