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.

Creatividad de Modelos de Lenguaje

Esta investigación evalúa la eficacia de las pruebas psicométricas de creatividad humana para predecir el desempeño creativo de los LLMs en escritura, pensamiento divergente e ideación científica. Los autores descubren que, si bien la Tarea de Asociación Divergente (TAD) y su variante condicional predicen mejor la escritura y la diversidad, las evaluaciones existentes no logran medir de forma fiable la capacidad de ideación científica. Para abordar esta deficiencia, presentan la Prueba de Asociación Remota Divergente (TARD), un novedoso instrumento híbrido que mide simultáneamente el pensamiento convergente y divergente. Sus hallazgos indican que la TARDD es el único predictor significativo de la creatividad científica, superando a las pruebas tradicionales al requerir que los modelos satisfagan múltiples restricciones metafóricas a la vez. En definitiva, el estudio proporciona un marco sistemático para validar la creatividad de las máquinas, revelando que las pruebas automatizadas deben adaptarse a constructos creativos específicos en lugar de tratarse como métricas universales.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Assessing the Creativity of Large Language Models: Testing, Limits, and New Frontiers", por Samuel Schapiro y colegas. Publicado el 13 de Mayo 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
¿Qué pasaría si les dijera que durante los últimos dos años, a medida que la inteligencia artificial se ha vuelto masivamente más grande, inteligente y articulada, en realidad se ha vuelto mediblemente menos creativa?

Alicia
Lo cual es completamente alucinante de pensar.

Beto
Es así porque constantemente escuchamos cómo estos modelos de lenguaje grandes están volviéndose inimaginablemente creativos. Cada semana hay una nueva noticia sobre una IA escribiendo un guion brillante, o no sé, codificando un nuevo videojuego complejo desde cero o componiendo una sinfonía.

Alicia
Sí, la exageración está por todas partes.

Beto
Claro. Pero aquí tienen una paradoja fascinante. Estamos evaluando esta inteligencia de máquina, totalmente ajena, utilizando pruebas psicológicas diseñadas hace décadas para el cerebro humano.

Alicia
Sí, es una profunda desconexión de herramientas y sujetos. Estamos aplicando la psicometría humana a estas vastas redes neuronales y simplemente asumiendo ciegamente que la cinta métrica sigue funcionando exactamente de la misma manera.

Beto
Es como intentar medir la velocidad máxima de una nave de hiperimpulsor, usando un velocímetro construido para un carruaje tirado por caballos.

Alicia
Esa es una gran manera de decirlo.

Beto
Así que hoy, nuestra misión para esta inmersión profunda es descubrir si esa cinta métrica está realmente rota.

Estamos desglosando un estudio masivo de mayo de 2026 de investigadores de la Universidad de Illinois en Urbana-Champaign.

Alicia
Y es denso, pero tan importante.

Beto
Extremadamente importante. Vamos a explorar exactamente cómo se mide actualmente la creatividad de la IA y las maneras impactantes en que está empeorando significativamente en algunas áreas. Y bueno, también veremos una prueba completamente nueva diseñada para ver si la IA puede ayudarnos a lograr verdaderos avances científicos.

Alicia
Debido a lo que está en juego, se han extendido mucho más allá de un simple chat y escribir un poema divertido. La medida y la creatividad son absolutamente esenciales para descubrir cómo la IA puede co-crear con los humanos en el mundo real.

Beto
Sí, definitivamente.

Alicia
Quiero decir, si vamos a depender de estos modelos para ayudarnos a mapear proteínas complejas para curar enfermedades o inventar nuevos materiales de baterías sostenibles, realmente necesitamos saber si son capaces de generar pensamiento original, o si solo están haciendo una imitación altamente sofisticada.

Midiendo la Mente Creativa

Beto
Muy bien, vamos a desgranar esto. Antes de que pudiéramos juzgar si una máquina es creativa, ¿cómo definen los psicólogos la creatividad en primer lugar? Porque parece un concepto subjetivo y blando que es difícil de fijar con matemáticas.

Alicia
Sí, parece blando, pero en la psicología cognitiva, se descompone de manera bastante rigurosa en dos mecanismos principales: el pensamiento convergente y el pensamiento divergente.

Beto
OK. Convergente y divergente.

Alicia
Exacto. El pensamiento convergente es la búsqueda de una única respuesta correcta a un problema restringido. Es la capacidad de tomar piezas de información dispares y dispersas y unificarlas en un solo punto lógico.

Beto
Como reducir las opciones.

Alicia
Sí. Por otro lado, el pensamiento divergente es la generación de muchas respuestas únicas y distintas a una tarea completamente abierta.

Beto
Está bien, pon eso en términos humanos. Supongo que el pensamiento convergente es como ser un detective. Tienes una huella embarrada, una ventana rota y un motivo financiero. Y tu trabajo es hacer converger todas esas pistas en el único sospechoso correcto.

Alicia
Analogía perfecta, sí.

Beto
Pero el pensamiento divergente es más como que te dan un clip de papel metálico estándar y te piden que hagas una lluvia de ideas con cien maneras completamente diferentes de usarlo.

Alicia
Sí.

Beto
Podrías usarlo para abrir una cerradura, reiniciar un router o crear una pequeña escultura.

Alicia
Y haciendo esa segunda tarea, la divergente, es en realidad mucho más difícil de lo que parece.

Beto
¿De verdad?

Alicia
Oh, sí. Porque si te quedas pensando en los clips de papel, su función principal como mantener los papeles juntos, tu creatividad simplemente se estanca. Tienes que alejarte de lo obvio. E históricamente, hemos probado estas dos habilidades usando pruebas automatizadas muy específicas.

Beto
Claro.

Alicia
Para el pensamiento convergente, la métrica clásica es la prueba de Asociaciones Remotas ("Remote Associates Test", RAT). Se te dan tres palabras estímulo y tienes que encontrar la única palabra que las conecte.

