¿Qué ocurre dentro de la inteligencia artificial cuando le preguntamos algo?

Una mirada técnica, jurídica y filosófica al nuevo lenguaje de las máquinas

Hay algo profundamente extraño en lo que está ocurriendo.

Una máquina que no tiene ojos puede describir una fotografía. Una máquina que no tiene manos puede escribir un poema. Una máquina que nunca ha sentido frío puede explicar cómo funciona el viento. Y, sin embargo, en este mismo momento, sistemas de inteligencia artificial redactan contratos, analizan imágenes médicas, componen música, conducen vehículos, traducen idiomas, escriben código y sostienen conversaciones que, para muchas personas, resultan casi indistinguibles de las humanas.

La pregunta de fondo es sencilla, pero poderosa: ¿cómo ocurre esto?

No se trata únicamente de una pregunta filosófica sobre si la máquina “piensa” o “comprende”. Tampoco es una simple curiosidad tecnológica. Es una pregunta jurídica, política y social. Si una inteligencia artificial puede responder preguntas, sugerir diagnósticos, redactar documentos, clasificar personas, recomendar decisiones o influir en procesos administrativos y judiciales, entonces entender su funcionamiento deja de ser un lujo técnico. Se convierte en una necesidad ciudadana.

Porque la inteligencia artificial ya no pertenece solamente a los laboratorios. Está en los buscadores, en los celulares, en las plataformas de crédito, en los sistemas de vigilancia, en los despachos jurídicos, en las universidades, en los hospitales, en las empresas y en la administración pública.

La inteligencia artificial no es el futuro. Es el presente. Y para convivir con ella sin ingenuidad ni miedo, hay que mirar por dentro.

1. La inteligencia artificial no busca respuestas: transforma información

Una de las primeras ideas que debemos corregir es esta: un modelo moderno de inteligencia artificial no funciona como una enciclopedia ni como una base de datos tradicional.

Cuando una persona le pregunta algo a un sistema de inteligencia artificial, no ocurre simplemente que la máquina “busca” una respuesta almacenada y la copia. Tampoco sigue un manual rígido de instrucciones programadas una por una. Lo que sucede es más complejo: el sistema transforma una entrada —la pregunta— en una salida —la respuesta— mediante una serie de operaciones matemáticas aprendidas durante su entrenamiento.

La estructura básica puede resumirse así:

Entrada → procesamiento interno → salida.

La entrada puede ser texto, imagen, audio, video o datos. El procesamiento interno ocurre dentro de una red neuronal artificial. La salida puede ser una respuesta escrita, una predicción, una clasificación, una imagen, una recomendación o una acción.

En los modelos de lenguaje, como los sistemas conversacionales modernos, la entrada es una secuencia de palabras o fragmentos de palabras. Pero el modelo no ve esas palabras como nosotros las vemos. No recibe “ideas” en sentido humano. Recibe números. El lenguaje se convierte primero en unidades llamadas tokens, que pueden ser palabras, partes de palabras, signos o fragmentos lingüísticos. Luego esos tokens se transforman en vectores: representaciones numéricas que permiten al sistema calcular relaciones entre ellos.

En otras palabras, cuando una persona escribe: “explícame qué es la inteligencia artificial”, el sistema no recibe una frase con conciencia de su significado humano. Recibe una estructura matemática que representa patrones de lenguaje.

Y a partir de allí empieza el proceso.

2. Del lenguaje humano al lenguaje matemático

Para entender la inteligencia artificial hay que aceptar una idea incómoda: la máquina no trabaja con palabras, sino con números.

Cada palabra o fragmento de palabra se convierte en una representación numérica. Esa representación intenta capturar relaciones: qué palabras suelen aparecer juntas, qué expresiones tienen funciones similares, qué conceptos se aproximan entre sí en determinados contextos.

Por eso, en un modelo entrenado con suficiente información, términos como “juez”, “sentencia”, “proceso”, “demanda”, “prueba” y “derecho” tienden a quedar relacionados dentro del espacio matemático del modelo. No porque la máquina tenga experiencia jurídica, sino porque aprendió que esas palabras aparecen conectadas en millones de textos.

