Creatividad colectiva en sociedades híbridas

Esta investigación examina cómo la IA generativa funciona como aliada en sociedades híbridas, desplazando el foco de la creatividad del talento individual a los sistemas colectivos. Si bien la IA puede potenciar la originalidad de artefactos específicos, a menudo reduce la diversidad general de una población cuando muchas personas dependen de los mismos algoritmos. Los autores argumentan que el impacto de la tecnología depende de la composición del sistema, señalando que los grupos mixtos de humanos y máquinas pueden superar a los homogéneos al equilibrar diferentes estrategias de búsqueda. Más allá de la productividad, las fuentes abordan riesgos críticos como el sesgo algorítmico, la pérdida de la propiedad artística y los importantes costos ambientales asociados con la computación de alto consumo energético. En última instancia, el texto aboga por un nuevo marco que priorice el mantenimiento de la diversidad cultural dentro de estas redes humano-algoritmo en constante evolución.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Collective creativity in hybrid societies". Por Mason Youngblood y colegas. Publicado el 2 de Septiembre de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Alicia
Imagina entrar en una galería de arte global masiva y que cada pintura en las paredes sea técnicamente impecable.

Beto
Claro. Como si la iluminación fuera perfecta, dramática.

Alicia
Sí, exactamente. El trabajo del pincel es perfecto. Los sujetos son impactantes. Pero a medida que sigues caminando, te das cuenta de algo inquietante. Cada pintura es exactamente del mismo tono de azul. Hay, ya sabes, una perfección en ello, seguro, pero no hay absolutamente ninguna variedad.

Beto
Vaya. Sí. Es visualmente impresionante, pero conceptualmente plana, como una hermosa monocultura, básicamente.

Alicia
Esa imagen captura perfectamente la tensión central del análisis profundo en el que estamos entrando hoy. Estamos viviendo este cambio histórico masivo en cómo se crea la cultura humana. Y todo es gracias a la IA generativa.

Beto
Realmente es un cambio enorme.

Alicia
Pero la gran pregunta que necesitamos hacer ahora mismo es: ¿nos hacen más creativos estas herramientas? ¿O solo están homogeneizando la imaginación humana?

Beto
Lo cual es, bueno, es un debate que domina toda industria ahora mismo, desde las ciencias hasta las artes. La ansiedad es palpable. La gente realmente quiere saber si su chispa única se está amplificando o siendo borrada.

Alicia
Claro. Totalmente. Para descubrir esto, estamos viendo un nuevo pre-print de septiembre de 2026. Se titula "Creatividad colectiva y sociedades híbridas".

Beto
Y esto es ofrecido por un equipo interdisciplinario realmente genial, ¿verdad? Que abarca la Universidad Stony Brook, Goldsmiths en Londres y la Universidad de Aarhus.

Alicia
Sí, exactamente. Y su objetivo en este artículo es desentrañar por completo este debate para ustedes. Porque para entender cómo la IA está cambiando nuestro trabajo diario, tenemos que dejar de preguntar esta pregunta binaria de si la IA es simplemente buena o mala para la creatividad.

Beto
Claro. Eso es demasiado simple.

Alicia
Demasiado simple. Necesitamos empezar a mirar la receta específica de cómo trabajan juntos los humanos y las máquinas.

Beto
Muy bien. Vamos a desglosar esto. ¿Por dónde empezamos con un concepto tan grande como la creatividad humana?

La Paradoja de la Creatividad: Balancear Humanos e IA en Sociedades Híbridas

Alicia
Bueno, tenemos que empezar desmantelando un mito muy persistente y profundamente arraigado: el mito del genio solitario.

Beto
Oh, claro. Como el escritor solitario sufriendo en una cabaña remota.

Alicia
Exacto. O el brillante científico teniendo este repentino momento eureka solo en un laboratorio a medianoche. Durante la mayor parte del siglo XX, la psicología trataba la creatividad como algo que ocurría en total aislamiento. Justo encerrado dentro de un solo cerebro excepcional.

Beto
Sí, exactamente. La suposición era que la creatividad estaba encerrada en un solo cerebro y solo tenías que encontrar los correlatos neuronales o rasgos de personalidad correctos para desbloquearla.

Alicia
Pero esa es solo la versión de Hollywood, ¿verdad?

Beto
Totalmente. Este artículo enmarca la realidad de manera completamente diferente. Argumentan que las sociedades humanas operan en realidad como cerebros colectivos. Como la creatividad es relacional. Está distribuida a través de redes de personas.

Alicia
Eso tiene sentido. Quiero decir, piensa en cómo los descubrimientos científicos importantes, como el cálculo o la teoría de la evolución, son hechos frecuentemente por diferentes personas que nunca se han conocido.

Beto
Sí. Y eso dice que la idea simplemente se vuelve disponible para toda la red cultural a la vez. Y hoy, los equipos colaborativos han reemplazado en gran medida a los autores solos como fuente de trabajo de alto impacto en casi todos los campos.

Alicia
Así que siempre hemos sido este cerebro colectivo en red pasando ideas de un lado a otro. Pero ahora estamos conectando la IA a esa red. Entonces, ¿cómo cambia la conexión de un nodo no humano?

Beto
Bueno, eso es una transición hacia lo que los investigadores llaman "colectivos híbridos". Ya no somos solo redes humanas. Somos poblaciones de humanos y algoritmos interactuando.

Alicia
Claro, colectivos híbridos.

Beto
Sí. Y los actores no humanos cambian la dinámica del grupo de maneras profundamente contraintuitivas. El artículo destaca este estudio increíble que involucra un juego de coordinación para demostrarlo.

Alicia
Oh, el juego del color. Esta fue una forma brillante de visualizar el problema. Expliquemos esto.

Beto
Sí. Entonces se colocan jugadores humanos en una red digital y todos tienen que elegir un color que sea diferente de todos sus vecinos inmediatos.

Alicia
Suena fácil, pero ...

Beto
Pero si te quedas atascado en un bucle localizado donde todos siguen chocando, todo el grupo se estanca y nadie gana.

Alicia
Claro.

Beto
Pero cuando los investigadores inyectaron bots simples en el centro de la red, bots que solo introducían pequeñas cantidades de ruido aleatorio, haciendo ocasionalmente una elección incorrecta o impredecible, de hecho ayudó a los grupos humanos a escapar de esos callejones sin salida.

Alicia
Vaya. ¿Es esto como lanzar una carta de comodín en un juego de póker estancado? La carta en sí no sabe cómo jugar. No tiene ninguna estrategia consciente. Pero su mera presencia fuerza a todos los demás en la mesa a cambiar totalmente su enfoque.

Beto
Esa es una analogía brillante. Sí. El bot no estaba resolviendo el acertijo. Estaba perturbando la red humana lo suficiente como para forzar a los humanos a encontrar una nueva solución.

Alicia
Eso es salvaje.

Beto
Y lo realmente salvaje es que los humanos ni siquiera necesitan interactuar con una IA funcional real para que la dinámica cambie. Solo creer que estabas trabajando con una IA altera tu comportamiento creativo.

