Creatividad colectiva en sociedades híbridas

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

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

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

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

---

Resumen

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

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

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

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

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

Beto
Realmente es un cambio enorme.

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

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

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

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

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

Beto
Claro. Eso es demasiado simple.

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

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

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

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

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

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

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

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

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

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

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

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

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

Alicia
Claro, colectivos híbridos.

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

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

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

Alicia
Suena fácil, pero ...

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

Alicia
Claro.

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

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

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

Alicia
Eso es salvaje.

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

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

Beto
Pero no lo estaban, ¿verdad?

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

Beto
Oh, vaya.

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

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

Alicia
Correcto. El producto final cambia.

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

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

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

Alicia
Claro, desglósalas para nosotros.

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

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

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

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

Beto
Lo cual es una instrucción difícil.

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

Beto
¿Y qué pasó?

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

Beto
Eso es asombroso.

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

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

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

Beto
Lo cual se siente bien para ti.

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

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

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

Alicia
Claro, un mapa gigante de conceptos.

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

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

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

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

Alicia
Sí. Tienen una base de datos más grande.

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

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

Beto
Pensarías así.

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

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

Alicia
Oh, ¿en serio?

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

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

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

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

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

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

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

Alicia
Atractores temáticos.

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

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

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

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

Alicia
Oh, claro que sí.

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

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

Beto
Exacto.

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

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

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

Alicia
Agentes agradables como, "sí, hombre".

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

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

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

Alicia
Muy bien, veamos la academia.

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

Alicia
Ah, mira.

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

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

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

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

¿Qué pasó con el mercado de libros en 2025?

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

Alicia
Espera, ¿triplican en un solo año?

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

Alicia
Así que la diversidad se desplomó.

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

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

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

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

Alicia
Oh, ¿como qué?

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

Alicia
Claro. Recuerdo que esa fue una gran noticia.

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

Alicia
¿Volvieron sus viejas estrategias los jugadores humanos?

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

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

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

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

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

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

Beto
Oh, este es fascinante.

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

Beto
¿Y quién ganó?

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

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

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

Beto
Interesante.

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

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

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

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

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

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

Alicia
Simplemente los borran por completo.

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

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

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

Alicia
Bien, un sesgo del 53%.

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

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

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

Alicia
Estamos codificando y amplificando conjuntos de datos pasados estructuralmente.

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

Alicia
El impacto ambiental.

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

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

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

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

Alicia
La composición de la red.

Beto
Claro. ¿Cómo arquitectamos la red híbrida?

Alicia
¿Cómo se ve una composición saludable?

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

Alicia
Así que es pasar el testigo, básicamente.

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

Alicia
Solo uno de cada 600.

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

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

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

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

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

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

Beto
Y se sentirá increíblemente novedosa para ustedes.

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

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

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

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

Alicia
Colapso del modelo.

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

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

Alicia
Eso es un pensamiento aterrador.

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

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

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

Muchas gracias por acompañarnos en este análisis profundo.

Creatividad por Debate Multiagente

Este artículo de investigación presenta Creative-MAD, un marco diseñado para resolver un dilema fundamental entre calidad y diversidad en los debates multiagente sobre modelos de lenguaje a gran escala. Si bien el Debate Multiagente (MAD) tradicional mejora la calidad de los resultados, su tendencia natural hacia el consenso provoca una disminución de la diversidad, lo que genera resultados repetitivos en tareas creativas. Para contrarrestar esto, los autores implementan la Asignación de Lente Cognitiva (CLA), que vincula a cada agente con modos de razonamiento específicos, como el pensamiento emocional o analítico, para evitar la deriva de identidad. También emplean la Selección de Pares Basada en Incrustación (EPS), un método que restringe la retroalimentación de un agente a los pares semánticamente más diferentes para evitar la influencia de la mayoría. Experimentos realizados con múltiples conjuntos de datos de referencia demuestran que este enfoque aumenta significativamente la diversidad léxica y semántica sin comprometer la alta calidad del contenido generado. En definitiva, el estudio demuestra que mantener el desacuerdo interno entre los agentes es esencial para explorar una gama más amplia de trayectorias creativas en partidas independientes.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Creative Generation via Multi-Agent Debate: Does Debate Suppress Diversity?". Por Tien Anh Nguyen y colegas de la Universidad de Deakin. Publicado el 1 de Septiembre de 2026.