Este proceso es una forma de traducción radical. Lo humano se convierte en estadística. El lenguaje se convierte en geometría. Las palabras se ubican en espacios matemáticos donde la cercanía entre vectores representa semejanza, asociación o dependencia contextual.

Aquí aparece una primera enseñanza filosófica: el lenguaje humano, que solemos considerar espontáneo, emocional y libre, tiene regularidades profundas. No hablamos al azar. Argumentamos con estructuras, narramos con secuencias, explicamos con patrones, preguntamos con formas reconocibles. La inteligencia artificial funciona porque el lenguaje humano, aunque flexible y ambiguo, no es caótico.

3. De las reglas al aprendizaje: por qué fracasó la programación tradicional del lenguaje

Durante décadas, los ingenieros intentaron que las computadoras entendieran el lenguaje humano mediante reglas explícitas. La lógica parecía razonable: si el usuario dice “gracias”, responde “de nada”; si una frase termina en signo de interrogación, trátala como pregunta; si aparecen ciertas palabras clave, activa una respuesta prediseñada.

Este enfoque funcionaba en entornos muy controlados, pero fallaba en el lenguaje real.

El lenguaje humano es ambiguo, contextual, irónico, cultural, incompleto y muchas veces contradictorio. Una misma frase puede cambiar de sentido según quién la dice, en qué momento, con qué intención y en qué contexto. La expresión “qué gran idea” puede ser un elogio sincero o una ironía devastadora. La palabra “banco” puede referirse a una entidad financiera o a un asiento. La frase “me fue muy bien” puede significar éxito, resignación o sarcasmo.

El problema no era que faltaran reglas. El problema era que había demasiadas.

La revolución llegó cuando los investigadores dejaron de intentar escribir todas las reglas del lenguaje y adoptaron otro camino: mostrarle a la máquina millones de ejemplos para que aprendiera los patrones por sí misma. Ese es el corazón del aprendizaje automático, o machine learning. Y dentro de ese campo, la técnica que domina gran parte de la inteligencia artificial contemporánea se llama aprendizaje profundo, o deep learning.

4. La neurona artificial: una idea sencilla que se vuelve inmensa

La unidad básica de una red neuronal artificial se llama neurona artificial. No porque sea igual a una neurona biológica, sino porque se inspira de manera general en una idea: una unidad que recibe señales, las procesa y produce una salida.

Una neurona artificial recibe varios números de entrada. Cada entrada se multiplica por un peso, que indica la importancia relativa de esa señal. Luego se suman esos valores y se aplica una función de activación que decide qué señal enviar a la siguiente capa.

Dicho de forma sencilla: una neurona artificial es una pequeña operación matemática.

Por sí sola, no parece impresionante. Pero cuando se conectan millones o miles de millones de estas unidades en múltiples capas, aparece una estructura capaz de realizar transformaciones muy complejas. La primera capa recibe información inicial. Las capas intermedias la transforman progresivamente. La última capa produce una salida.

La palabra “profundo” en aprendizaje profundo no es decorativa. Se refiere a la existencia de muchas capas intermedias. Cada capa transforma la información y permite que el sistema construya representaciones cada vez más abstractas.

En una red de visión artificial, las primeras capas pueden detectar bordes, líneas o contrastes. Capas más avanzadas pueden detectar formas, texturas, órganos, rostros o señales. En un modelo de lenguaje, las primeras capas pueden captar relaciones gramaticales simples, mientras que capas más profundas pueden representar contexto, estilo, intención probable, estructura argumentativa o relaciones conceptuales.

No hay magia. Hay matemáticas. Pero la complejidad de esas matemáticas, multiplicada por escala masiva, produce resultados que parecen mágicos.

5. El entrenamiento: cómo una red aprende de sus errores

Cuando una red neuronal se crea por primera vez, no sabe nada. Sus pesos internos son aleatorios. Si se le pide continuar una frase, clasificar una imagen o traducir una oración, responderá de manera absurda.

El aprendizaje comienza con el entrenamiento.

Durante el entrenamiento, la red recibe millones o miles de millones de ejemplos. Hace una predicción. Esa predicción se compara con una respuesta esperada o con el patrón que debe aprender. Luego se calcula el error: qué tan lejos estuvo la red del resultado correcto.