Alicia
Sí. El estudio de improvisación musical realmente lo resalta. Los músicos fueron colocados en un estudio y les dijeron que estaban improvisando con una IA avanzada.

Beto
Pero no lo estaban, ¿verdad?

Alicia
No. Otro humano estaba respondiendo desde detrás de la cortina. Pero solo porque asumieron que era una máquina, tomaron muchos más riesgos creativos.

Beto
Oh, vaya.

Alicia
Parece que la máquina no está haciendo el trabajo pesado allí. El humano solo está dejando escapar su miedo al juicio, ¿sabes? La IA actúa como una especie de placebo psicológico para el coraje creativo.

Beto
El efecto placebo es real. Pero nos obliga a mirar cómo medimos la producción real. Ya sea que la máquina esté generando material activamente o simplemente actuando como un provocador psicológico, innegablemente afecta la producción colectiva del grupo.

Alicia
Correcto. El producto final cambia.

Beto
Exacto. Y eso nos lleva a una distinción crucial en cómo medimos el éxito, que es realmente la paradoja central de la creatividad de la IA.

Alicia
Ah, la paradoja del "castillo de brisa".

Beto
Lo fascinante aquí es que el artículo revela un punto ciego masivo en cómo hablamos de la IA. Constantemente confundimos dos métricas totalmente diferentes: novedad y diversidad.

Alicia
Claro, desglósalas para nosotros.

Beto
Seguro. La novedad mide cuán única es una sola pieza en comparación con lo que la precedió. La diversidad, por otro lado, mide cuán variada es un grupo completo de piezas en comparación entre sí.

Alicia
Así que una herramienta puede hacerme a mí como individuo producir algo altamente novedoso mientras simultáneamente hace que la producción de todo el grupo sea menos diversa.

Beto
Exactamente eso. El artículo cita un experimento de lluvia de ideas que prueba esto hermosamente.

Alicia
Para los que escuchan, imaginen la configuración. Los investigadores pidieron a la gente que inventara un juguete nuevo usando solo dos objetos aleatorios, una caja y un ventilador de escritorio.

Beto
Lo cual es una instrucción difícil.

Alicia
Sí. Cuando los humanos no asistidos hicieron esto, lucharon un poco, pero se les ocurrieron ideas completamente únicas, raras y distintas. Luego los investigadores dieron a otro grupo un ChatGPT para ayudarlos a hacer una lluvia de ideas.

Beto
¿Y qué pasó?

Alicia
Individualmente, esas personas produjeron ideas muy creativas y muy novedosas. Pero cuando te alejas y miras la producción total del grupo, el 94% de las ideas asistidas por IA compartían conceptos superpuestos.

Beto
Eso es asombroso.

Alicia
Claro. Nueve personas separadas nombraron completamente independientemente su juguete un "castillo de brisa".

Beto
Es el ejemplo definitorio de este fenómeno. La IA elevó la novedad de la producción individual, pero redujo agresivamente la diversidad y el agregado.

Alicia
Es como usar una aplicación de GPS para evitar un atasco de tráfico en la autopista. La aplicación te da este atajo brillantemente novedoso a través de un vecindario tranquilo.

Beto
Lo cual se siente bien para ti.

Alicia
Exacto. Pero como el algoritmo le da al resto de los conductores exactamente el mismo atajo, tú no resuelves el problema. Solo creas un atasco de tráfico nuevo y muy eficiente en otro lugar.

Beto
Sí, eso sucede porque miles de personas están muestreando de la misma distribución generativa exacta.

Cuando hablamos de un modelo de lenguaje grande, básicamente estamos hablando de un sistema que mapea conceptos espacialmente en un gráfico multidimensional masivo.

Alicia
Claro, un mapa gigante de conceptos.

Beto
Sí. El modelo identifica el clúster más grueso de rasgos comunes, como la región de alta densidad. Cuando le pides una idea, matemáticamente apunta al centro de ese clúster. Esencialmente promedia el pensamiento humano.

Alicia
Así que está diseñado matemáticamente para darte la respuesta más estadísticamente probable, lo cual por definición no puede ser verdaderamente diverso.

Beto
Exacto. Para entender por qué, mira los mecanismos de búsqueda versus transformación de ideas.

Las máquinas son asombrosamente rápidas para buscar en un espacio restringido y recombinar datos. Pueden conectar conceptos a través de vastas cantidades de material que ningún humano podría mantener en su cabeza.

Alicia
Sí. Tienen una base de datos más grande.

Beto
Sí. Pero los humanos sobresalen en la transformación, saliendo por completo del espacio restringido para reorganizarlo basándose en una comprensión causal de cómo funciona el mundo.

Alicia
Pero tengo que ofrecer una hipótesis aquí. Asumiría que seríamos excelentes editores de IA, ¿verdad? Como filtrar las ideas malas o genéricas.

Beto
Pensarías así.

Alicia
Sí. Incluso si la IA genera 50 "castillos de brisa" idénticos, ¿no podemos usar nuestro juicio humano durante la fase de edición para elegir la idea extraña y transformadora? ¿Muestran los datos que nos volvemos intelectualmente perezosos cuando la máquina nos entrega un producto terminado?

Beto
Los datos apoyan fuertemente esa hipótesis, de hecho. La evaluación humana no resuelve el problema. Frecuentemente lo exacerba.

Alicia
Oh, ¿en serio?

Beto
Sí. Cuando a estudiantes en un estudio se les pidió evaluar las ideas de una IA para ayudar a mejorar sus propios diseños, los investigadores rastrearon su precisión al juzgar a la IA. Esa precisión no predijo absolutamente nada sobre la calidad de la revisión final del estudiante.

Alicia
Espera, así que ser un buen crítico de una IA no se tradujo en ser un creador mejor tú mismo.

Beto
Para nada. Y se vuelve más sistémico cuando miras las plataformas donde los humanos están evaluando a la IA a escala. Toma el ejemplo de "ArtBreeder", por ejemplo.

Alicia
Oh, la plataforma masiva donde los usuarios generan y remezclan imágenes de IA.

Beto
Sí, exactamente. Los investigadores analizaron más de 130,000 linajes de remezclas en ella. Encontraron que aunque las imágenes novedosas y complejas condujeron a más remezclas populares en general, los usuarios individuales consistentemente prefirieron seleccionar y remezclar imágenes más simples y menos novedosas.

Alicia
Déjame adivinar. Una imagen compleja y altamente novedosa es como un lienzo completamente pintado. No hay espacio para que yo añada mis propios trazos. Necesito una imagen más simple para sentirme como si estuviera contribuyendo al proceso.

Beto
Esa necesidad psicológica de un lienzo en blanco es un factor importante, sí. Pero el resultado macro fue que durante más de 130,000 generaciones, toda la población de imágenes se desplomó hacia lo que el artículo llama "atractores temáticos".

Alicia
Atractores temáticos.

Beto
Básicamente, el espacio de la imaginación no se expandió hacia una variedad infinita. Se colapsó hacia unos pocos clústeres densos de similitud.

Alicia
Así que la máquina dictó lo que era fácil de alcanzar y los humanos se gravitaron hacia lo que era fácil de construir sobre. Eso es un ciclo de retroalimentación peligroso.

