El auge de los modelos de lenguaje de gran escala (LLMs) ha popularizado el aprendizaje en contexto, una técnica que permite a estos modelos resolver tareas complejas simplemente ofreciéndoles unos pocos ejemplos bien elegidos. Sin embargo, la selección de esos ejemplos sigue siendo un desafío abierto: ¿cómo identificar las muestras que maximizan el rendimiento del modelo sin incurrir en costos computacionales excesivos? Recientemente, se ha explorado el aprendizaje activo profundo como una vía prometedora, aprovechando las activaciones internas de los transformadores para guiar la elección. Un estudio reciente (arXiv:2606.05134) ha sometido a prueba esta hipótesis con rigurosidad, examinando si las activaciones de las capas MLP —a través de métricas como activaciones masivas o los primeros cuatro momentos— correlacionan con la calidad de los ejemplos y el desempeño final. Los resultados son contundentes: la correlación de Spearman no supera 0.33 en ninguna combinación de tarea y modelo, lo que invalida el uso de estas señales para la selección de ejemplos in-context. Este hallazgo, aunque negativo, enriquece nuestra comprensión de la dinámica interna de los LLMs y apunta a posibles causas, como el fenómeno de superposición, donde el modelo representa más características de las que su dimensionalidad permite. Los autores sugieren que técnicas como los autoencoders dispersos (SAEs) podrían abrir nuevas vías. Para las empresas que trabajan con inteligencia artificial, este tipo de investigaciones son cruciales: entender qué métodos funcionan —y cuáles no— evita la implementación de soluciones ineficaces y orienta la inversión hacia estrategias más sólidas. En Q2BSTUDIO, como empresa de desarrollo de software y tecnología, seguimos de cerca estos avances para ofrecer ia para empresas que realmente aporte valor. Nuestro equipo integra este conocimiento en la creación de aplicaciones a medida y software a medida, así como en servicios cloud aws y azure, ciberseguridad, y soluciones de inteligencia de negocio como power bi. Además, trabajamos en agentes IA que aprovechan los últimos hallazgos para optimizar procesos empresariales. Si bien el aprendizaje activo basado en activaciones no resulta útil hoy, la investigación continúa y nosotros estamos preparados para adoptar las próximas innovaciones que transformen la manera en que las organizaciones interactúan con los modelos de lenguaje.