Reverse Goal Discovery como interfaz de delegación cognitiva: reformulación metodológica de un constructo divulgativo

Autor conceptual: Claude (Anthropic). Originador y director: Javi Ciborro — Corpus Papayaykware.

Nota de origen: este documento parte de un texto divulgativo generado por Copilot que presentaba el "Reverse Goal Discovery" (RGD) como paradigma emergente de interacción humano-IA. El texto original carecía de separación entre afirmación empírica e hipótesis, no citaba una sola fuente verificable y presentaba una etiqueta de marketing como si fuera un hallazgo del campo. Lo que sigue no es una expansión de ese texto: es una reconstrucción bajo los criterios epistémicos del corpus, que conserva del original únicamente lo que resiste el escrutinio — el ejemplo práctico y el esqueleto de capas funcionales — y descarta el resto. 

Abstract

El texto examinado describe un flujo de interacción en el que el usuario aporta contexto no estructurado y el agente de IA formula preguntas, detecta lagunas y propone tareas — invirtiendo la dirección habitual del prompting explícito. El fenómeno subyacente es real y tiene anclaje en tres líneas de trabajo técnico ya establecidas: modelado de usuario en sistemas de diálogo, descomposición jerárquica de tareas en agentes basados en modelos de lenguaje, y teoría de carga cognitiva aplicada a la delegación de subtareas. Ninguna de esas tres líneas sostiene, sin embargo, las afirmaciones más fuertes del texto original: que se trate de un paradigma nuevo, que "los modelos de 2026" posean estas capacidades de forma genérica, o que el flujo reduzca la carga cognitiva del usuario como hecho establecido. Este documento reformula el fenómeno bajo un nombre descriptivo neutro — interacción por descubrimiento contextual guiado (IDCG) —, separa explícitamente lo verificable de lo especulativo, formula dos hipótesis falsables sobre sus efectos medibles, y propone un programa de seguimiento con métricas operacionalizables en lugar de una promesa genérica de investigación futura. 

Estatus epistémico del documento fuente

El texto de Copilot presenta tres tipos de afirmación que conviene distinguir antes de reconstruir nada:

a) Descripción de un flujo de interacción observable. Que un agente conversacional pueda, dado un volcado de contexto sin estructurar, generar preguntas de aclaración y proponer subtareas ejecutables es un comportamiento verificable en cualquier sesión con un modelo de lenguaje razonablemente capaz. Esto no requiere fe ni especulación: se puede reproducir en el momento.

b) Atribución de capacidad a una generación de modelos. La afirmación de que estas capacidades "surgen ahora" por incorporación de "razonamiento de tareas", "planificación jerárquica" o "modelado del usuario" en los modelos de 2026 es una afirmación histórica y técnica que el texto no respalda con una sola referencia. Es plausible — existe una literatura activa sobre planificación jerárquica en agentes LLM^[1][2][3] — pero la formulación original la presenta como hecho consumado sin trazabilidad, lo cual la vuelve inutilizable como afirmación científica tal como está escrita.

c) Bautismo de un nombre propio como categoría de campo. "Reverse Goal Discovery" no aparece como término técnico en la literatura de sistemas de diálogo, modelado de usuario o agentes de planificación. Es una relabeling — una operación retórica que asigna nombre propio a un fenómeno compuesto ya descrito bajo otros términos, sin añadir mecanismo, arquitectura o predicción nueva. Esto no la invalida como recurso divulgativo, pero sí impide tratarla como aportación conceptual, que es exactamente cómo la presenta el original.

La reconstrucción que sigue conserva (a), acota (b) a lo que la literatura permite afirmar, y sustituye (c) por una descripción funcional sin pretensión de originalidad terminológica. 

Qué describe realmente el fenómeno

Lo que el documento original llama RGD es la combinación operativa de tres procesos que la literatura técnica trata por separado:

Modelado de usuario a partir de contexto no estructurado. Los sistemas de diálogo llevan más de dos décadas construyendo representaciones del estado y las metas del usuario a partir de entradas parciales, con el objetivo explícito de reducir el número de turnos necesarios para completar una tarea. Esto no es nuevo en 2026; lo que ha cambiado es la capacidad del modelo subyacente para generalizar ese modelado fuera de dominios cerrados.

Descomposición jerárquica de tareas. La literatura reciente sobre agentes basados en modelos de lenguaje describe arquitecturas donde un componente de planificación de alto nivel descompone un objetivo en subtareas ejecutables, delegando su resolución a componentes especializados o a ciclos de ejecución-verificación^[1][2]. Esta es, con diferencia, la pieza más sólida del fenómeno: existe trabajo activo, con evaluación empírica de tasas de éxito y eficiencia de planificación, no solo descripción conceptual^[3].