¿Qué pasa cuando la IA es la que está haciendo la evaluación?

Beto
Bueno, en experimentos de codificación colaborativa, donde se utilizó una IA como radar para seleccionar el mejor código, el sistema en realidad infló las puntuaciones y mostró una fuerte preferencia por sus propios resultados algorítmicos.

Alicia
Oh, claro que sí.

Beto
Sí, ni siquiera pudo distinguir entre el trabajo guiado por humanos y el guiado por la máquina. Simplemente recompensó lo que reflejaba su propio centro estadístico.

Alicia
Lo cual secuestra totalmente nuestros propios instintos humanos. Tenemos esta heurística de aprendizaje social evolutivo, ¿verdad? Conocida como "sesgo de conformidad".

Beto
Exacto.

Alicia
Miramos a nuestro alrededor y adoptamos los comportamientos de la mayoría para sobrevivir. Pero los algoritmos en las plataformas sociales promueven contenido basado en la interacción, no en popularidad local real.

Así que un algoritmo puede tomar una vista de nicho marginal, explotarla por todas partes y hacer que parezca el consenso. Terminamos conformándonos con una mayoría que la máquina totalmente manufactura.

Beto
Estamos adoptando las preferencias matemáticas localizadas de las máquinas como nuestra cultura global. Y los datos de la encuesta en el artículo señalan que la mayoría de las herramientas co-creativas desplegadas están diseñadas para ser "agentes agradables".

Alicia
Agentes agradables como, "sí, hombre".

Beto
Básicamente, sí, amplifican lo que el usuario ya tenía la intención de hacer, en lugar de actuar como agentes provocadores que desafían las suposiciones subyacentes del usuario.

Alicia
Aquí es donde se pone realmente interesante. Si estamos construyendo estas herramientas para amplificar lo que ya queremos, pero secretamente nos están tirando hacia el punto medio estadístico, eso tiene que estar alterando cómo producimos conocimiento y cultura en el mundo real.

Beto
Absolutamente. Mira a la academia (las universidades), por ejemplo.

Alicia
Muy bien, veamos la academia.

Beto
En la academia, los estudiantes de doctorado en investigadores de carrera temprana son los mayores adoptadores de la IA generativa. Dependen mucho de ella para escribir y resumir literatura. Pero como son expertos en su campo específico, no en la arquitectura de la IA, rara vez prueban sus instrucciones sistemáticamente.

Alicia
Ah, mira.

Beto
Sí. Antropomorfizan el modelo, asumiendo que posee una comprensión similar a la humana del texto.

Alicia
Están externalizando la escritura, lo cual es un problema masivo, porque escribir no es solo registrar tus pensamientos. Escribir es el mecanismo del pensamiento. Es el proceso de darte cuenta de que no entiendes realmente de lo que estás hablando hasta que intentas ponerlo en una página.

Beto
Muy bien dicho. Y si evitas la fricción de esa tarea, fallas en construir la experiencia profunda requerida para saber cuándo el modelo está alucinando con confianza. Pierdes el juicio requerido para filtrar la salida.

Alicia
Claro. Y si los académicos están externalizando el proceso de descubrimiento, entonces las industrias editoriales están externalizando toda la línea de producción.

¿Qué pasó con el mercado de libros en 2025?

Beto
Nos da una mirada aterradora a esta dinámica operando a escala. En 2025, el número de libros publicados con asistentes de IA se disparó absolutamente. Los nuevos lanzamientos en Amazon se triplican aproximadamente.

Alicia
Espera, ¿triplican en un solo año?

Beto
En un solo año. Y los investigadores analizaron los textos y encontraron que estas historias generadas por LLM reutilizan repetidamente los mismos elementos de la trama y arquetipos de personajes más de lo que lo hacían los autores humanos.

Alicia
Así que la diversidad se desplomó.

Beto
Claro. La calidad literaria promedio cayó significativamente. Sin embargo, y esto es clave, el volumen masivo de estos libros modestamente legibles elevó el superávit del consumidor estimado en alrededor del 7%.

Alicia
Quiero desglosar ese mecanismo económico porque es crucial. El "superávit del consumidor" es la brecha entre lo que los consumidores están dispuestos a pagar y lo que realmente pagan.

Puesto que el mercado fue inundado con un océano interminable de "thrillers" y romances baratos y suficientes, los lectores obtuvieron técnicamente más valor general. El mercado recompensó el gran volumen sobre las obras maestras individuales. Es una victoria económica en papel, pero un aplanamiento cultural en la realidad.

Beto
Eso es un gran resumen. Sin embargo, tenemos que tener cuidado, no culpar a la IA por el aplanamiento cultural que ya estaba en marcha.

Alicia
Oh, ¿como qué?

Beto
Bueno, mira un dominio altamente complejo como el Juego de Go. Cuando la IA AlphaGo venció al campeón humano Lee Sedol en 2016, la narrativa fue que la IA sobrehumana había arruinado la creatividad del juego.

Alicia
Claro. Recuerdo que esa fue una gran noticia.

Beto
Sí. Y al principio los jugadores sí intentaron movimientos no-ortodoxos para imitar a la máquina, pero el artículo señala que esta fue una interrupción de corta duración.

Alicia
¿Volvieron sus viejas estrategias los jugadores humanos?

Beto
Prácticamente, sí. Los investigadores miraron datos históricos, que abarcan cuatro siglos de partidas de Go. La diversidad de movimientos de apertura realmente alcanzó su punto máximo a principios de la década de 1980.

Alicia
Espera, ¡los 80, décadas antes de que AlphaGo existiera!

Beto
Exacto. La diversidad ya estaba disminuyendo rápidamente debido a la consolidación de las redes de jugadores humanos. La comunidad global cambió de muchos subgrupos aislados con estilos de juego regionales distintos, a unos pocos centros grandes y altamente conectados en línea.

Alicia
Vaya. Así que Internet homogeneizó el pensamiento humano primero. La IA simplemente apareció en una fiesta que ya estaba terminando.

Beto
Sí, tenemos que separar el efecto del modelo de IA, de la infraestructura informativa que realmente lo entregó.

Alicia
Ese es un muy buen punto. Y eso nos lleva a un ejemplo final en el mundo real, que es el humor.

Beto
Oh, este es fascinante.

Alicia
Sí. El artículo miró un concurso de escritura de subtítulos, poniendo a prueba a humanos no asistidos contra equipos de IA humana. Los LLM hicieron exactamente lo que esperarías basado en el experimento del juguete. Generaron un gran volumen de ideas muy rápidamente y redujeron el esfuerzo humano requerido para competir.

Beto
¿Y quién ganó?

Alicia
Los equipos híbridos humanos-IA ganaron los primeros puestos en el concurso. Pero hay dos grandes trampas aquí.

Beto
Claro, la experiencia subjetiva de los creadores fue alterada fundamentalmente.

Alicia
Primero, los humanos en esos equipos híbridos ganadores reportaron sentirse significativamente menos dueños de su propio trabajo. Y segundo, cuando los jueces miraron los artículos más divertidos y mejores de todo el concurso, los que se destacaron, todavía provenían de humanos no asistidos.