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

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

---

Resumen

Alicia
Imagina que estás sentado en una sala de conferencias para una sesión de lluvia de ideas de viernes por la tarde. Sabes exactamente el tipo de reunión de la que estoy hablando.

Beto
Sí, claro que sí. Esa donde el café se puso rancio como hace tres horas.

Alicia
Exacto. El café es terrible. La pizarra está completamente en blanco y todos están mirando sus zapatos, esperando a que se acabe el tiempo.

Beto
Todos están desconectados.

Alicia
Correcto. Y finalmente, alguien habla y propone la idea más segura, la más mediocre, inofensiva posible. Y sabes exactamente lo que sucede después.

Beto
Todos empiezan a asentir.

Alicia
Sí. Escuchas un coro de: "sí, usemos esa", o "me suena bien". Toda la fricción desaparece por completo de la sala.

Beto
Y llegas a un consenso en cinco minutos, pero te quedas con un plan increíblemente aburrido y genérico.

Alicia
Exacto. Ahora bien, si usas inteligencia artificial para ayudarte a hacer una lluvia de ideas, escribir código o redactar textos de marketing, probablemente hayas notado este mismo fenómeno.

Beto
Oh, absolutamente. Es tan común.

Alicia
Le pides a una IA que te dé algo verdaderamente creativo, y ella simplemente te sigue dando las respuestas más seguras y predecibles en todo momento.

Beto
Sí. Quiero decir, es una frustración enormemente conocida en el campo ahora mismo. Tenemos estos modelos masivos e increíblemente capaces. Pero cuando les dejas a su suerte en tareas abiertas, tienden a quedar atrapados.

Alicia
Atrapados en zonas seguras, como de pensamiento.

Beto
Correcto. Zonas de seguridad muy localizadas para el pensamiento. Simplemente toman el camino con poca resistencia.

Alicia
Por eso estoy tan emocionada por la misión de nuestra inmersión profunda de hoy.

Bien, desglosémoslo. Estamos viendo un fascinante artículo de investigación de 2026 que detalla un nuevo marco llamado "Creative-MAD".

Beto
Sí, este artículo es un cambio de juego.

Alicia
Lo es. Los investigadores detrás de esto básicamente descubrieron una forma de obligar a la IA a pensar realmente fuera de la caja. Y lo hicieron diseñando esencialmente un argumento perfectamente diverso.

Beto
Lo cual es brillante, honestamente.

Superando la trampa de la convergencia: Mejorando la diversidad en el debate sobre la IA multiagente.

Alicia
Es tan inteligente. Pero para entender cómo logran arreglar la creatividad de la IA, primero tenemos que darnos un paso atrás y ver cómo intenta la IA actualmente resolver problemas difíciles cuando se la pides ayuda.

Beto
Correcto. Así que el estándar de oro actual para la resolución de problemas complejos en la IA es esta técnica llamada "debate multiagente" ("Multi-Agent Debate", o MAD).

Alicia
MAD, lo entiendo.

Beto
El mecanismo central es en realidad bastante intuitivo. En lugar de simplemente pedirle a un único modelo de IA que te dé una respuesta y esperar lo mejor, activas múltiples instancias de la IA.

Alicia
Así que estás creando como un pequeño comité.

Beto
Exacto. Creas un panel de múltiples agentes y les haces iterativamente criticar y refinar las respuestas unas a otras a lo largo de varias rondas de debate.

Alicia
Eso tiene mucho sentido. Así que solo están revisando el trabajo de los demás antes de darte la respuesta final.

Beto
Esa es la intención. Sí.

Y para tareas de hechos o como problemas de matemáticas o acertijos de lógica realmente complejos, el MAD estándar es fenomenal.

Alicia
Porque hay una sola respuesta correcta.

Beto
Exacto. Piénsalo en esos escenarios, hay una única respuesta objetivamente correcta que encontrar. Así que el proceso de debate expone errores de cálculo. Desafía el razonamiento débil. Y lleva a todos los agentes individuales a eventualmente converger en esa única respuesta correcta.

Alicia
Así que ¿es fuertemente impulsado por la convergencia?

Beto
Es por definición un diseño impulsado por la convergencia. Sí. Pero, y aquí está el gran problema. Los investigadores identificaron una falla masiva aquí. Ese mismo diseño impulsado por la convergencia se desmorona fundamentalmente cuando lo aplicas a tareas creativas.