Ese error se usa para ajustar los pesos internos del modelo mediante un proceso llamado retropropagación, o backpropagation. La idea general es elegante: el error viaja hacia atrás por la red y modifica los pesos que contribuyeron a la equivocación. Los pesos que ayudaron a acercarse a la respuesta correcta se refuerzan; los que contribuyeron al error se reducen o modifican.

Este proceso se repite millones de veces.

Al final, los pesos de la red no han sido escritos manualmente por un programador. Han sido moldeados por los datos. La red no recibe una lista completa de reglas. Aprende regularidades.

Aquí está una de las claves de la inteligencia artificial moderna: los modelos no son programados en cada detalle; son entrenados.

Esa diferencia transforma todo el problema jurídico de la responsabilidad. Si un programa tradicional falla, podemos buscar la instrucción que produjo el error. Pero si un modelo entrenado genera una respuesta equivocada, el origen del error puede estar distribuido entre datos, arquitectura, entrenamiento, ajuste fino, instrucciones del usuario, diseño del sistema y contexto de uso. La responsabilidad ya no es lineal. Se vuelve técnica, compartida y difícil de rastrear.

6. El Transformer: la arquitectura que cambió la historia

En 2017, un grupo de investigadores publicó un artículo titulado Attention Is All You Need. Ese trabajo introdujo una arquitectura llamada Transformer, que cambió profundamente el campo de la inteligencia artificial.

Antes de los Transformers, muchos modelos tenían dificultades para procesar secuencias largas de texto. Podían perder información relevante cuando las palabras importantes estaban muy separadas. El Transformer resolvió este problema mediante un mecanismo llamado atención, o attention.

La atención permite que el modelo, al procesar una palabra, evalúe qué otras palabras del contexto son más relevantes para interpretarla.

Por ejemplo, en la frase: “fui al banco a depositar dinero”, la palabra “banco” debe interpretarse como entidad financiera. El modelo puede asignar más importancia a palabras como “depositar” y “dinero” que a otras menos relevantes. En cambio, en la frase “me senté en el banco del parque”, la palabra “banco” se relaciona con “senté” y “parque”.

Ese mecanismo se aplica simultáneamente a muchas palabras y en múltiples dimensiones. Cada capa puede captar relaciones distintas: gramaticales, semánticas, contextuales, estilísticas o lógicas. Por eso los modelos modernos pueden mantener coherencia en textos largos, traducir con matices, escribir código, resumir documentos o sostener conversaciones complejas.

El Transformer no hizo que las máquinas pensaran como humanos. Pero sí les permitió procesar lenguaje con una capacidad contextual inédita.

7. ¿La inteligencia artificial entiende o solo predice?

Esta es la pregunta filosófica central.

Un modelo de lenguaje aprende a predecir el siguiente token probable dentro de una secuencia. A partir de una pregunta, calcula qué respuesta resulta más probable, coherente y útil según los patrones aprendidos durante el entrenamiento y según las instrucciones recibidas.

Desde una perspectiva estrictamente técnica, el modelo no “entiende” como entiende una persona. No tiene cuerpo, biografía, dolor, memoria vital, intención propia ni experiencia del mundo. No sabe qué se siente tener frío, perder un juicio, firmar un contrato, sufrir una enfermedad o esperar una sentencia.

Sin embargo, sería simplista decir que “solo predice palabras” como si eso no tuviera importancia. El lenguaje humano contiene conocimiento, estructura, memoria cultural, razonamiento, reglas sociales, ciencia, derecho, literatura e historia. Cuando un modelo aprende patrones a una escala gigantesca, puede producir respuestas funcionalmente inteligentes, aunque su inteligencia no sea humana.

Aquí conviene evitar dos errores opuestos.

El primero es humanizar demasiado la inteligencia artificial: creer que piensa, quiere, siente o tiene conciencia.

El segundo es despreciarla por completo: decir que “solo es estadística” y, por tanto, no importa.

La verdad es más interesante. La inteligencia artificial no es una mente humana, pero tampoco es una calculadora común. Es una nueva forma de sistema técnico: una estructura matemática entrenada sobre grandes cantidades de datos humanos, capaz de producir lenguaje, inferencias y soluciones útiles, pero también errores convincentes.