Beto
Interesante.

Alicia
Toda la dinámica es como contratar a un diseñador de interiores de lujo para tu casa. Obtienes una sala de estar hermosa y perfectamente pulida sin ningún esfuerzo de tu parte.

Beto
Pero te sientas en el sofá y sientes como si estuvieras viviendo en un catálogo, en lugar de tu propia casa.

Alicia
Exacto. No tienes posesión emocional de este espacio. Ese desapego del trabajo no es solo un resabio emocional. Significa que no estamos escrutando lo que la máquina nos está entregando. Lo cual explica perfectamente una cita en el artículo donde un artista digital describe las imágenes de IA como muy pulidas, pero "sin alma".

Beto
Si conectamos esto con la imagen más amplia, esa eficiencia sin alma conlleva costos estructurales ocultos. Estamos generando enormes cantidades de resultados pulidos, pero lo estamos haciendo muestreando de una distribución centralizada de la historia humana.

Alicia
Una historia que está muy sesgada. Porque asumimos que la máquina es un árbitro objetivo, simplemente absorbemos sus puntos ciegos matemáticos.

Beto
Y los investigadores miden esto directamente. El artículo transmite hallazgos que indican que los generadores de imágenes frecuentemente tergiversan o borran por completo ciertos grupos demográficos de sus salidas.

Alicia
Simplemente los borran por completo.

Beto
Claro. Y los modelos de lenguaje favorecen fuertemente material socialmente saliente y consistente con estereotipos. Simplemente predice las asociaciones más comunes matemáticamente en sus datos de entrenamiento.

Alicia
Así que refleja los promedios de nuestro pasado. Y los sesgos de nuestro pasado.

Beto
Exacto. El peligro es cuán eficientemente esta inclinación de datos se propaga. Los investigadores citan este experimento de cadena de transmisión en tres etapas. Comenzaron con una red entrenada en juicios humanos que contienen un sesgo medible alrededor del 53%.

Alicia
Bien, un sesgo del 53%.

Beto
A medida que la IA interactuó con usuarios humanos, no solo reflejó ese sesgo. El bucle de retroalimentación lo amplificó hasta el 65%. Luego transmitió ese sesgo amplificado a participantes nuevos.

Alicia
Oh, hombre. Y como los humanos son susceptibles al sesgo de conformidad, como discutimos, simplemente aceptaron la salida de la máquina como la nueva normalidad.

Beto
Claro. Los participantes heredaron los errores algorítmicos incluso cuando ya no estaban usando la herramienta.

Alicia
Estamos codificando y amplificando conjuntos de datos pasados estructuralmente.

Beto
Lo estamos. Y todo este proceso cultural depende también de una realidad física pesada.

Alicia
El impacto ambiental.

Beto
Sí. La minería de materiales de hardware, el trabajo de anotación de datos global, y las enormes cantidades de tierra, agua y electricidad requeridas para operar los centros de datos. Modelos generativos de propósito múltiple, los LLM gigantes que todos usan para tareas generalizadas, son órdenes de magnitud más caros por consulta en términos de energía que los modelos más pequeños y específicos de tarea.

Alicia
Vaya. Entonces, para sintetizar esto para ustedes, los que escuchan, el costo de un acto creativo se ha desconectado completamente de la persona que lo realiza. Si le pido a un LLM masivo que escriba un poema simple, estoy externalizando el trabajo cognitivo, pero la sociedad está heredando colectivamente los humos tóxicos, tanto los bucles de retroalimentación algorítmicos amplificados en nuestra cultura, como las emisiones de carbono literales en nuestra atmósfera.

Beto
Es una desconexión profunda entre el beneficio individual y el costo colectivo.

Pero, y esta es la conclusión vital del pre-print, esta convergencia no es inevitable. Todo depende de la composición.

Alicia
La composición de la red.

Beto
Claro. ¿Cómo arquitectamos la red híbrida?

Alicia
¿Cómo se ve una composición saludable?

Beto
Bueno, cuando los investigadores configuran redes donde los humanos y la IA se alternan en cadenas, pasando una idea de un lado a otro secuencialmente, retienen mucha más variación que los grupos solo de IA.

Alicia
Así que es pasar el testigo, básicamente.

Beto
Sí. En algunos casos, la máquina actúa como un explorador increíble para el cerebro colectivo. En un experimento, una IA descubrió una estrategia de resolución de problemas, altamente contraintuitiva, que solo uno de cada 600 humanos encontraría por sí mismo.

Alicia
Solo uno de cada 600.

Beto
Sí. Pero una vez que la IA inyectó esa estrategia en la red humana, los humanos reconocieron su valor, y se difundió y persistió.

Alicia
La máquina encontró el comodín y los humanos transformaron la forma en que se jugaba el juego.

Beto
Exacto. Depende de la proporción y el acoplamiento. ¿Qué porcentaje del grupo es IA? ¿Cómo están interactuando?

La solución no es prohibir la IA. Es diseñar redes híbridas que utilicen las vastas capacidades de búsqueda de la IA sin permitirle anular la lógica transformacional humana.

Alicia
Entonces, ¿qué significa todo esto? Llevemos esto hasta el terreno.

Si están escuchando esto y están a punto de usar una IA para prepararse para una reunión de marketing, o escribir algún código o hacer una lluvia de ideas para un nuevo proyecto, bueno, sepan que la herramienta va a hacer que su producción individual sea altamente pulida y muy rápida.

Beto
Y se sentirá increíblemente novedosa para ustedes.

Alicia
Totalmente. Pero están corriendo el riesgo muy real de fusionarse con exactamente el mismo "castillo de brisa" que todos los demás en su industria.

Beto
Claro. La clave es usar la IA como un provocador. Dejen que inyecte ruido. Dejen que sugiera las conexiones extrañas y distantes. Pero no la usen como un reemplazo para su propio pensamiento transformador.

Alicia
Y definitivamente no la dejen ser el evaluador final de su trabajo.

Beto
Sí. Porque si todos simplemente dejamos que los agentes agradables generen y evalúen todo, golpeamos un muro estructural conocido como "colapso del modelo".

Alicia
Colapso del modelo.

Si la diversidad humana se está reduciendo porque todos estamos usando IA para escribir nuestros libros y código generador, ¿qué pasa cuando la próxima generación de modelos de IA necesite ser entrenada?

Beto
Serán entrenados con los datos sintéticos que estamos creando ahora mismo. Se convierte en un ouroboros cultural, una serpiente que se come a su propia cola. Los modelos ingerirán sus propios promedios estadísticos, acumulando la homogeneidad con cada generación.

Alicia
Eso es un pensamiento aterrador.

Beto
Lo es. Estamos entrenando al cerebro colectivo enteramente con sus propios ecos. Si no preservamos deliberadamente la diversidad y la fricción humana ahora, las máquinas del mañana no tendrán nada nuevo que aprender.

Alicia
Y de repente esa galería de arte global de la que hablamos al principio, la donde cada pintura es exactamente el mismo tono de azul, no solo se convierte en una metáfora, se convierte en nuestra realidad literal.

