Comprender cómo los modelos de lenguaje aprenden a partir de ejemplos en su contexto de entrada es una de las preguntas más fascinantes de la inteligencia artificial actual. Cuando un modelo recibe una secuencia de datos, ¿se limita a copiar patrones superficiales o es capaz de inferir la estructura subyacente? Un reciente estudio con paseos aleatorios sobre grafos ofrece pistas reveladoras: los investigadores enfrentaron a los modelos a dos tipos de grafos con topologías distintas, donde la respuesta correcta podía obtenerse siguiendo transiciones locales o deduciendo la estructura global. Lo interesante es que el modelo no elige una única estrategia; en ciertas mezclas codifica ambas representaciones en subespacios ortogonales simultáneamente. Además, mediante intervenciones causales como el patching de activaciones, se logró transferir preferencias de un grafo a otro, demostrando que tanto la inferencia de creencias como los circuitos de inducción operan en paralelo. Esta dualidad tiene implicaciones prácticas significativas para el desarrollo de aplicaciones a medida que aprovechen esa capacidad de razonamiento contextual. En Q2BSTUDIO diseñamos soluciones de software a medida que integran inteligencia artificial para empresas, incluyendo agentes IA que se adaptan a contextos cambiantes. Nuestra infraestructura en servicios cloud AWS y Azure permite desplegar estos modelos de forma escalable, mientras que herramientas como Power BI facilitan la visualización de patrones aprendidos en entornos de negocio. La ciberseguridad también se beneficia: entender cómo los modelos infieren estructuras ayuda a diseñar sistemas más robustos. Para las empresas que buscan innovar, contar con servicios inteligencia de negocio basados en estos principios es una ventaja competitiva que combina copia local y razonamiento global en una misma arquitectura.