Alicia
Correcto. Porque con tareas creativas, como si estás haciendo escritura narrativa o tratando de idear una nueva hipótesis científica, en realidad no quieres la convergencia.

Beto
Para nada.

Alicia
Es como si el MAD estándar operara como un jurado. Y todo el punto de un jurado es sentarse en una sala y discutir hasta que converjas en un veredicto unánime.

Beto
Esa es una analogía muy buena.

Alicia
Pero para la creatividad, un solo veredicto es un fracaso total. Quieres todo un espectro de ideas salvajes y distintas para explorar, ¿sabes?

Beto
Sí. Y los investigadores se refieren a este estado de fallo como "colapso del modo" ("mode collapse").

Alicia
Colapso del modo.

Beto
Correcto. Cuando ejecutas estas sesiones de debate de IA de forma independiente en una indicación creativa, todas terminan agrupándose en la misma región estrecha y genérica del espacio de salida.

Alicia
Así que simplemente producen lo mismo aburrido una y otra vez.

Beto
Exacto. Producen resultados repetitivos y seguros. Fallan por completo en explorar los diferentes bordes y posibilidades del espacio creativo. El mecanismo mismo que los hace tan confiables en las matemáticas está suprimiendo activamente su diversidad de salida cuando intentan ser creativos.

Alicia
Así que si el MAD estándar está aplastando la creatividad, realmente tenemos que descubrir cómo lo está haciendo bajo el capó, ¿verdad? ¿Cuáles son los mecanismos que impulsan esta conformidad de la IA?

Beto
Bueno, el artículo identifica dos mecanismos internos específicos que ocurren durante estos debates que simplemente extinguen el pensamiento original por completo.

Alicia
Bien, ¿cuál es el primero?

Beto
El primer mecanismo, el detalle se llama "deriva de identidad" ("identity drift"). Así que para entender esto, tienes que ver cómo comienzan estos debates. En el MAD estándar, se les da a todos los agentes exactamente la misma indicación básica. Así que la única diferencia entre ellos al principio son solo variaciones menores de muestreo, lo que normalmente llamamos "ruido de temperatura".

Alicia
Ok, déjame hacer una pausa ahí rapidísimo solo porque la "temperatura" en la IA es uno de esos términos que se mencionan mucho. Para ti que estás escuchando, piensa en la temperatura como un dial en la IA que básicamente controla la aleatoriedad.

Beto
Sí, esa es una forma perfecta de describirlo.

Alicia
Si bajas la temperatura, la IA siempre elige la siguiente palabra más obvia y estadísticamente probable. Si la subes, toma más riesgos y genera un texto ligeramente más caótico o inesperado.

Beto
Así que estás diciendo que lo único que separa a estos agentes inicialmente es ese dial de aleatoriedad?

Alicia
Eso es literalmente la única diferencia. No tienen un ancla de razonamiento estable y permanente. Así que a medida que leen y sintetizan las respuestas de sus compañeros a través de todas estas rondas de debate múltiples, cualquier chispa única menor con la que comenzaron ...

Beto
... Esa pequeña cantidad de ruido de temperatura.

Alicia
Exacto. Se suaviza rápidamente por la tendencia natural del modelo de lenguaje a simplemente predecir la frase siguiente más probable. Su distinción se erosiona, simplemente se desvían hacia el consenso del grupo.

Beto
Ah, así que pierden su identidad individual y simplemente se funden en una masa colectiva.

Alicia
Exacto. Y esa deriva es acelerada enormemente por el segundo mecanismo, que llaman "tirón de la mayoría" ("majority pull").

Beto
Tirón de la mayoría, Ok.

Alicia
Sí. Así que en el MAD estándar, cada agente ve toda la reserva de respuestas de todos sus compañeros.

Beto
Como un gran chat grupal, ¿verdad? Y cuando expones a un agente a todo lo que se dice en la sala, las perspectivas dominantes en esa reserva naturalmente anulan cualquier punto de vista minoritario. El peso puro de la señal de la mayoría homogeneiza gradualmente todas las respuestas del agente hasta que todas suenen exactamente igual.

Alicia
Espera, tengo que contradecir esto por un segundo, porque sé que la investigación previa ha intentado arreglar este problema exacto simplemente dándole a los agentes de IA diferentes personajes.

Beto
Ah, sí, estás pensando en Hetero-MAD.

