Los enfoques basados en la reconstrucción para la detección de anomalías tienden a quedarse cortos cuando se aplican a conjuntos de datos complejos con clases objetivo que poseen una alta variabilidad entre clases. Similar a la idea del aprendizaje autodidacta utilizado en el aprendizaje por transferencia, muchos dominios están llenos de conjuntos de datos no etiquetados similares que podrían ser aprovechados como un proxy para muestras fuera de distribución. En este documento presentamos el autoencoder insensible a lo latente (LIS-AE) donde los datos no etiquetados de un dominio similar se utilizan como ejemplos negativos para dar forma a la capa latente (cuello de botella) de un autoencoder regular de manera que solo sea capaz de reconstruir una tarea. Proporcionamos justificación teórica para el proceso de entrenamiento propuesto y las funciones de pérdida junto con un extenso estudio de ablación que destaca aspectos importantes de nuestro modelo. Probamos nuestro modelo en múltiples configuraciones de detección de anomalías presentando un análisis cuantitativo y cualitativo que muestra la mejora significativa del rendimiento de nuestro modelo para tareas de detección de anomalías.