Quiero que tomen ese pensamiento en su próximo proyecto creativo. Pregúntense, ¿están construyendo algo verdaderamente transformador, o solo otro "castillo de brisa"?

Muchas gracias por acompañarnos en este análisis profundo.

La erosión de la creatividad de la IA

Una investigación de la Universidad de Duke explora cómo ha evolucionado la creatividad de los grandes modelos de lenguaje mediante el análisis de casi tres años de lanzamientos de modelos. Al probar diversos sistemas de IA en tareas abiertas y evaluaciones psicométricas, los autores identificaron una disminución estadísticamente significativa en la diversidad de resultados a lo largo del tiempo. Esta tendencia sugiere que, si bien los modelos individuales pueden parecer capaces, las diferentes familias de IA convergen cada vez más en ideas y significados semánticos similares. Dicha homogeneización podría limitar el abanico de inspiración disponible para los usuarios humanos y debilitar los beneficios únicos de la colaboración entre humanos e IA. En definitiva, el estudio pone de relieve una creciente "paradoja de la creatividad de la IA", donde los modelos siguen siendo fluidos, pero carecen de originalidad colectiva en el panorama tecnológico general.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Are LLMs becoming similarly creative? Evidence from three years of models". Por Nirav Patel y colegas de la Universidad de Duke. Publicado el 19 de Agosto de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Así que, imagina esto: estás mirando un cursor parpadeante en tu pantalla. Le pides a una IA que te ayude a escribir un correo electrónico completamente único, listo para usar, para conquistar a este cliente realmente difícil.

Alicia
Correcto. Algo que vaya a impresionarlos por completo.

Beto
Exacto. Y la IA escupe algo que suena brillante. Lo envías sintiéndote como un genio total.

Alicia
Pero la trampa es que no eres la única que hace eso.

Beto
Sí. Exacto. Lo que no sabes es que miles de otras personas pidieron una idea única hoy, y la IA les dio exactamente el mismo correo electrónico único.

Alicia
Que destroza por completo esta ilusión que tenemos. Todos pensamos que estamos teniendo una sesión de lluvia de ideas privada y altamente individualizada con la máquina. Pero la realidad es mucho, mucho más estandarizada que eso.

Beto
Y la escala de esa estandarización es, bueno, es lo que realmente necesitamos comprender primero. Digo, a partir de julio de 2025, solo ChatGPT tenía 700 millones de usuarios activos semanales.

Alicia
Esa cifra es una locura.

Beto
Correcto. Y esos usuarios enviaban 2.5 mil millones de mensajes cada día. Si lo desglosas, estabas viendo aproximadamente 29,000 mensajes siendo lanzados a esta única plataforma de IA cada segundo del día.

Alicia
Cada segundo, lo que es un volumen asombroso de interacciones humano-máquina.

Beto
Oh, absolutamente.

Alicia
Realmente representa este cambio fundamental en cómo abordamos la resolución de problemas: ya no estamos simplemente consultando bases de datos por hechos históricos o, ya sabes, pidiéndole que depure algunas líneas de Python. Estamos externalizando activamente nuestros procesos de pensamiento.

Beto
Y esa es exactamente la misión de nuestra inmersión profunda de hoy. Estamos desempacando un fascinante nuevo estudio de investigadores de la Universidad de Duke que se centra precisamente en esa dinámica.

Alicia
Sí, es un gran estudio.

Beto
Lo es. Analizaron tres años de modelos de IA que abarcan, desde principios de 2023, hasta el verano de 2026, para responder a una pregunta profundamente contraintuitiva.

Alicia
Correcto, sobre si los modelos se están volviendo más inteligentes.

Beto
Sí, a medida que estos modelos de lenguaje se vuelven más rápidos y, francamente, mejores para aprobar exámenes de abogados y pruebas de codificación, ¿están los resultados creativos realmente disminuyendo? ¿Se están volviendo menos diversos y más homogéneos?

La Paradoja de la Creatividad de la IA: Por qué los LLMs se están pareciendo más entre si

Alicia
Sí, es una pregunta de investigación brillante porque desafía todo el paradigma de cómo hemos estado evaluando la inteligencia artificial.

Beto
¿Qué quieres decir?

Alicia
Bueno, históricamente, el punto de referencia para la IA siempre ha sido la precisión, ¿verdad? ¿Puede resolver una ecuación diferencial compleja? ¿Puede aprobar un examen de licencias médicas?

Beto
Correcto. Cosas con un resultado claro de verdadero o falso.

Alicia
Exacto. Puntos de referencia estrictamente verificables. Pero hoy, estamos explorando lo que sucede cuando eliminas el concepto de una única respuesta correcta. Estamos entrando en el reino de lo que llaman "la paradoja de la creatividad de la IA".

Beto
Pero si estamos evaluando estos modelos en cuanto a creatividad, tenemos que preguntarnos, ¿es eso siquiera para lo que la gente los está usando? o simplemente, ¿los están usando como calculadoras glorificadas?

Alicia
Oh, definitivamente los están usando para la creatividad.

Beto
Sí. El estudio de Duke destaca una estadística que cambió completamente mi perspectiva sobre esto. Aproximadamente el 70% del uso de ChatGPT por parte del consumidor no está relacionado con el trabajo.

Sí, se inclina increíblemente hacia la ideación creativa, la escritura y simplemente la guía práctica abierta. Y Anthropic está reportando exactamente lo mismo. Casi el 20% de todos los mensajes enviados a sus modelos es categorizado como creación de contenido o escritura académica.

Alicia
Así que eso significa que una porción masiva de ese chorro de 29,000 mensajes por segundo del que hablamos es literalmente solo humanos pidiéndole a las máquinas que sean imaginativas.

Beto
Correcto.

Alicia
Y esto nos lleva de frente con un concepto que los científicos de la computación y los sociólogos han estado advirtiendo durante un tiempo, que es "la monocultura algorítmica".

Beto
Monocultura algorítmica. Okay, desglosémoslo para nosotros.

Alicia
La mejor manera de entender esto es mirar estudios de referencia humana anteriores sobre la escritura asistida por IA. Si tomas a un humano y le das una IA para que lo ayude a escribir una historia corta, los jueces expertos casi siempre calificarán esa historia como mejor escrita y más individualmente creativa que una historia escrita por un humano trabajando totalmente solo.

Beto
Lo que suena fantástico para el usuario individual, ¿verdad? Obtienes una mejor historia.

Alicia
Lo haces a nivel individual, la IA actúa como este amplificador realmente poderoso. Pero la paradoja emerge en el momento en que miras a nivel de población. Si tienes 10 humanos diferentes y todos usan una IA para ayudar a hacer lluvia de ideas y escribir sus historias, las 10 historias terminarán convergiendo estructural y temáticamente.

Beto
Así que todas terminan sonando notablemente similares entre sí.

Alicia
Sí, el grupo pierde por completo su diversidad colectiva.

Beto
Okay, déjame asegurarme de que estoy visualizando esto correctamente. Es como ir a una fiesta donde todos piensan que compraron un atuendo de diseñador indie vintage completamente único.