Beto
Así que yo tomo las palabras "cabaña", "Suiza" y "pastel". El único puente lógico que conecta a las tres es la palabra "queso". Sabes, queso de cabaña, queso suizo, cheesecake.

Alicia
Exacto. No estás haciendo una lluvia de ideas con un montón de ideas. Estás buscando la pieza del rompecabezas que falta.

Beto
Está bien, eso es convergente. ¿Qué hay de lo divergente?

Alicia
Ahora, para el pensamiento divergente, la métrica estándar es la "tarea de Asociación Divergente" ("Divergent Association Task", DAT). La instrucción es notablemente sencilla. Simplemente dice que "generes 10 sustantivos que sean lo más diferentes entre sí posible".

Beto
Me parece fascinante porque la forma en que puntuan la prueba, se basa en algo llamado "incrustaciones de palabras" ("word embeddings").

Alicia
Sí, incrustaciones de palabras.

Beto
Para cualquiera que no esté familiarizado con esto, solo imagina una galaxia matemática masiva y multidimensional donde cada palabra en el lenguaje humano es una estrella. Las palabras con significados similares como "perro" y "lobo" están agrupadas muy cerca en esta galaxia. Pero las palabras que no tienen absolutamente nada que ver entre sí, como "perro" y un "destornillador", están separadas por años luz.

Alicia
Claro, existen en áreas totalmente diferentes de ese espacio matemático.

Beto
Así que para calificar la prueba, la prueba simplemente calcula la distancia física y matemática entre las 10 palabras que la IA eligió en ese mapa. Y cuanto más separadas estén, mayor será la puntuación de creatividad de la IA.

Alicia
Es increíblemente elegante desde un punto de vista logístico. Quiero decir, no necesitas un panel de jueces humanos subjetivos leyendo miles de ensayos generados. Simplemente ejecutas las matemáticas de las coordenadas.

Beto
Lo cual ahorra mucho tiempo.

Alicia
Una cantidad enorme de tiempo.

Pero cuando los investigadores finalmente miraron las tarjetas de puntuación históricas de cómo han funcionado los diferentes modelos de IA en estas pruebas a lo largo del tiempo, encontraron una tendencia aterradora.

Beto
Sí.

Alicia
En realidad no sabemos si estas pruebas son válidas para las máquinas porque solo porque una IA elija 10 palabras distantes en un mapa, no significa necesariamente que posea el rasgo cognitivo subyacente que llamamos creatividad.

Beto
Esto nos lleva a rastrear todos los grandes modelos de lenguaje desde principios de 2024 hasta principios de 2026. Los investigadores rastrearon tres categorías, ¿verdad? Escritura creativa, ideación científica y pensamiento divergente.

Alicia
Esos fueron los tres.

Beto
Y durante esos dos años, las puntuaciones de la IA en escritura creativa e ideación científica están aumentando constantemente. Están subiendo. Pienso que fue más de 1.22 y más de 1.00 en puntuaciones Z por año, respectivamente.

Alicia
Lo cual es una mejora muy saludable.

Beto
Pero el pensamiento divergente, esa capacidad de generar conceptos distantes genuinamente diferentes, está cayendo. Está cayendo casi a la mitad de un estadístico D.V. o de medio punto Z por año. En estadística, una caída de medio punto Z anualmente es un declive masivo y muy notorio en el rendimiento.

Alicia
Sí.

Beto
Los modelos más nuevos, más grandes y más elegantes están empeorando en esto.

Alicia
Esto anula por completo la suposición de que a medida que los modelos escalan con más datos y más parámetros, cada aspecto de su capacidad mejora uniformemente, porque están perdiendo fundamentalmente su capacidad para divergir.

Beto
Pero espera, ¿por qué un modelo más inteligente empeoraría en ser divergente? ¿Es por la forma en que los entrenamos para que sean útiles e inofensivos antes de que sean lanzados al público? ¿Ese entrenamiento de seguridad simplemente los hace demasiado rígidos y temerosos de hacer saltos salvajes y extraños?

Alicia
Lo fascinante aquí es que están tocando una hipótesis importante en el campo.

Beto
Oh, ¿de verdad?

Alicia
Sí. A medida que los modelos pasan por aprendizaje por refuerzo para dar respuestas educadas, estructuradas y predecibles a las consultas humanas, a menudo colapsan en respuestas seguras y promedio.

Beto
Eso tiene mucho sentido.

Alicia
Pero esto también expone un defecto flagrante en nuestra prueba. Realmente tenemos que distinguir entre dos conceptos psicométricos: validez y especificidad.

Beto
Está bien, ¿cómo difieren cuando estamos calificando una máquina?

Alicia
Bueno, la validez es solo la correlación bruta. Así que si un modelo obtiene una puntuación más alta en una prueba, ¿su rendimiento en un punto de referencia de escritura creativa también sube? Si la respuesta es sí, entonces la prueba tiene alta validez.

Beto
Entendido.

Alicia
Pero la especificidad es el obstáculo que casi todas estas pruebas fallan. La especificidad es la correlación que permanece después de factorizar la inteligencia general.

Beto
Ah, así que estás quitando matemáticamente la inteligencia para ver si queda una chispa creativa independiente y separada.

Alicia
Exacto.

Beto
Porque un modelo más inteligente obviamente tendrá mejor gramática, un vocabulario más amplio y solo una mejor comprensión de las reglas de formato. Por supuesto, escribirá una historia técnicamente mejor, pero esa es solo capacidad general. Eso no es necesariamente genialidad creativa.

Alicia
La trampa de la capacidad es muy real. Y una prueba divergente popular llamada PACE cae completamente en picada en el estudio debido a esto.

Beto
La prueba PACE, sí.

Alicia
Entonces, la prueba PACE pide a los modelos que hagan una cadena de asociación libre de 20 palabras. Como "roca lleva a piedra, piedra lleva a guijarro, guijarro a arena", y así sucesivamente.

