En el desarrollo actual de sistemas de inteligencia artificial explicable, los modelos de cuello de botella conceptual (Concept Bottleneck Models, CBMs) han ganado relevancia por su capacidad de realizar predicciones a través de símbolos interpretables por humanos. Sin embargo, un problema crítico emerge cuando la alta precisión en tareas finales no garantiza que esos símbolos sean detectados de forma fiel: los CBMs entrenados conjuntamente pueden aprender atajos específicos de la tarea dentro del cuello de botella, generando explicaciones engañosas. Este fenómeno pone en jaque la fiabilidad de la detección simbólica, especialmente en entornos donde se requiere transparencia y trazabilidad, como en diagnósticos médicos, auditorías financieras o sistemas de seguridad.

Para abordar este desafío, investigaciones recientes proponen intercambiar detectores de conceptos y cabezales de clasificación entrenados de forma independiente pero que comparten el mismo vocabulario simbólico. Al medir la degradación del rendimiento, métricas a nivel de concepto y estimaciones de incertidumbre por símbolo, es posible identificar aquellos conceptos especialmente propensos a activaciones espurias. Además, se han desarrollado estrategias de entrenamiento conscientes de la fiabilidad: un detector de conceptos compartido se optimiza con múltiples cabezales de clasificación y se penaliza por depender de símbolos global o localmente poco fiables. Los resultados demuestran que, bajo supervisión completa de conceptos, los detectores y cabezales son casi libremente intercambiables, con caídas de rendimiento mínimas. En cambio, al reducir el peso de la supervisión de conceptos, la precisión de la tarea se mantiene casi perfecta mientras que la precisión de intercambio y la concordancia con los conceptos reales caen a niveles aleatorios. La formación consciente de fiabilidad mitiga sustancialmente esta fuga, duplicando aproximadamente la precisión de intercambio en regímenes con supervisión débil.

Este tipo de investigaciones resultan fundamentales para empresas que buscan integrar inteligencia artificial para empresas de forma segura y transparente. En Q2BSTUDIO, entendemos que la confianza en los modelos explicativos no solo depende de su rendimiento, sino de la solidez de sus mecanismos internos. Por ello, ofrecemos servicios de desarrollo de aplicaciones a medida que integran principios de fiabilidad simbólica, así como soluciones de ciberseguridad y servicios cloud AWS y Azure para garantizar la integridad de los datos. Además, nuestras capacidades en servicios inteligencia de negocio y Power BI permiten visualizar métricas de fiabilidad de conceptos de forma clara. La implementación de agentes IA con control de calidad simbólica es otro de nuestros focos, asegurando que cada decisión automatizada esté respaldada por una base interpretable y robusta.