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.
Entradas