Beto
Y en la superficie, PACE parece una gran métrica. El estudio muestra que los modelos que obtienen altas puntuaciones en PACE también obtienen puntuaciones muy altas en puntos de referencia de escritura creativa. Tiene una correlación bruta muy fuerte.

Alicia
Pero luego los investigadores aplicaron la métrica de especificidad. Eliminaron matemáticamente las puntuaciones base de los modelos en pruebas estándar de lógica, razonamiento y conocimiento.

Beto
Le quitaron la inteligencia.

Alicia
Sí. Y una vez que se eliminó esa inteligencia general, la correlación entre PACE y escritura creativa colapsó a un nivel estadísticamente insignificante. PACE no está midiendo un rasgo creativo distinto en absoluto. Es efectivamente solo un sustituto de la capacidad general del modelo.

Beto
Vaya. Entonces, si tengo una IA que fue creada para juegos de asociación de palabras y también fue creada para acertijos lógicos convergentes, ¿significa eso que es realmente buena en algo altamente complejo, como la ciencia? ¿Como podemos simplemente combinar esas puntuaciones para averiguar si puede curar una enfermedad?

Alicia
Esa es la pregunta definitiva. Y es exactamente por eso que el panorama de las pruebas requiere tanta sutileza. Los investigadores evaluaron todas estas métricas contra un punto de referencia llamado el "Live ID Bench".

Beto
Que mide la capacidad de ideación científica.

Alicia
Claro. La capacidad de ideación científica es básicamente la capacidad de generar ideas de investigación que sean novedosas, flexibles, factibles y claras.

Beto
Y el hallazgo fue brutal. Ninguna de las pruebas existentes, ni la RAT, ni la DAT, ni la cadena de PACE, ninguna predice de manera confiable si un modelo es bueno en ideación científica.

Alicia
Ni una sola.

Beto
¿Por qué es eso? ¿Por qué las pruebas que estaban perfectamente bien para la poesía o la asociación de palabras fallan tan espectacularmente cuando se trata de las ciencias duras?

Alicia
Porque la creatividad científica no se trata solo de ser extraño o aleatorio, que es lo que recompensa la prueba divergente. Tampoco se trata solo de encontrar la única respuesta correcta establecida, que es lo que recompensa la prueba convergente. La creatividad científica requiere satisfacer múltiples restricciones complejas simultáneamente.

Beto
¿Así que necesitas ambas al mismo tiempo?

Alicia
Exacto. Tienes que saltar a un concepto completamente nuevo para empujar los límites de la física o la biología. Pero ese concepto salvaje debe estar rigurosamente fundamentado en la realidad y la utilidad. De lo contrario, es solo ciencia ficción.

Beto
Aquí es donde se pone realmente interesante. Los investigadores no solo señalaron este agujero masivo en nuestra metodología de prueba y se fueron. En realidad inventaron una solución.

Alicia
Sí, lo hicieron.

Beto
Para solucionar el problema de la ideación científica, diseñaron una prueba completamente nueva llamada DRAT. Esa es la "prueba de asociación remota divergente", "Divergent Remote Association Test".

Alicia
Y es una pieza notable de ingeniería psicométrica. El DRAT es la primera prueba para predecir exitosamente y de manera confiable la capacidad de ideación científica en los modelos de lenguaje grandes.

Beto
Y la mecánica de esta prueba es brillante. Porque forza a la IA a mezclar el pensamiento divergente y convergente al mismo tiempo exacto.

Alicia
Sí, las restricciones son muy estrictas.

Beto
La instrucción es esta: aún tienes que generar 10 sustantivos lo más diferentes posible. Esa es la parte divergente. Sabes, ve amplio, sé extraño. Pero aquí está la trampa. Cada una de esas 10 palabras debe aplicarse metafóricamente a un conjunto de palabras ancla remotas y específicas. Esa es la restricción convergente.

Alicia
El artículo proporciona un gran ejemplo específico de esto. Así que la IA está dando cuatro palabras ancla: "latido del corazón" ("heartbeat"), "oscilador", "tubería" ("pipeline") y "topología". Ahora, debe generar 10 palabras muy diferentes que de alguna manera se apliquen a todos esos cuatro conceptos.

Beto
Claro. Y solo mirando esas anclas, abarcan campos totalmente diferentes. Tienes biología, física, infraestructura, matemáticas. Y una buena respuesta generada por un modelo avanzado en esta prueba incluyó las palabras "río", "sinfonía", "esqueleto" y "tela".

Alicia
Lo cual es increíble.

Beto
Lo es. Permítanme rastrear una de esas para ver cómo funciona este mapeo metafórico. Tomemos la palabra "esqueleto". Está increíblemente lejos de una palabra como "sinfonía" en nuestro mapa lingüístico. Por lo tanto, obtiene altos puntos divergentes. Pero ¿cómo se conecta un esqueleto con las anclas?

Alicia
Bueno, desglosemos esto.

Beto
Sí. Bueno, un "esqueleto" proporciona la "topología", o estructura física, de un cuerpo. Actúa como una "tubería" porque las venas corren a través de él. Y la médula ósea se produce dentro de él. Actúa como un "oscilador" porque las articulaciones se mueven hacia adelante y hacia atrás en un movimiento mecánico repetitivo. Y alberga el "latido del corazón" central del organismo.

Alicia
Requiere que el modelo abstraiga los mecanismos subyacentes de las palabras "ancla". Cosas como "flujo", "ritmo", "estructura", "conexión". Y luego tiene que proyectar esos mecanismos abstractos en dominios completamente diferentes.

Beto
Lo cual es salvaje.

Alicia
Lo es, porque ese mapeo entre dominios es la esencia literal de la ideación científica.

Beto
Pero espera, tengo que oponerme a este sistema de puntuación por un segundo. Porque los investigadores construyeron una compuerta de utilidad matemática para juzgar las respuestas de la IA, ¿verdad?

Alicia
Sí, la compuerta de utilidad.