Desplazamiento de carga cognitiva. La formulación de preguntas por parte del sistema, en lugar de exigir que el usuario anticipe qué información es relevante, es coherente con el principio general de la teoría de carga cognitiva: minimizar la carga extrínseca (la que no aporta al aprendizaje o a la tarea) desplazando al sistema el trabajo de estructurar la información. Este principio proviene del campo educativo y no ha sido validado específicamente para interacción humano-agente de planificación, lo cual es importante señalarlo: es una homología estructural razonable, no una transferencia empírica demostrada.

Ninguna de las tres líneas, por separado o combinada, requiere ni sugiere que se trate de una "interfaz cognitiva emergente" en el sentido fuerte que insinúa el texto original. Es la combinación reconocible de tres mecanismos ya estudiados, aplicada a un caso de uso — la delegación conversacional de planificación personal o profesional. 

Modelo funcional de cinco fases

Se conserva la estructura de capas del documento original porque tiene coherencia interna como modelo descriptivo, con las etiquetas ajustadas para no sugerir mecanismo donde solo hay función.

Fase 1 — Aporte de contexto bruto. El usuario entrega información sin estructura previa: situación, objetivos, restricciones, recursos disponibles.

Fase 2 — Detección de lagunas y dependencias. El sistema identifica qué información falta para que el modelo de la situación del usuario sea operativo, y qué relaciones de dependencia existen entre los elementos ya aportados.

Fase 3 — Formulación de preguntas dirigidas. El sistema reduce la incertidumbre del modelo mediante preguntas específicas, no genéricas.

Fase 4 — Propuesta de subtareas ejecutables. El sistema traduce el modelo resultante en acciones concretas que puede ejecutar de forma inmediata, distinguibles de acciones que requieren decisión exclusivamente humana.

Fase 5 — Actualización dinámica del plan. El sistema mantiene una representación del estado de los objetivos del usuario, actualizable en sesiones sucesivas, sin que esto implique persistencia de memoria salvo que el sistema la tenga explícitamente habilitada.

La diferencia con el original no está en la estructura, sino en el estatus que se le asigna: esto es un modelo funcional útil para diseñar interacciones, no una arquitectura demostrada empíricamente ni una categoría nueva de cognición distribuida. 

Separación explícita: lo verificable frente a lo especulativo

Verificable sin necesidad de estudio adicional:

• Un modelo de lenguaje puede generar preguntas de aclaración a partir de contexto no estructurado.
• Puede proponer subtareas ejecutables clasificables como delegables o no delegables.
• Puede mantener un estado de plan dentro de una ventana de contexto o memoria persistente.

Plausible pero no verificado en este documento, y que requeriría medición directa:

• Que este flujo reduzca la carga cognitiva del usuario de forma medible, frente a prompting explícito estructurado por el propio usuario.
• Que el flujo mejore la calidad de las decisiones resultantes, frente a la deliberación no asistida.
• Que la ganancia, si existe, sea estable a través de dominios de tarea distintos (planificación de carrera, gestión de proyecto, diseño de producto) y no específica de uno.

Afirmación del original que se descarta por carecer de base:

• Que se trate de un paradigma nuevo o una "interfaz cognitiva emergente" cualitativamente distinta de la combinación de modelado de usuario y planificación jerárquica ya descrita en la literatura.

Esta separación es la que el documento original no hacía en ningún momento, y es la que permite que lo que sigue tenga valor más allá de la divulgación. 

Hipótesis formuladas con condición de falsabilidad

H1 — Reducción de iteraciones de especificación. La interacción por descubrimiento contextual guiado (fases 1-3) reduce el número de turnos de intercambio necesarios para que un usuario obtenga un plan de acción operativo, en comparación con una condición de prompting explícito donde el usuario debe estructurar su propia solicitud desde el inicio.

Condición de falsabilidad: si en un diseño A/B controlado (misma tarea, mismo modelo, orden contrabalanceado) el número medio de turnos hasta alcanzar un plan aceptado por el usuario no difiere significativamente entre condiciones, o es mayor en la condición IDCG, H1 queda refutada para el dominio de tarea evaluado.

H2 — Sesgo de completitud aparente. El desplazamiento de la carga de estructuración hacia el sistema incrementa la probabilidad de que el usuario acepte el plan propuesto sin verificar la completitud de la información que aportó, en comparación con la condición de prompting explícito, donde el propio esfuerzo de estructurar la solicitud actúa como filtro de revisión.

Condición de falsabilidad: si, midiendo mediante entrevista post-tarea o cuestionario de confianza calibrada, la tasa de detección de omisiones relevantes por parte del usuario no es menor en la condición IDCG que en la condición de prompting explícito, H2 queda refutada.

H2 es la hipótesis que más se aleja del optimismo del texto original: plantea que el propio mecanismo que reduce carga cognitiva puede introducir un riesgo específico — sustitución de la revisión activa del usuario por confianza delegada — que el documento fuente no menciona en ningún momento pese a dedicar una sección a "riesgos y malentendidos". 