8. Las capacidades emergentes: cuando la escala cambia la naturaleza del sistema

La escala es una de las claves menos comprendidas de la inteligencia artificial moderna.

Los modelos actuales no son simplemente programas grandes. Son sistemas con miles de millones o incluso cientos de miles de millones de parámetros. Un parámetro es un peso ajustable aprendido durante el entrenamiento. Cada parámetro, individualmente, no significa mucho. Pero el conjunto de todos ellos configura una estructura capaz de representar patrones muy complejos.

A medida que los modelos crecen, no solo mejoran gradualmente. En ciertos casos aparecen capacidades que no estaban claramente presentes en modelos más pequeños. A esto se le ha llamado capacidades emergentes.

Modelos entrenados para predecir texto pueden aprender a traducir, resumir, responder preguntas, resolver problemas de programación, redactar documentos jurídicos, explicar conceptos científicos o seguir instrucciones complejas. Nadie escribió una regla específica para cada una de esas tareas. Aparecen como consecuencia de la escala, los datos, la arquitectura y el entrenamiento.

Esta idea produce una inquietud filosófica: no siempre comprendemos plenamente por qué un sistema funciona como funciona. Sabemos cómo se entrena, conocemos su arquitectura general, medimos sus resultados, estudiamos sus activaciones internas, pero no siempre podemos explicar con precisión cada respuesta concreta.

Eso plantea un problema jurídico decisivo: ¿cómo exigir transparencia a un sistema que ni siquiera sus desarrolladores pueden explicar completamente en cada caso?

9. Las alucinaciones: cuando la respuesta parece verdadera, pero no lo es

Uno de los errores más peligrosos de los modelos de lenguaje es la alucinación.

Una alucinación ocurre cuando el sistema genera información falsa, inexistente o no verificable, pero presentada con apariencia de verdad. Puede inventar fechas, normas, sentencias, autores, citas, estadísticas o explicaciones. El problema es que el texto suele sonar convincente.

Esto ocurre porque el modelo no está diseñado, en su forma básica, para decir la verdad. Está entrenado para producir texto probable, coherente y útil. Pero lo probable no siempre es verdadero.

Para el derecho, esta diferencia es crucial. Un escrito jurídico puede sonar impecable y estar completamente equivocado. Una sentencia citada puede no existir. Una norma puede estar derogada. Un precedente puede estar mal interpretado. Una cláusula puede parecer técnica y, sin embargo, ser ineficaz, abusiva o contraria a la ley.

Por eso la inteligencia artificial no debe ser tratada como autoridad, sino como herramienta. Puede ayudar a investigar, organizar, resumir, redactar y explorar argumentos. Pero no reemplaza la verificación humana, especialmente en campos de alta consecuencia como derecho, medicina, educación, finanzas o administración pública.

La IA puede acelerar el trabajo intelectual. Pero también puede acelerar el error si se usa sin criterio.

10. Sesgos, datos y discriminación algorítmica

Un modelo aprende de los datos que recibe. Si los datos contienen sesgos, el modelo puede reproducirlos. Si ciertos grupos sociales están subrepresentados, mal representados o asociados históricamente con prejuicios, el sistema puede heredar esos patrones.

Este problema no es abstracto. En decisiones de crédito, selección laboral, vigilancia, justicia penal, educación o salud, un sistema sesgado puede afectar derechos fundamentales. La discriminación algorítmica no siempre aparece como una frase ofensiva. A veces aparece como una clasificación, una recomendación, una puntuación de riesgo o una decisión automatizada.

Desde el punto de vista jurídico, esto conecta directamente con igualdad, debido proceso, habeas data, protección de datos personales, transparencia, motivación de decisiones administrativas y responsabilidad por daños.

En Colombia, la Ley 1581 de 2012 protege el derecho de las personas a conocer, actualizar y rectificar información personal. Ese marco resulta relevante cuando sistemas de inteligencia artificial tratan datos personales para perfilar, clasificar o tomar decisiones que afectan a individuos. El reto contemporáneo es que el dato ya no solo se almacena: se transforma, se infiere y se usa para predecir comportamientos.

El derecho debe entonces responder una pregunta nueva: ¿cómo proteger a una persona no solo frente al dato que entregó, sino frente a las conclusiones que una máquina produce sobre ella?