Beto
Para que una palabra generada sea contada, su relevancia metafórica con respecto a las anclas debe ser mayor que el percentil 90 de sustantivos aleatorios. Pero, ¿cómo calcula una computadora matemáticamente la metáfora? Pensé que las incrustaciones de palabras solo medían si las palabras aparecían en las mismas oraciones. ¿Cómo demuestra con matemáticas que un esqueleto actúa como una tubería?

Alicia
Es una gran pregunta porque realmente toca las profundidades ocultas de lo que estos modelos están aprendiendo. En la geometría de esa galaxia lingüística multidimensional, hablamos de que no se trata solo de proximidad. Se trata de los ángulos y vectores entre palabras.

Beto
Ángulos y vectores.

Alicia
Sí. Así que el texto humano a menudo discute esqueletos en términos de estructura, soporte y flujo. Incluso si la palabra "tubería" no está en la misma oración exacta. Entonces, el vector matemático que representa al "esqueleto" comparte una relación geométrica sutil pero medible con el vector de la "tubería".

Beto
Oh, vaya.

Alicia
La compuerta de utilidad mide esos complejos ángulos estructurales. Si la IA simplemente lanza la palabra "arcoíris", esperando obtener puntos por ser extraña, la matemática mostrará que el "arcoíris" carece de los vectores estructurales y funcionales de un "oscilador" o una "tubería". Entonces, es bloqueado por la compuerta y obtiene un cero.

Beto
Eso es muy inteligente. Forza al modelo a entrar en un cuello de botella cognitivo muy ajustado. Tiene que ser absolutamente original pero estrictamente relevante.

Alicia
Sí.

Beto
Así que sabemos que el DRAT funciona. Pero ¿qué pasa si simplemente tomamos una puntuación de un modelo en la prueba divergente antigua y su puntuación en la prueba convergente antigua y simplemente las promediamos? ¿Eso no nos dice exactamente lo mismo?

Alicia
En realidad no. Una combinación lineal de la prueba divergente antigua y la prueba convergente falló por completo en predecir la ideación científica en el estudio.

Beto
Oh.

Beto
Porque tratarlas como tareas separadas no prueba la capacidad del modelo para manejar demandas competidoras. La fricción cognitiva es todo el punto. Tienes que forzar a la red neuronal a procesar la expansión divergente y la restricción convergente dentro de la misma ventana computacional exacta.

Beto
Eso tiene todo el sentido. Y hay otro detalle crucial aquí. La prueba solo funciona de manera óptima cuando las cuatro palabras ancla son términos científicos específicos. Tal como "motor", "ecuación", o "sistema inmunológico".

Alicia
Sí. El dominio de las palabras importa inmensamente.

Beto
Y para probar esto, los investigadores realizaron un estudio de ablación. Ahora, para cualquiera que no haya leído una tonelada de artículos de investigación, ¿qué es exactamente un estudio de ablación?

Alicia
Piénsalo como desarmar un motor de coche complejo pieza por pieza para descubrir qué hace cada parte. Quitas, o ablacionas, un componente específico, das la llave y ves si el coche sigue funcionando. En este caso, los investigadores quitaron las palabras ancla científicas y las reemplazaron por sustantivos aleatorios y distantes extraídos de una base de datos general.

Beto
Y cuando dan la llave (para encender el coche), el poder predictivo de la prueba se desplomó. Simplemente dejó de funcionar.

Porque si las anclas son solo conceptos aleatorios, la IA básicamente está jugando un juego casual de asociación de palabras. Pero si las anclas son, digamos, "sistema inmunológico" y "fábrica", la máquina realmente tiene que comprender los mecanismos complejos de defensa, producción y gestión de recursos para encontrar una metáfora.

Alicia
Indexa la capacidad del modelo para navegar por espacios conceptuales complejos. Y esto trae a colación una gran vulnerabilidad en los métodos de prueba más antiguos.

Beto
Sí, me alegro de que mencionaras esto. Porque tengo que sacar un detalle que estaba escondido en el apéndice de este artículo. Porque es simultáneamente hilarante y, bueno, ligeramente aterrador.

Alicia
Oh, sé de lo que estás hablando.

Beto
Hemos estado hablando de cuán sofisticados son estos modelos de IA y lo difíciles que son estas pruebas de creatividad.

Pero los investigadores señalan que la prueba estándar de PACE, la que simplemente pide 10 palabras diferentes, puede ser completamente superada por un programa dolorosamente simple llamado "algoritmo codicioso" ("greedy algorithm").

Alicia
Es el atajo computacional definitivo.

Beto
Es literalmente solo un algoritmo que mira las matemáticas detrás de la palabra "galaxia" de las que hablamos. Y selecciona codiciosamente las 10 palabras que están matemáticamente más separadas en los bordes exteriores del diccionario. Ignora completamente lo que significan las palabras.

Alicia
Eso es simplemente manipular las coordenadas.

Beto
Exacto. Y este algoritmo tonto y simple superó fácilmente tanto a los humanos promedio como a los modelos de lenguaje grandes más avanzados del mercado. ¿No demuestra esto básicamente que la IA podría estar hackeando estas pruebas antiguas sin ser creativa en absoluto?

Alicia
Si conectamos esto con la imagen más grande, valida exactamente por qué el DRAT es una evolución tan necesaria.

Beto
Sí.

Alicia
Un algoritmo simple puede hackear absolutamente una prueba puramente divergente. Simplemente camina hasta los bordes del mapa. Pero no puedes hackear matemáticamente el DRAT.

Beto
Debido a la compuerta de utilidad.

Alicia
Precisamente. Porque tienes que encontrar palabras que estén lejos unas de otras, pero también sigan siendo altamente relevantes para las palabras ancla científicas complejas. Un algoritmo codicioso no puede hacer eso porque el espacio matemático que satisface ambas condiciones simultáneamente es increíblemente pequeño.

Beto
Bueno, no puede simplemente elegir palabras de los bordes aleatorias.

Alicia
No, el modelo realmente tiene que comprender el peso semántico y metafórico de los conceptos para encontrar la aguja en ese pajar multidimensional.