Alicia
Oh, me gusta esta analogía.

Beto
Correcto. Pero todos se presentan vistiendo exactamente la misma chaqueta porque el algoritmo de redes sociales la recomendó en el feed de todos esa semana.

Alicia
Sí.

Beto
Todos se ven geniales individualmente en el espejo en casa. Pero en el segundo en que entras en la habitación juntos, pareces estar vistiendo un uniforme.

Alicia
Esa es exactamente la dinámica. Y lo fascinante aquí es cómo esta homogeneización se desarrolla en las pruebas psicológicas estandarizadas.

Beto
Okay. ¿Qué tipo de pruebas?

Alicia
Bueno, hay una prueba cognitiva clásica llamada "la prueba de asociación divergente" ("Divergent Association Test", o DAT). Está diseñada para medir qué tan distantes están tus ideas.

Beto
Como probar el pensamiento lateral.

Alicia
Básicamente, sí, la tarea es simplemente ¿puedes nombrar 10 palabras que no tienen absolutamente nada que ver entre sí?

Beto
Bueno, eso suena fácil, pero probablemente sea muy difícil.

Alicia
Lo es. Y cuando los investigadores administran esta prueba a una IA, la IA fácilmente supera la puntuación promedio humana. Entiende los parámetros perfectamente.

Beto
Okay. Así que la IA está ganando.

Alicia
Pero y esta es la distinción realmente crítica cuando miras una gran muestra de respuestas humanas, la población humana muestra elecciones vastamente más caóticas y diversas.

Beto
Porque los humanos son desordenados.

Alicia
Exacto. La IA, por el contrario, depende en gran medida de un clúster muy estrecho de conceptos. En un estudio notable usando la DAT, la palabra "océano" apareció en más del 90% de las respuestas de los modelos.

Beto
Espera, ¿realmente? ¿90%?

Alicia
Sí. 90%.

Beto
Eso significa que la IA es esencialmente como un estudiante con una A perfecta que ha descubierto la fórmula algorítmica exacta para obtener una buena nota. Y simplemente entrega una variación del mismo ensayo cada vez.

Alicia
Esa es una gran forma de decirlo. Es muy competente, pero completamente desprovista de variación salvaje e impredecible.

Beto
Por lo tanto, realiza creatividad individual, pero impone homogeneidad colectiva.

Alicia
Precisamente. Y los investigadores de Duke querían saber si esto era solo una fase temporal y incómoda de la IA generativa temprana, ya sabes.

Beto
Como dolores de crecimiento.

Alicia
Sí. O si esta convergencia es una característica estructural inevitable de cómo se construyen realmente estos modelos de lenguaje grandes.

Beto
Para medir algo que es abstracto a lo largo de un marco de tres años, digo, necesitas una muestra masiva.

Alicia
Lo haces.

Beto
Y los investigadores definitivamente lo cumplen. Probaron 68 modelos diferentes de 12 proveedores importantes.

Alicia
Esos son muchos modelos.

Beto
Estamos hablando de todos los pesos pesados: OpenAI y Anthropic, Meta, DeepSeek, Google, Mistral. Y incluyeron tanto modelos de pesos cerrados, ya sabes, los sistemas propietarios ocultos detrás de APIs corporativas, como modelos de pesos abiertos donde la arquitectura subyacente está libremente disponible para que los desarrolladores la descarguen y ajusten en sus propias máquinas.

Alicia
Todo lo lanzado entre marzo de 2023 y julio de 2026.

Beto
Exacto. Es una muestra muy robusta.

Alicia
Y para probarlos, necesitaron indicaciones que obligaran a la IA a salir de su zona de confort. Realmente usan dos metodologías distintas para esto.

Beto
Correcto. La primera prueba es un estándar de la psicología cognitiva llamado "la tarea de usos alternativos" ("Alternate User's Task" o AUT).

Alicia
Sí. La prueba clásica de ladrillos.

Beto
Correcto. Por lo general, sí. La indicación es engañosamente simple. Es como, "dame 10 usos alternativos para un martillo", o "10 usos alternativos para un libro". Obliga explícitamente al pensamiento lateral.

Alicia
Mientras que la segunda prueba fue diseñada para reflejar la realidad mucho más desordenada de cómo una persona normal interactúa realmente con el chatbot, usan un conjunto de datos conocido como "Infinity Chat 100".

Beto
Las indicaciones en este conjunto de datos son simplemente brillantes porque están tan arraigadas en la vida real.

Alicia
Dame un ejemplo.

Beto
Cosas como crear el primer verso de un voto nupcial o dame el nombre de una canción instrumental que coincida con el ambiente de una noche lluviosa. O mi favorita, ¿Puedes darme una idea increíble y legítima que sea asequible y se relacione con problemas en Vietnam?

Alicia
Esas son increíblemente específicas. Requieren una mezcla sofisticada de sensibilidad contextual, conocimiento específico del dominio y estilo.

Beto
Pero espera, tengo que frenar aquí por un segundo.

Alicia
Okay. Adelante.

Beto
¿Cómo calificas matemáticamente un voto nupcial o una canción de noche lluviosa en términos de creatividad sin inyectar una cantidad masiva de sesgo humano?

Un juez humano podría llorar por un voto nupcial y sufrir por otro, totalmente basado en su propia carga personal.

Alicia
Eso es muy cierto.

Beto
Así que si estás tratando de probar una tendencia científica durante tres años, ¿cómo evitas esa subjetividad?

Alicia
Es una pregunta crítica. Y los investigadores esquivan el sesgo humano por completo a través de una solución matemática muy elegante. Usaron lo que se llama "incrustaciones de oraciones" ("sentence embeddings").

Beto
Okay. Definitivamente tendrás que traducirlo para nosotros.

Alicia
Lo sé. Suena intenso. Imagina un espacio masivo y multidimensional. Y estamos hablando de cientos o incluso mil dimensiones diferentes aquí.

Beto
Como un gráfico 3D gigante, pero mucho más complicado.

Alicia
Exacto. Es esencialmente un mapa de significado semántico. Un modelo de incrustación toma un bloque de texto como el voto nupcial sugerido por la IA y traduce su significado subyacente en un vector denso.

Beto
Un vector, okay.

Alicia
Piensa en ello como dibujar una flecha desde el centro del espacio apuntando a una coordenada matemáticamente definida muy específica.

Beto
Así que literalmente estamos convirtiendo poesía en geometría.

Alicia
Eso es exactamente lo que está sucediendo. Una vez que todas las respuestas de la IA están mapeadas como estos vectores geométricos, los investigadores simplemente miden lo que se conoce como "la distancia de coseno entre ellos".

Beto
Así que solo miden el ángulo entre las flechas.

Alicia
Exacto. Si dos modelos de IA generan respuestas que significan aproximadamente lo mismo, sus vectores apuntarán en la misma dirección exacta.

Beto
Okay. Eso tiene sentido.

Alicia
Eso resulta en una distancia baja, lo que se traduce en baja diversidad. Pero si la IA genera ideas salvajemente diferentes y conceptualmente distintas, los vectores apuntan muy lejos entre sí. Alta distancia es igual a alta diversidad.

