Si los conceptos corresponden a direcciones en el espacio de activaciones (ver superposición), se puede empujar al modelo a lo largo de ellas. Esa es la idea del steering. A diferencia del ajuste fino, no cambia ningún parámetro; a diferencia del prompt, no cambia la entrada: se interviene en el flujo residual mientras el modelo calcula.
La versión más simple es la adición de activaciones de Turner et al. (2023): se pasa por el modelo un par de textos contrastantes, como «Love» y «Hate», se restan sus activaciones en una capa y el vector resultante se suma mientras el modelo genera otro texto. Así se desplazan el tema o el tono sin optimización alguna. Otra versión fija un rasgo hallado con un autoencoder ralo: Templeton et al. (2024) fijaron el rasgo «puente Golden Gate» de Claude 3 Sonnet en diez veces su activación máxima, y el modelo empezó a presentarse como el puente. En mayo de 2024 Anthropic abrió al público, durante 24 horas, una versión así: Golden Gate Claude (Anthropic, 2024b). Con la misma lógica, Lu et al. (2026) hallaron que el componente principal del espacio de «personajes» de varios modelos es un eje del Asistente: alejarse de él lleva al modelo a identificarse con otras entidades, y limitar las activaciones a una región del eje lo estabiliza frente a jailbreaks basados en personajes.
El steering sirve también como prueba. Si una sonda encuentra una dirección y empujar por ella cambia la conducta como se predice, la dirección es causalmente relevante y no un mero correlato; así se validaron las representaciones del tablero en Othello-GPT (Millière y Buckner, 2024b, sec. 2.5.3).
Golden Gate Claude es, además, una lección sobre antropomorfismo: un «yo» que cambia con una perilla invita a tomar con cautela los autoinformes de un chatbot. ¿Qué es, entonces, la persona del asistente: un rasgo estable del sistema, o una región de su espacio de activaciones de la que se lo puede sacar?