Beto
Entonces, ¿qué significa todo esto?

Si hago un paso atrás, la gran conclusión para mí es que estamos superando oficialmente nuestras herramientas antiguas.

Alicia
Definitivamente lo estamos.

Beto
No puedes simplemente tomar una prueba psicológica desarrollada en la década de 1960, lanzarla a una red neuronal masiva y esperar que la puntuación resultante te diga si la máquina es un genio capaz de curar el cáncer. Estamos en una frontera totalmente nueva. Y medir la creatividad de la IA ahora requiere pruebas como el DRAT que forzan a los modelos a caminar por una cuerda floja. Deben ser simultáneamente salvajemente inventivos, pero estrictamente fundamentados en la realidad.

Alicia
E incluso con el DRAT midiendo exitosamente la ideación científica, todavía solo estamos arañando la superficie de lo que la inteligencia podría ser capaz de hacer.

Los investigadores terminan el artículo señalando hacia un obstáculo aún mayor, casi filosófico.

Beto
Oh.

Alicia
La creatividad transformacional.

Beto
Me encanta esta parte del artículo. Porque el artículo divide la creatividad en tres niveles, ¿verdad? Tienes la creatividad combinatoria, que es mezclar cosas conocidas como inventar un cronotopo. Luego tienes la creatividad exploratoria, que es encontrar cosas nuevas dentro de un espacio conocido, como inventar un nuevo tipo de motor de combustión interna.

Pero ¿qué es exactamente la creatividad transformacional?

Alicia
La creatividad transformacional es cuando alteras por completo el espacio conceptual existente. No solo juegas mejor el juego, sino que rompes las reglas conocidas del tablero.

Beto
Oh, ya veo.

Alicia
Es Einstein mirando las leyes establecidas de la física newtoniana y dándose cuenta de que el tiempo en sí no es constante. Es Copérnico dándose cuenta de que la Tierra no es el centro del universo. Requiere abandonar las restricciones mismas en las que todos los demás se están basando.

Beto
Es el nivel más alto del genio humano.

Alicia
Sí.

Beto
Pero si mapeamos eso a la inteligencia artificial, nos encontramos con un muro masivo.

Alicia
Realmente lo hacemos. La pregunta provocadora que deja el artículo es esta: si la verdadera creatividad transformacional requiere romper las reglas que definen el sistema actual, ¿cómo diseñaremos alguna vez una prueba automatizada para medir eso en una máquina?

Beto
Sí, ¿cómo podrías?

Alicia
Por definición, una prueba automatizada utiliza una rúbrica. Tiene una compuerta de utilidad predefinida. Espera que la respuesta encaje en un marco medible.

Beto
Así que si una IA realmente llegara a una innovación que cambia el paradigma, como algo que reescribiera fundamentalmente nuestra comprensión de la física para la biología, no pasaría por la compuerta.

Alicia
Exacto.

Beto
Se vería como un error. Podríamos construir la máquina capaz de un salto transformacional y nuestras pruebas de vanguardia podrían simplemente calificarla en cero porque la respuesta no estaba en la rúbrica.

Alicia
Es un pensamiento sobrio.

Beto
Realmente nos trae de vuelta a donde empezamos. Estamos tratando de medir una nave de hiperimpulsor y todavía estamos mirando un binómetro de caballo, preguntándonos por qué la aguja está actuando de manera tan extraña.

Alicia
Todavía nos queda un largo camino por recorrer.

Beto
Realmente, así es.

Muchas gracias por acompañarnos en este análisis profundo. Sigan cuestionando las métricas. Sigan buscando las metáforas y los veremos la próxima vez.

Marco de Creatividad de IA

Esta investigación presenta CREATIVITYPRISM, un marco integral diseñado para evaluar la naturaleza multifacética de la creatividad en grandes modelos lingüísticos. Reconociendo que la evaluación humana es demasiado lenta y costosa para el desarrollo moderno de IA, los autores proponen un sistema estandarizado que utiliza LLM como juez para automatizar el proceso. Este punto de referencia mide la producción creativa en tres dimensiones principales: calidad, novedad y diversidad, garantizando que los resultados no solo sean originales, sino también funcionales y variados. Al utilizar diversas tareas como pruebas de usos alternativos, escritura creativa y resolución de problemas matemáticos, el estudio proporciona una visión holística del rendimiento del modelo. La validación estadística mediante la Prueba de Anotación Alternativa garantiza que estos jueces automatizados se alineen estrechamente con la intuición humana experta. En definitiva, los resultados destacan que modelos propietarios como GPT-4 y DeepSeek lideran actualmente el campo de la generación de contenido sofisticado e innovador.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema:

• "CreativityPrism: A Holistic Evaluation Framework for Large Language Model Creativity", por Zhaoyi Joey Hou y colegas. Publicado el 17 de Febrero del 2026.
• Enlace al portal del proyecto: CreativityPrism

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
El otro día intenté que un chatbot me ayudara a encontrar un título para un proyecto. Quería algo contundente, algo único. Le pedí específicamente que pensara fuera de la caja.

Alicia
Ay, déjame adivinar. ¿Te dijo "The Innovation Hub" o "Project Phoenix"?

Beto
Cerca. Me dio "The Future Initiative" y "The Creative Spark".

Alicia
Vaya. Buen inicio.

Beto
Es el tipo de discurso corporativo más gris imaginable: gramaticalmente perfecto, totalmente lógico y completamente muerto por dentro. Me hizo preguntarme porque no dejamos de oír hablar de IA generativa y arte con IA todo el tiempo. Pero, ¿realmente son creativas estas máquinas?

Alicia
Vale. ¿O son solo imitadores extremadamente eficientes que, por casualidad, saben qué palabras suelen ir juntas?

Beto
Exacto. Esa es la pregunta del millón ahora mismo. Porque estamos viendo a la IA aprobar el examen de abogacía y escribir código en Python. Pero la creatividad se siente como esa frontera nebulosa distintivamente humana.