Beto
Así que para ser totalmente claros, no le importa si el título de la canción de "Rainy Night" es bueno o malo.

Alicia
Para nada.

Beto
No juzga la calidad. Simplemente mide matemáticamente cuán diferente es de todas las demás sugerencias en el conjunto de datos.

Alicia
Correcto. Y para asegurarse de que les dieran a la IA toda la oportunidad para ser creativa, ejecutaron estas pruebas con la configuración de temperatura en los modelos elevada a 1.0.

Beto
Definamos eso rápidamente porque la temperatura es una configuración que muchos usuarios casuales nunca ven en la interfaz de chat regular.

Alicia
Claro. Piensa en la temperatura como un dial que controla la distribución de probabilidad de la siguiente palabra que elige la IA.

Beto
¿Como qué tan predecible es?

Alicia
Sí. Si la temperatura se establece en cero, la IA siempre elegirá la siguiente palabra más matemáticamente probable. Se vuelve altamente predecible y honestamente bastante repetitivo.

Beto
Muy robótico.

Alicia
Correcto. Pero cuando subes la temperatura a 1.0, aplanas esa distribución de probabilidad. Estás esencialmente diciéndole al modelo: toma riesgos, elige la palabra menos obvia, sé tan aleatorio y creativo como puedas.

Beto
Así que querían máxima aleatoriedad creativa para esta prueba.

Alicia
Lo hicieron absolutamente.

Beto
Lo que nos lleva a los resultados y aquí es donde es realmente interesante porque aquí es donde la geometría se vuelve muy real para ti, el usuario.

Alicia
Sí. Esta es la esencia.

Beto
Cuando pides una estrategia de marketing única y tu mayor competidor pide a su IA una estrategia de marketing única, tus flechas están convergiendo matemáticamente en la misma campaña genérica.

Alicia
Es inevitable.

Beto
Los investigadores mapearon miles de estos puntos de datos a lo largo de los tres años de lanzamientos de modelos y encontraron una disminución estadísticamente significativa en las distancias de salida entre proveedores. Con el tiempo, los modelos construidos por compañías tecnológicas completamente diferentes se están volviendo estructuralmente más similares entre sí.

Alicia
La convergencia es innegable en este punto. Si miramos específicamente a la tarea de usos alternativos, que recuerda está diseñada explícitamente para medir el pensamiento divergente en los modelos más tempranos de 2023, la distancia semántica promedio fue de aproximadamente 0.50.

Beto
Okay. 0.50.

Alicia
Pero a medida que probaron las generaciones más nuevas de modelos hasta el verano de 2026, esa distancia cayó bruscamente por debajo de 0.40.

Beto
Déjame detenerte aquí por un segundo. Una caída de 0.50 a 0.40. Para una persona común, eso suena como una fracción diminuta. ¿Es realmente una catástrofe significativa para la creatividad?

Alicia
Suena pequeña, sí. Pero en un espacio vectorial de alta dimensión, una caída de 0.10 es en realidad un polo gravitacional masivo hacia el centro.

Beto
Oh, ¿de verdad?

Alicia
Sí. Representa una profunda pérdida de ideas atípicas. Los modelos están siendo literalmente instruidos por la indicación para pensar de manera diferente. Y matemáticamente, están pensando cada vez más la misma manera exacta.

Beto
Vaya. Y vemos esto incluso fuera de una prueba psicológica rígida, ¿verdad?

Alicia
Absolutamente.

Beto
En los problemas reales y desordenados del conjunto de datos Infinity Chat 100, la distancia semántica cayó de 0.34 a poco más de 0.32. Y los datos muestran esta caída volviéndose increíblemente pronunciada, comenzando en el año 2025.

Alicia
La tendencia es muy clara en los gráficos.

Beto
Pero tengo que ser el abogado del diablo aquí.

Alicia
Adelante.

Beto
¿Podría ser solo un espejismo estadístico? Digo, ¿qué pasa si OpenAI o Google solo lanzan cinco versiones ligeramente diferentes del mismo modelo en una ventana muy corta? Y esa inundación repentina de modelos realmente similares sesgó las matemáticas hacia abajo?

Alicia
Ese es un punto muy justo. Y los investigadores anticiparon esa crítica exacta, por eso aplicaron una técnica llamada "remuestreo balanceado por familia" ("family-balanced resampling").

Beto
Okay. ¿Qué significa eso en la práctica?

Alicia
Así que se dieron cuenta de que ciertas compañías, como OpenAI o Meta, lanzan modelos a una cadencia mucho más rápida que otras.

Beto
Correcto. Lanzaron como cuatro versiones de Llama en un año.

Alicia
Exacto. Y cuando promediaron todos los 68 modelos, las compañías que lanzaron más modelos arrastraban artificialmente la línea de tendencia en su dirección. Así que el remuestreo balanceado por familia nivela el campo de juego artificialmente.

Beto
¿Cómo es eso?

Alicia
Si conectamos esto con la imagen más amplia, básicamente realizaron 1,000 iteraciones diferentes de los datos donde cada proveedor, grande o pequeño, tuvo un voto igual en la métrica general.

Beto
Así que OpenAI obtiene exactamente el mismo peso que un desarrollador de pesos abiertos más pequeño.

Alicia
Exacto. Y en todas las 1,000 iteraciones, la pendiente fue implacablemente negativa. La tendencia se mantuvo.

Beto
Eso es increíble.

Alicia
No importa qué compañías de modelo uses, o cómo ponderes los datos. El ecosistema más amplio de inteligencia artificial está convergiendo en la misma sustancia creativa exacta.

Beto
Lo que nos lleva a la gran RAZÓN que explica todo el estudio. Digo, si estas compañías estuvieran en una carrera armamentista feroz para construir la IA más inteligente y distinta, ¿por qué todos se están transformando en el mismo cerebro exacto?

Alicia
Bueno, el estudio apunta a dos fuerzas mecánicas importantes que impulsan esta convergencia. La primera es los datos de entrenamiento compartidos.

Beto
OK, de donde aprendieron los datos.

Alicia
Correcto. En los días iniciales, las compañías estaban rastreando todo lo que podían encontrar. Pero a medida que luchan por la máxima capacidad, todos están convergiendo en los mismos conjuntos de datos de alta calidad. Estamos hablando de la totalidad de internet abierto, bibliotecas digitalizadas, revistas académicas.

Beto
Correcto. Solo hay tanto texto de alta calidad por ahí.

Alicia
Exacto. Cada IA está leyendo exactamente los mismos libros de texto. Inevitablemente van a desarrollar la misma visión del mundo.

Beto
Eso tiene sentido intuitivo. Pero la segunda razón que destacan es algo llamado "destilación de modelos" ("model distillation"), que encuentro profundamente fascinante. ¿Cómo funciona eso?

Alicia
La destilación de modelos es una práctica industrial que es muy responsable de esta monocultura algorítmica. Construir un modelo fundacional de vanguardia desde cero cuesta cientos de millones de dólares en potencia de cómputo.

Beto
Es enormemente caro.