Alicia
Sí, Hetero-MAD, donde harían a un agente un doctor, otro un abogado, otro un economista y otro un historiador. ¿Por qué no resuelve ese problema? Quiero decir, un doctor y un abogado deberían abordar un problema desde ángulos completamente diferentes y detener esa deriva de identidad, ¿verdad?

Beto
Quiero decir, parece una solución realmente elegante en la superficie. Pero los investigadores en este artículo demuestran por qué una persona basada en roles como Hetero-MAD falló completamente en mantener la diversidad con el tiempo.

Alicia
¿En serio? ¿Por qué?

Beto
Porque darle a un agente de IA una personalidad como abogado o doctor solo le dice al modelo lo que sabe. Solo proporciona conocimiento del dominio.

Alicia
Oh, ya veo.

Beto
Correcto. No dicta cómo deben pensar o procesar la información los modelos. Así que cuando pones a ese doctor y abogado en un debate de múltiples rondas y los sometes a esa presión de los compañeros y el peso de la encuesta de la mayoría, su vocabulario especializado simplemente no es suficiente como ancla.

Alicia
Porque todavía están procesando los argumentos de la misma manera debajo de todo.

Beto
Exacto. Así que todavía terminan cediendo al consenso.

Alicia
Oh, okay. Entonces, el conocimiento del dominio no los protege de la presión algorítmica para conformarse. Pueden usar jerga diferente, pero la lógica subyacente sigue colapsando en el medio.

Beto
Y la investigación ha demostrado esto matemáticamente. Demuestran esta relación directa entre lo que llaman "decaimiento de diversidad de intercesión" ("inter-session diversity decay") y "homogeneidad de intercesión" ("inter-session homogeneity").

Alicia
Ok, eso suena muy técnico.

Beto
Sí. Para poner eso en lenguaje sencillo: Si los agentes empiezan a estar demasiado de acuerdo durante una sola sesión de debate, la matemática garantiza que tus ideas finales a través de ejecuciones totalmente diferentes, e independientes del sistema, van a ser completamente idénticas.

Alicia
Oh, vaya.

Beto
Sí, preservar la fricción y el desacuerdo durante el debate es la condición absolutamente necesaria para obtener resultados diversos al final.

Alicia
Ok, así que asignar diferentes trabajos como doctor y abogado es realmente solo una solución cosmética entonces.

Beto
Prácticamente, sí.

Alicia
Así que para resolver esto de verdad, los investigadores se dieron cuenta de que tenían que cambiar fundamentalmente el modo de procesamiento cognitivo de los agentes. ¿Cómo lo logran realmente?

Beto
Aquí es donde llegamos a la primera intervención importante en su marco Creative-MAD. Lo llaman "asignación de lente cognitiva" ("Cognitive Lens Assignment", o CLA).

Alicia
CLA, lo tengo.

Beto
Sí. Así que en lugar de darle a los agentes una profesión, les equipan a cada agente con un modo cognitivo distinto y persistente que dicta exactamente cómo se les permite procesar la información.

Alicia
Como darles un cambio de cerebro en lugar de un título de trabajo.

Beto
Básicamente, sí. El sistema refuerza explícitamente esta lente específica en cada ronda del debate. El agente nunca se le permite desviarse de ella.

Alicia
Ok, usan cinco lentes muy específicas en el estudio. Y creo que recorrerlas aclara cómo funciona en la práctica.

Beto
Sí, hagámoslo.

Alicia
Así que la primera es la lente analítica. A este agente se le instruye estrictamente para buscar la estructura, los patrones y la evidencia. Pregunta qué razonamiento subyacente hace que una idea sea convincente.

Beto
Correcto. Y luego la segunda es la lente emocional. Esta tiene que ignorar por completo la lógica fría y centrarse totalmente en el impacto humano, los sentimientos, los valores y las experiencias vividas.

Alicia
Lo cual es totalmente opuesto a la primera.

Luego está la lente crítica. Piensa en esto como el contrincante asignado del grupo. Su trabajo entero es simplemente interrogar suposiciones, descubrir contradicciones, y localizar la paradoja en lo que sea que esté discutiendo el grupo.

Beto
Lo cual honestamente, todos necesitamos un escéptico designado y una sesión de lluvia de ideas.

Alicia
En serio, cada reunión necesita uno.

La cuarta es la lente analógica. A este agente se le forza a dibujar metáforas inesperadas entre dominios. Pregunta qué patrón más profundo conecta cosas aparentemente no relacionadas.