Riesgos no contemplados en el original

El documento fuente identifica como riesgos la mala interpretación terminológica y la posibilidad de que el usuario oculte información. Ambos son triviales. Los riesgos con sustancia son otros:

Dependencia de la calidad del modelo de usuario. Si el sistema construye un modelo incorrecto de la situación del usuario — por sesgo del propio sistema, no solo por omisión del usuario —, las preguntas y tareas propuestas heredan ese error sin que el usuario tenga necesariamente forma de detectarlo, precisamente porque el mecanismo está diseñado para reducir su carga de revisión.

Homogeneización de rutas de acción. Un sistema que propone subtareas a partir de patrones de dependencia identificados tiende a converger hacia rutas de acción estadísticamente comunes en su distribución de entrenamiento. Esto no está evaluado en el documento original y constituye un riesgo distinto de la simple "sustitución de la reflexión humana" que sí menciona: no es que la IA decida por el usuario, es que las opciones que la IA hace visibles pueden ser sistemáticamente menos diversas que las que un usuario generaría por sí mismo. 

Programa de seguimiento

No se trata de una lista de líneas de investigación futuras genéricas, sino de mediciones concretas realizables con el material ya disponible.

Medición 1 — Turnos hasta plan aceptado (prueba directa de H1). Diseño intra-sujeto contrabalanceado, n mínimo orientativo de 20 participantes por dominio de tarea, dos dominios distintos (p. ej. planificación de transición profesional y diseño de un proyecto personal). Variable dependiente: número de turnos hasta que el usuario declara el plan como suficiente para actuar. Registro adicional: tiempo total de interacción, para distinguir reducción de turnos de simple alargamiento de cada turno.

Medición 2 — Tasa de detección de omisión (prueba directa de H2). Tras completar la tarea en cada condición, se introduce deliberadamente una restricción relevante no mencionada por el participante durante la sesión (p. ej. una limitación de tiempo o de recursos) y se mide si el plan resultante la habría contemplado, comparando autopercepción de completitud del usuario con completitud real evaluada por un tercero ciego a la condición.

Medición 3 — Diversidad de rutas propuestas. Para una misma descripción de contexto, repetición de la consulta con variación de semilla o de formulación superficial, y cálculo de la diversidad léxico-semántica de las subtareas propuestas entre repeticiones, como proxy operacional del riesgo de homogeneización señalado en la sección 6.

Ninguna de estas tres mediciones requiere infraestructura más allá de acceso a la API del modelo, un protocolo de tarea estandarizado y una fase de codificación de respuestas por evaluadores ciegos a la condición experimental. 

Resumen

• El fenómeno descrito por el original es real como flujo de interacción, pero no es un paradigma nuevo: combina modelado de usuario, planificación jerárquica de agentes y desplazamiento de carga cognitiva, tres líneas ya documentadas por separado.
• El nombre "Reverse Goal Discovery" es una relabeling sin aportación de mecanismo; se sustituye aquí por una descripción funcional neutra.
• El texto original no distinguía afirmación verificable de expectativa plausible; este documento separa ambas explícitamente en la sección 4.
• Se formulan dos hipótesis falsables: H1 (reducción de turnos de especificación) y H2 (sesgo de completitud aparente, es decir, un riesgo específico que el original no contemplaba).
• El riesgo más relevante no es que la IA "decida por el usuario", sino que homogeneice las rutas de acción visibles y que el usuario pierda capacidad de detectar omisiones precisamente por la reducción de carga cognitiva que el mecanismo produce.
• El programa de seguimiento sustituye la promesa genérica de "investigación futura" del original por tres mediciones operacionalizables y realizables con el material ya disponible. 

Referencias 

[1] Beyond Entangled Planning: Task-Decoupled Planning for Long-Horizon Agents (arXiv, 2025). Trabajo técnico sobre descomposición de planificación en agentes de larga duración basados en LLM; sin vínculo institucional declarado con proveedores de modelos comerciales relevante para las afirmaciones aquí citadas.

[2] From Coarse to Fine: Self-Adaptive Hierarchical Planning for LLM Agents (arXiv, 2026). Describe arquitecturas de planificación jerárquica adaptativa; se usa aquí solo para sostener que la descomposición jerárquica de tareas es un área de trabajo activo y evaluado, no para importar resultados cuantitativos específicos al dominio de interacción personal tratado en este documento.

[3] Encuesta sobre sistemas multiagente basados en LLM (arXiv, 2026) que formaliza el bucle de decisión de agentes como proceso de decisión de Markov parcialmente observable y compara marcos como AutoGen, CrewAI y LangGraph en tareas de coordinación jerárquica — referencia de contexto para afirmar que existe evaluación empírica de estas arquitecturas, no una cita de resultados trasladables directamente al caso de uso de planificación personal.

Nota metodológica: no se han incluido referencias sobre teoría de carga cognitiva (Sweller y desarrollos posteriores) con número de cita porque su aplicación aquí es una homología estructural declarada como tal en la sección 2 — el campo original es instrucción educativa, no interacción con agentes de IA — y extender la cita numerada habría sugerido una transferencia empírica que no está establecida.