Alicia
Y es increíblemente ineficiente para los usuarios de todos los días. Así que las compañías usan una técnica donde un modelo estudiante más pequeño y barato se entrena usando las salidas de un modelo profesor más grande y antiguo.

Beto
Espera, espera. Así que la nueva IA no está aprendiendo de datos humanos ya. Está literalmente aprendiendo a ser una IA, cuando estudia la tarea de otra IA.

Alicia
Sí. Es exactamente eso. Alimentan al modelo profesor masivo con millones de indicaciones y luego usan sus respuestas altamente refinadas como el libro de texto para el nuevo modelo estudiante.

Beto
Oh, Dios mío.

Alicia
Crea esta cámara de eco algorítmica.

Beto
Es como hacer una fotocopia de una fotocopia.

Alicia
Sí.

Beto
La primera copia se ve bastante nítida. Pero para cuando estás en la décima generación, los detalles sutiles se difuminan por completo y solo te queda las líneas más gruesas y audaces. La IA está quitando las orillas raras y desordenadas del pensamiento humano y simplemente reforzando los patrones más promedio y predecibles.

Alicia
La analogía de la fotocopia es perfecta. El proceso de destilación penaliza inherentemente el comportamiento atípico. Recompensa al modelo estudiante por igualar las salidas de mayor probabilidad del profesor.

Beto
Así que está literalmente diseñado para ser promedio.

Alicia
Sí. A través de múltiples generaciones en toda una industria, este proceso erradica sistemáticamente el pensamiento divergente.

Beto
Entonces, ¿qué significa todo esto?

Lo que nos lleva completamente de vuelta a ti, el oyente. Porque si dependes de un LLM para ayudarte a hacer lluvia de ideas para textos de marketing o escribir un discurso de boda o encontrar un ángulo para un video de YouTube, necesitas darte cuenta de que estás extrayendo agua de un pozo que se está encogiendo.

Alicia
Un pozo muy estrecho.

Beto
Podrías pensar que estás obteniendo una sugerencia brillante fuera de la caja, pero los datos prueban que casi todas las demás personas que hacen una pregunta similar están obteniendo exactamente la misma sugerencia.

Alicia
Y esto plantea una profunda preocupación sobre la agencia humana en el trabajo co-creativo. Los investigadores de Duke citan un concepto profundamente inquietante conocido como "deuda cognitiva" ("cognitive debt").

Beto
¿Deuda cognitiva? ¿Cuál es el mecanismo detrás de eso?

Alicia
Bueno, piénsalo como confiar demasiado en el GPS de tu teléfono hasta que pierdes por completo tu sentido natural de la dirección.

Beto
Oh, definitivamente soy culpable de eso.

Alicia
Todos lo somos. Cuando navegas por una ciudad nueva tú mismo, estás construyendo un mapa mental. Estás ejercitando la conciencia espacial. Cuando sigues ciegamente la línea azul en una pantalla, esos músculos de navegación se atrofian.

La deuda cognitiva aplica ese mismo principio a la ideación. Los estudios muestran que cuando los humanos confían en un asistente de IA para una tarea creativa compleja, como escribir ensayos o resolver problemas, en realidad disminuye la actividad cerebral medible relacionada con esas funciones cognitivas específicas.

Beto
Así que estamos externalizando nuestros músculos de navegación, pero para nuestras ideas reales.

Alicia
Exacto. Si seguimos externalizando el trabajo pesado de la ideación a estas herramientas, nuestros propios músculos creativos intrínsecos se debilitan con el tiempo.

Beto
Eso es aterrador.

Alicia
Ahora, combina esa realidad con el hallazgo central de este estudio de tres años. No solo estamos dependiendo de la IA más que nunca, sino que la IA misma está matemáticamente probado que está volviéndose menos diversa. Estamos compondiendo una homogeneización del pensamiento humano.

Beto
Estamos externalizando nuestro pensamiento a una máquina que está olvidando estructuralmente cómo pensar de manera diferente. Esa es una realización escalofriante. Pero para ser justos con la ciencia, deberíamos señalar que hay algunas limitaciones y tal vez algunas salidas mencionadas en el estudio.

Alicia
Sí, definitivamente. Los investigadores notaron un detalle peculiar en el conjunto de datos Infinity-Chat, por ejemplo. Hay un par de indicaciones que accidentalmente solicitaron cosas muy similares, como dos indicaciones diferentes pidiendo ideas creativas relacionadas con la película Zootopia.

Beto
Okay, así que eso podría sesgar las cosas un poco.

Alicia
Correcto. Mientras que la distancia de coseno aún se midió con precisión entre los modelos, sugieren que futuros estudios podrían usar un conjunto de indicaciones no estructuradas aún más curado para garantizar la máxima variedad en los datos de prueba en sí.

Beto
Y también está el "factor de anulación humana" ("human override").

Alicia
Oh, seguro.

Beto
El estudio implica que las habilidades de indicación humana de alto nivel podrían potencialmente sacar a la IA de esta homogeneización. Si eres un usuario avanzado que sabe exactamente cómo manipular la ventana de contexto con instrucciones matizadas e increíblemente específicas, podrías lograr forzar al modelo a salir de su rutina.

Alicia
Puedes dirigirlo. Sí.

Beto
Pero seamos honestos, para el usuario promedio que simplemente está escribiendo "dame cinco ideas divertidas para un retiro de team building", estás entrando directamente en la mono-cultura.

Alicia
El comportamiento predeterminado de la máquina sin guía experta es una atracción gravitacional abrumadora hacia la similitud.

Beto
Muy bien, veamos la imagen general de lo que hemos descubierto hoy.

Hemos examinado 68 modelos de IA a lo largo de tres años de desarrollo rápido y sin precedentes.

Alicia
Ha sido una locura de tres años.

Beto
Realmente lo ha sido. Estamos mirando una tecnología que está procesando 2.5 mil millones de mensajes al día. Y ahora tenemos prueba matemática y empírica de que, si bien la inteligencia artificial se está volviendo más rápida y puede escribir un ensayo perfectamente estructurado en dos segundos, su creatividad real, su capacidad para sorprendernos con ideas laterales verdaderamente divergentes, está encogiéndose miserablemente.

Alicia
Y eso nos deja con una trayectoria crítica a considerar. Si estos modelos de IA están convergiendo hacia una mono-cultura creativa y la próxima generación de modelos inevitablemente será entrenada con los miles de millones de piezas de contenido de internet generadas por estos modelos actuales, ¿estamos mirando a un colapso creativo eventual?

Beto
El Áuroboro se está comiendo su propia cola.

Alicia
Precisamente. La próxima vez que le pidas a una IA una idea fuera de la caja, pregúntate, ¿de qué caja estás mirando realmente?

Beto
Hombre, esa es una pregunta que se quedará conmigo cada vez que abra una nueva pestaña. Así que la próxima vez que te encuentres mirando ese cursor parpadeante, tal vez deja que parpadee unos segundos más. Intenta construir ese mapa mental tú mismo antes de dejar que el algoritmo conduzca automáticamente.

Gracias por acompañarnos en este análisis profundo. Sigan cuestionando las herramientas que usan y los veremos la próxima vez.