Alicia
Es como la última trinchera del excepcionalismo humano.

Beto
No nos vamos a quedar solo en la filosofía hoy. Para este análisis profundo tenemos, de hecho, un artículo de investigación que intenta poner un número concreto sobre esto. Se titula "CreativityPrism, a Holistic Evaluation Framework for Large Language Model Creativity".

Alicia
Es de Zhaoyi Joey Hou y un equipo bastante amplio de Pittsburgh, Johns Hopkins y algunas otras instituciones.

Beto
Me alegra que lo estudiemos porque la evaluación basada en sensaciones, la gente diciendo “oh, este modelo se siente más inteligente”,

Alicia
Ya no es suficiente. Necesitamos datos duros.

Beto
La misión hoy es averiguar si la IA que usas es un loro o un poeta. Y sinceramente, si me escuchas ahora mismo, y usas estas herramientas para programar, escribir o simplemente redactar un mejor correo, necesitas saber cuál es el techo.

Alicia
Necesitas saber si le estás pidiendo a una calculadora que pinte una obra maestra.

Beto
Empecemos por el problema. ¿Por qué esto no está resuelto aún? Tenemos benchmarks para todo lo demás en IA. Sí, probamos matemáticas. Probamos lógica. Comprensión lectora. ¿Por qué medir la creatividad es un desastre?

Alicia
El artículo describe el panorama actual como fragmentado, que es una forma muy académica y educada de decir que es un desastre total. Históricamente, si querías evaluar la creatividad en una máquina —o incluso en un humano— tenías que elegir un carril muy pequeño y específico.

Beto
¿Qué forma tenían esas pruebas antiguas?

Alicia
Por un lado tenías pruebas semánticas. La más famosa es la divergent association task (tarea de asociaciones divergentes, DA).

Beto
Básicamente pregunta si puedes elegir palabras que estén semánticamente lejanas entre sí.

Alicia
Es, en esencia, solo una prueba de distancia de vocabulario. Luego está la alternative use test, la prueba de usos alternativos. Esa clásica pregunta de psicología 101: ¿De cuántas maneras puedes usar una botella de vidrio?

Beto
Florero. Rodillo. Arma.

Alicia
Seguro. Pero esa prueba normalmente cuenta solo el número bruto de usos no convencionales; no juzga si son buenas ideas o si funcionarían en el mundo real. Y en el otro extremo tienes benchmarks cargados de lógica, como CreativeMath o NeoCoder.

Beto
... que honestamente suenan a lo opuesto de creatividad para la mayoría de la gente. “Matemática creativa” suena como algo por lo que un contable podría acabar en la cárcel.

Alicia
El gran problema que señalan los investigadores es que todas esas pruebas son islas aisladas. Tienes una prueba para palabras, una para código, otra para historias, ...

Beto
... pero no hay una puntuación general de creatividad.

Alicia
Exacto. Y encima hay un problema mayor encima de todo esto: el cuello de botella humano, ...

Beto
Ah, es decir, la escalabilidad.

Alicia
La creatividad es notoriamente subjetiva. Históricamente, para juzgar una historia necesitas que un humano la lea. Pero piensa en el ciclo de liberación de modelos hoy.

Beto
Recibimos nuevos modelos o actualizaciones masivas literalmente cada semana.

Alicia
Correcto. Si necesitas un panel de jueces humanos que lean mil historias cada vez que un desarrollador cambia un hiperparámetro, nunca vas a lanzar tu producto.

Beto
Quedarías permanentemente atascado en pruebas.

Alicia
Exacto. Es lento, caro y los humanos son inconsistentes: nos cansamos, nos aburrimos. Por eso CreativityPrism no es solo una nueva prueba; es una propuesta para automatizar el proceso de calificación sin perder esa sutileza humana.

Beto
Hablemos del marco mismo. Se llama “prisma” porque descompone la creatividad en diferentes espectros. ¿Qué estamos viendo exactamente?

CreativityPrism - Marco para medir la creatividad de la IA

Alicia
Proponen una visión holística que combina ocho tareas específicas repartidas en tres dominios principales. Y creo que la elección de dominios es interesante porque nos obliga a ampliar nuestra propia definición de lo que es creatividad.

Beto
El primer dominio es probablemente con el que más estamos familiarizados: pensamiento divergente.

Alicia
Es brainstorm puro. Es la capacidad de tomar un punto de partida y expandirlo en una gran variedad de direcciones.

Beto
El artículo destaca una tarea concreta que a mí me costó bastante: la tarea de “10 sustantivos irrelevantes”.

Alicia
Me encanta esta. El enunciado es muy simple: escribe 10 sustantivos en inglés que sean lo más irrelevantes entre sí posible.

Beto
Suena facilísimo hasta que lo intentas. Yo lo intenté esta mañana. Puse “manzana” y enseguida mi cerebro gritó “naranja”. Luego “árbol”. Luego “gusano”.

Alicia
Así funcionan las asociaciones humanas. Funcionamos con cadenas de asociaciones. Para ser verdaderamente divergente tienes que romper esa cadena. Tienes que suprimir la conexión obvia.

Beto
El artículo muestra una respuesta de modelo que lo clavó: listó "volcán, violín, democracia, alfombra, bacteria".

Alicia
Es una lista genuinamente bellísima.

Beto
Lo es. "Democracia" y "alfombra" tienen casi cero solapamiento semántico.

Alicia
Y piensa lo que eso supone para una IA: estos modelos son predictores de siguiente token. Están entrenados estadísticamente para predecir la palabra más probable que sigue.

Beto
Correcto. Si digo “peanut butter”, manteca de cacahuete, el modelo realmente quiere decir “gelatina”.

Alicia
Precisamente. Así que pedirle que sea lo emergente es pelear contra su propia arquitectura. Le pides a una máquina de probabilidad que sea altamente improbable.