11. Inteligencia artificial y responsabilidad jurídica

La inteligencia artificial tensiona las categorías tradicionales de responsabilidad.

Si un abogado usa una IA y presenta una cita falsa en una demanda, ¿quién responde? ¿El abogado, la empresa que desarrolló el sistema, la plataforma que lo integró, el cliente que lo exigió o todos en distintos grados?

Si una empresa usa IA para seleccionar personal y excluye sistemáticamente a ciertos grupos, ¿puede alegar que la decisión fue “técnica” o “automática”?

Si una entidad pública usa IA para priorizar subsidios, detectar fraude o clasificar ciudadanos, ¿cómo garantiza motivación, contradicción, revisión humana y transparencia?

El derecho no puede aceptar una zona de irresponsabilidad bajo la excusa de la complejidad tecnológica. Precisamente porque el sistema es complejo, la obligación de diligencia debe aumentar. Usar inteligencia artificial no elimina la responsabilidad humana; la redistribuye y la hace más exigente.

En términos prácticos, todo uso serio de IA en contextos jurídicos o administrativos debería incluir, como mínimo, evaluación de riesgos, trazabilidad, revisión humana, protección de datos, documentación del sistema, explicación suficiente, controles contra sesgos y posibilidad de impugnación.

El principio debe ser claro: ninguna persona debe quedar sometida a una decisión automatizada opaca sin posibilidad real de comprenderla, discutirla y corregirla.

12. El AI Act europeo y la regulación por niveles de riesgo

La Unión Europea adoptó un enfoque regulatorio basado en riesgos. No todos los sistemas de IA generan el mismo peligro. Una aplicación que recomienda música no debe recibir el mismo tratamiento que un sistema usado para evaluar acceso a empleo, educación, crédito, salud, justicia o servicios públicos.

El AI Act clasifica ciertos usos como prohibidos, otros como de alto riesgo y otros sujetos a obligaciones de transparencia. La idea central es proporcional: a mayor riesgo para derechos, seguridad o bienestar colectivo, mayores obligaciones para proveedores y usuarios del sistema.

Este enfoque resulta especialmente relevante para América Latina y Colombia, donde la regulación de IA todavía está en construcción. Copiar modelos extranjeros sin adaptación sería un error, pero ignorarlos también. La región necesita una arquitectura jurídica que permita innovación, pero que al mismo tiempo proteja derechos fundamentales.

La inteligencia artificial no debe regularse desde el pánico ni desde la fascinación. Debe regularse desde la comprensión técnica y la prudencia democrática.

13. Agentes de IA: cuando el sistema deja de responder y empieza a actuar

Hasta ahora muchas personas han usado la IA como un sistema de respuesta: se le pregunta algo y responde. Pero el siguiente paso son los agentes de inteligencia artificial.

Un agente no solo responde. Puede planificar, usar herramientas, consultar fuentes, ejecutar tareas, observar resultados, corregir errores y persistir en un objetivo. Por ejemplo, podría organizar una agenda, revisar documentos, enviar mensajes, buscar información, comparar contratos o gestionar procesos internos de una empresa.

Esto aumenta la utilidad, pero también el riesgo.

Un sistema que solo responde puede equivocarse en un texto. Un sistema que actúa puede producir consecuencias reales: enviar información confidencial, ejecutar una operación, modificar una base de datos, afectar una decisión administrativa o interactuar con terceros.

Por eso el problema de la alineación se vuelve central. Alinear un sistema significa lograr que sus acciones sean compatibles con las instrucciones humanas, los valores jurídicos, la seguridad, la ética y los límites del contexto en que opera.

La pregunta ya no será solo: “¿qué respondió la IA?”. La pregunta será: “¿qué hizo la IA, con qué autorización, bajo qué control y con qué responsabilidad?”.

14. El hardware: la inteligencia artificial también es materia, energía y chips

La inteligencia artificial suele imaginarse como algo inmaterial, como si viviera en una nube abstracta. Pero toda nube tiene suelo. Todo modelo necesita servidores. Todo servidor necesita chips. Todo chip necesita energía, agua, minerales, fábricas, cadenas de suministro y poder geopolítico.