Beto
Tiene sentido. Por eso el pensamiento divergente es una prueba de estrés: mide si puede salirse de su propia gravedad estadística.

Alicia
Sí.

Beto
OK. El segundo dominio es la escritura creativa. Esto parece el dominio más artístico y tradicional.

Alicia
Así es. Pero no se limitaron a “escribe un poema”; usaron una tarea de cuento corto con un prompt muy específico y constreñido.

Beto
Tengo el prompt aquí. Dice: “Escribe una historia al estilo de The New Yorker con la siguiente trama. Asegúrate de que tenga al menos 2000 palabras. Argumento: Una mujer vive una noche desorientadora en una sala de maternidad...”.

Alicia
Le das personaje, tiempo, estado, y localización.

Beto
Obliga a la IA a coger un hilo narrativo que ya está en marcha. No puede salir por la tangente con un cuento genérico de dragones.

Alicia
Correcto. Tiene que entender profundamente la dinámica social implícita. Prueba escena, exposición, coherencia, perspectiva, y ajuste de tono.

Beto
¿Puede la IA tejer una historia que parezca continuación natural y no un giro brusco?

Alicia
Exacto.

Beto
Y el tercer dominio sorprende a mucha gente.

Alicia
Razonamiento lógico, el dominio Spock.

Beto
Sí, el dominio Spock. ¿Desde cuándo escribir código o resolver matemáticas se considera creativo? Siempre pensé que la creatividad era romper reglas, no seguir leyes matemáticas estrictas.

Alicia
Es una idea muy común. Pero si hablas con un ingeniero senior o un matemático te dirán que su trabajo es increíblemente creativo porque consiste en resolver problemas bajo restricciones.

Beto
“Bajo restricciones” es la frase clave.

Alicia
Si te pido que vayas del punto A al punto B andando en línea recta no es creativo. Pero si te digo que llegues al punto B, que el suelo es lava y solo puedes usar una cuchara, de pronto tienes que ser extremadamente creativo.

Beto
Tienes que ingeniártelas al estilo MacGyver.

Alicia
Exacto. El artículo usa la tarea NeoCoder para probar esto.

Beto
El prompt pide resolver un problema algorítmico estándar, encontrar la longitud de una subcadena, pero mete una “pastilla envenenada” de restricción: explícitamente dice que "no uses recursión".

Alicia
Para quienes no programan, la recursión es básicamente la solución estándar para este problema.

Beto
Es como pedirle a un carpintero que haga una mesa sin usar un martillo.

Alicia
Quitar la herramienta obliga al modelo a inventar un destornillador sobre la marcha. Tiene que derivar una solución que no sea la que vio un millón de veces en sus datos de entrenamiento.

Beto
Aquí la creatividad no es hacer arte: es ingenio.

Alicia
Es pensamiento lateral. ¿Puedes encontrar una puerta lateral cuando la puerta principal está cerrada?

Beto
Teniendo los tres dominios, pensamiento divergente, escritura creativa y resolución de problemas lógicos, ¿cómo los califican? No puedes poner un pulgar arriba a un poema.

Alicia
Aquí entra la metáfora del prisma: descomponen la puntuación en tres dimensiones para cada respuesta: calidad, novedad y diversidad.

Beto
Desgranémoslas porque la tensión entre estas tres es donde están las verdaderas conclusiones.

Alicia
Primero, calidad: es la base. ¿Es la respuesta útil? ¿Tiene sentido? Si pides un cuento y la IA te entrega una cadena aleatoria de letras, puede que sea única, pero no tiene calidad.

Beto
El artículo menciona elaboración y utilidad como métricas aquí.

Alicia
Luego novedad: ¿es original? ¿Sorprende? Mide si la IA está rompiendo el molde.

Beto
Y finalmente diversidad.

Alicia
O flexibilidad: si pido diez ideas, ¿recibo diez conceptos distintos o diez variaciones leves de la misma idea?

Beto
Para hacer esto a escala, calificar miles de respuestas en estas tres métricas, usan LLMs como jueces.

Alicia
Es una metodología que está ganando tracción.

Beto
Básicamente dejan que las máquinas califiquen su propia tarea.

Alicia
Lo hacen inteligentemente: usan modelos muy potentes como GPT-4 para evaluar las salidas de otros modelos. Y esto lo validaron primero con anotaciones humanas de alta calidad.

Beto
Es decir, hicieron que humanos calificaran una muestra; comprobaron que los jueces IA coincidían con los humanos; y luego dejaron que la IA hiciera el resto del enorme conjunto de datos.

Alicia
Exacto. Establecer una “verdad de referencia” antes de automatizar es, en la práctica, la única forma de hacerlo escalable sin perder precisión.

Beto
Bien, tenemos el mapa y el prisma listos. ¿Y qué encontraron? Probaron 17 modelos de última generación: algunos propietarios y costosos (los de suscripciones) y otros open-source que puedes descargar y ejecutar en tu máquina.

Alicia
Los resultados fueron, honestamente, un poco contraintuitivos.

Beto
Empecemos por los pesos pesados, los modelos propietarios. ¿Cómo les fue?

Alicia
En escritura creativa y razonamiento lógico, los modelos propietarios ganan, y no por poco.

Beto
¿Qué magnitud de ventaja?

Alicia
Estamos viendo aproximadamente un 15% de ventaja en esos dominios específicos.

Beto
Es significativo. Así que si necesitas un cuento corto o resolver un problema de programación complejo sin recurrir a recursión, probablemente convenga quedarte con los modelos de pago.

Alicia
Generalmente, sí. La razón parece recaer en la dimensión de calidad: esos modelos están pulidísimos, son coherentes, siguen instrucciones y rara vez fallan. Son empleados fiables.

Beto
Pero aquí viene el giro: esa dominancia no se mantuvo en todas las pruebas.

Alicia
Cuando miraron el pensamiento divergente, el brainstorming, la tarea de sustantivos irrelevantes, esa ventaja se evaporó.

Beto
¿No fueron mejores los modelos propietarios comparados con los open source?

Alicia
Estadísticamente fue un empate técnico. Los modelos open-source estuvieron bien representados.

Beto
¿Por qué?

Alicia
La hipótesis de los investigadores es que tiene que ver con cómo se entrenan los modelos comerciales. Pasan por un proceso llamado RLHF: "aprendizaje por refuerzo con retroalimentación humana".

Beto
Ahí es donde los humanos puntúan las respuestas para enseñar al modelo a ser “bueno”.

Alicia
¿Qué están recompensando los humanos en ese proceso? Recompensamos seguridad, coherencia y la respuesta más probable y sensata. Normalmente no premiamos el caos o las asociaciones salvajes.

Beto
Así que al entrenarlos para ser asistentes útiles y corteses, quizá inadvertidamente les quitamos lo salvaje.

Alicia
Exacto. Hemos alisado todos los bordes ásperos. Pero el pensamiento divergente existe en esos bordes. Los modelos open-source, que suelen estar menos alineados o filtrados, parecen conservar un poco más de esa capacidad cruda de asociación aleatoria.

Beto
Eso es una gran conclusión: si usas IA para salir de un bache creativo, no necesariamente necesitas la herramienta más cara. De hecho, la herramienta cara podría estar demasiado educada para darte la idea loca que necesitas.

Alicia
Literalmente, podría tener demasiado miedo a equivocarse para ser creativa.

Beto
Esto nos lleva al hallazgo más profundo del artículo: la paradoja de la novedad.

Alicia
Los investigadores analizaron las correlaciones entre calidad, novedad y diversidad. Idealmente quieres un modelo que puntúe alto en todo.

Beto
Sí. Quieres alta calidad y gran originalidad.

Alicia
Pero los datos muestran una fricción enorme; casi un intercambio directo. Concretamente, las métricas de novedad suelen mostrar correlaciones débiles o incluso negativas con otras métricas.

Beto
Correlaciones negativas. Cuanto más novedosa es la respuesta, más baja tiende a ser la puntuación de calidad.

Alicia
Con frecuencia, sí. Si un modelo se esfuerza demasiado por sorprender, la utilidad se desploma. Se vuelve raro en lugar de revelador.

Beto
Es como ese amigo que intenta ser diferente a toda costa y acaba siendo incomprensible: “comamos sopa con tenedor, mirad lo original que soy”.

Alicia
Sí, es novedoso, pero como experiencia culinaria es terrible. Esa contradicción es la lucha central de la IA generativa ahora mismo. Es muy difícil ser original sin derivar al absurdo.

Beto
Y eso complica mucho la construcción de un modelo creativo general: si optimizas por calidad pierdes novedad; si optimizas por novedad, pierdes calidad.

Alicia
También tocan la idea de generalización: ser bueno en una cosa no implica ser bueno en otra.

Beto
La falacia del chico listo. El “chico listo” no siempre es versátil.

Alicia
Correcto. Que un modelo sea un genio en NeoCoder y lógica no significa que escriba una historia empática y matizada sobre "la mujer desorientada en la sala de maternidad". Las habilidades no se transfieren automáticamente.

Beto
Validan así el concepto del prisma: no puedes darle a una IA una sola puntuación tipo CI para la creatividad.

Alicia
Es desigual, con picos muy marcados.

Beto
¿Qué significa todo esto para ti? Hemos analizado el marco, los dominios y los trade-offs (compromisos).

Alicia
Plantea una pregunta fundamental sobre lo que realmente queremos de la IA. Hoy los incentivos comerciales empujan hacia calidad, utilidad, seguridad y precisión. Estamos entrenando estos modelos para que sean el empleado corporativo perfecto.

Beto
¿Los estamos volviendo aburridos?

Alicia
Ese es el gran temor. Si filtramos toda la rareza para garantizar alta calidad quizá estemos lobotomizando el potencial de la máquina para una creatividad verdaderamente transformadora.

Beto
Porque la verdadera innovación a menudo parece un gran error al principio.

Alicia
Exacto. La penicilina fue un accidente, el marcapasos fue una casualidad feliz. Si tienes una IA aterrorizada de equivocarse, quizá nunca tengas esos “accidentes felices”.

Beto
¿Queremos aceptar un poco más de caos en las salidas para permitir creatividad de verdad?

Alicia
Puede que tengamos que tolerar puntuaciones de calidad más bajas, a corto plazo. Permitir que los modelos estén un poco equivocados o raros para que luego puedan llegar a aciertos brillantes.

Beto
Es una propuesta complicada en un contexto corporativo: “disculpa, confundí tu informe legal, estaba siendo creativa”.

Alicia
Difícil de vender. Pero para un compañero creativo tal vez sea justo lo que necesitamos: una herramienta que no tema sugerir la idea del tenedor-sopa porque quizá esa rareza desencadene algo en tu cerebro humano que conduzca a un verdadero avance.

Beto
Es una asociación: la IA aporta la divergencia; el humano aporta la convergencia y control de calidad.

Alicia
Esa es la zona dulce. Usa los modelos open-source más salvajes en la fase de brainstorming; usa los modelos propietarios y pulidos en la fase de ejecución. No pidas a la misma herramienta que haga ambos trabajos.

Beto
Me gusta ese enfoque: trátalos como un equipo de especialistas, no como un genio universal.

Alicia
Precisamente. Y no descartes un modelo solo porque a veces dé respuestas raras: esa rareza puede ser la característica, no el error.

Beto
Eso es todo en este análisis profundo sobre CreativityPrism. Es una mirada fascinante a cómo los investigadores intentan medir lo que parece inmedible. Te animo a probar la prueba hoy mismo: escribe 10 sustantivos que no tengan absolutamente nada que ver entre sí.

Alicia
Y no hagas trampa: si piensas “perro”, no puedes escribir “gato”.

Beto
Es mucho más difícil de lo que parece. Gracias por escuchar y nos vemos en el próximo análisis profundo.