Los modelos modernos funcionan gracias a procesadores especializados, especialmente GPU y otros aceleradores diseñados para realizar operaciones matemáticas masivas en paralelo. Estas operaciones, en particular multiplicaciones matriciales, son el corazón del aprendizaje profundo.

Por eso el avance de la IA está ligado a la guerra de los chips. Más capacidad de cómputo permite entrenar modelos más grandes. Modelos más grandes pueden producir capacidades más avanzadas. Y esas capacidades generan mayor demanda de centros de datos, energía y semiconductores.

La inteligencia artificial no es solo software. Es infraestructura global.

Esta dimensión material también tiene implicaciones jurídicas y ambientales. ¿Quién controla los centros de datos? ¿Qué países dominan los chips? ¿Cuánta energía consume la IA? ¿Qué obligaciones ambientales deben asumir las empresas tecnológicas? ¿Qué ocurre si la infraestructura crítica de IA queda concentrada en pocas corporaciones o potencias?

La modernidad digital no flota en el aire. Está construida sobre silicio, electricidad y poder.

15. ¿Debe la inteligencia artificial tener límites?

La respuesta jurídica y filosófica debe ser sí, pero no cualquier límite.

Limitar no significa prohibir el desarrollo tecnológico. Significa imponer condiciones para que ese desarrollo no destruya derechos, garantías ni instituciones. La historia demuestra que toda tecnología poderosa necesita marcos de responsabilidad. La imprenta, la electricidad, el automóvil, la aviación, la energía nuclear, internet y ahora la inteligencia artificial transformaron sociedades enteras. Ninguna de esas tecnologías fue neutral en sus efectos.

La inteligencia artificial debe ser útil, pero también controlable. Debe ser innovadora, pero también auditable. Debe ser eficiente, pero también compatible con la dignidad humana. Debe asistir al derecho, pero no sustituir la deliberación jurídica. Debe ayudar a decidir mejor, pero no convertirse en una autoridad invisible.

El problema no es que las máquinas respondan. El problema es que los humanos deleguen sin entender.

16. Conclusión: entender la IA es una forma de leer el mundo

Cuando una persona escribe una pregunta en un sistema de inteligencia artificial, ocurre una cadena de transformaciones: el lenguaje se convierte en números, los números atraviesan capas de una red neuronal, el mecanismo de atención pondera el contexto, los parámetros entrenados producen una distribución de probabilidades y el sistema genera una respuesta token por token.

No hay conciencia. No hay voluntad. No hay experiencia interior. Pero sí hay una estructura matemática de enorme complejidad, entrenada sobre cantidades inmensas de lenguaje humano, capaz de producir resultados que sorprenden incluso a quienes la diseñan.

La inteligencia artificial no es magia. Pero tampoco es una herramienta ordinaria. Es una nueva infraestructura cognitiva de la sociedad contemporánea.

Su poder no consiste únicamente en responder preguntas. Consiste en reorganizar la manera como buscamos información, tomamos decisiones, redactamos documentos, interpretamos datos, administramos riesgos, producimos conocimiento y ejercemos derechos.

Por eso entender qué ocurre dentro de la inteligencia artificial no es un asunto reservado a ingenieros. Es una cuestión jurídica, filosófica y ciudadana.

En una época en la que muchas decisiones serán asistidas, influenciadas o ejecutadas por sistemas automatizados, comprender la inteligencia artificial es una forma de defender la libertad.

Porque quien no entiende la herramienta que lo clasifica, lo recomienda, lo evalúa o lo persuade, termina viviendo bajo una autoridad invisible.

Y el derecho, si quiere seguir siendo derecho en la modernidad tecnológica, tendrá que aprender a mirar dentro de la máquina.

Referencias

Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, F. L., Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., Avila, R., Babuschkin, I., Balaji, S., Balcom, V., Baltescu, P., Bao, H., Bavarian, M., Belgum, J., Bello, I., … Zoph, B. (2023). GPT-4 technical report. arXiv.

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623.

Congreso de la República de Colombia. (2012). Ley 1581 de 2012. Por la cual se dictan disposiciones generales para la protección de datos personales.

European Parliament and Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act).

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce.

Stanford Institute for Human-Centered Artificial Intelligence. (2026). AI Index Report 2026. Stanford University.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.