Beto
Y finalmente, la lente práctica. A este agente no le importa en absoluto las metáforas, o la resonancia emocional. Solo evalúa la viabilidad del mundo real y los pasos concretos y accionables.

Alicia
Así que la brillantez de esta asignación de lente cognitiva es que proporciona una cobertura cognitiva completa de cualquier problema dado.

Beto
Sí. Piénsalo como diseñar un nuevo parque público. El MAD estándar podría simplemente debatir hasta que sugiera añadir más árboles y algunos bancos.

Alicia
Correcto, súper aburrido.

Beto
Pero con CLA, el agente analítico mapea las cuadrículas de tráfico peatonal. El agente emocional se centra en crear espacios que fomenten la conexión comunitaria.

Alicia
Y el agente crítico señala que la mayoría de los parques se sienten inseguros por la noche y exige soluciones de iluminación, ¿verdad?

Beto
Exacto. El agente analógico sugiere diseñar el parque para que funcione como un pulmón literal para la calidad del aire de la ciudad. Y el agente práctico simplemente está allí calculando las leyes de zonificación y los presupuestos de mantenimiento.

Alicia
Veo cómo eso crea un ancla de razonamiento permanente ahora. El agente analítico no va a empezar a estar de acuerdo con el agente emocional solo por la presión de los compañeros, porque las instrucciones fundamentales le prohíben procesar información a través de sentimientos.

Beto
Exacto. Eso resuelve completamente ese primer problema de deriva de identidad.

Alicia
Pero, y sé que esta es la trampa, los investigadores encontraron que incluso un ancla cognitiva fuerte como esta puede erosionarse eventualmente si un agente es bombardeado constantemente por una opinión mayoritaria.

Beto
Desafortunadamente, sí. Si pones a ese único agente crítico en una sala con otros cuatro agentes que todos están agresivamente de acuerdo entre sí sobre un concepto, el peso puro de la encuesta de la mayoría aún puede empezar a diluir las salidas a lo largo de múltiples rondas.

Alicia
La presión de los compañeros es difícil de vencer.

Beto
Realmente lo es. Los investigadores se dieron cuenta de que darle una lente no era suficiente. También tuvieron que diseñar la comunicación misma para proteger la voz minoritaria.

Alicia
Ok, aquí es donde se pone realmente interesante. Para arreglar el problema de comunicación, introdujeron la segunda mitad de su marco llamada "selección de compañeros basada en incrustación" ("embedding-based peer selection", o EPS).

Y la solución que encontraron es, honestamente, totalmente contraintuitiva a cómo pensamos normalmente sobre el trabajo en equipo.

Beto
Realmente lo es. Porque en una configuración estándar de MAD, la transparencia total es el objetivo. Cada agente ve todo lo que los otros agentes están diciendo.

Pero EPS restringe intencionalmente su visión.

Alicia
Les ponen ojos vendados.

Beto
Sí. En cada ronda de debate, el sistema toma todas las respuestas del agente y las mapea en un espacio semántico compartido.

Alicia
Ok, para cualquiera que no esté familiarizado con un espacio semántico, imagina un mapa masivo multidimensional. Pero en lugar de trazar latitud y longitud, la IA está trazando significado.

Así que una idea sobre un "perro" y una idea sobre un "lobo" se trazan muy cerca en este mapa. Pero una idea sobre un "perro" y una idea sobre una "nave espacial" se trazan muy lejos. La IA literalmente convierte los conceptos en matemáticas para medir la distancia entre ellos.

Beto
Esa es una gran manera de visualizarlo. Así que una vez que todas las ideas están mapeadas de esa manera, solo se permite a un agente ver las ideas que son matemáticamente las más semánticamente distantes de la suya.

Alicia
Es un concepto tan salvaje cuando lo aplicas a una reunión. Si fueras el agente analítico y propusieras una idea muy lógica y estructurada, el sistema oculta activamente todas las demás ideas lógicas o incluso ligeramente lógicas de ti.

Beto
No tienes derecho a ver a nadie que esté de acuerdo contigo.

Alicia
Correcto. Te obliga a solo mirar las ideas más extrañas y vastamente diferentes en la sala. Tal vez las altamente emocionales o puramente analógicas. Estás completamente cegado a cualquiera de tu lado.

Beto
Actúa como un estímulo forzado de perspectiva cruzada. Y los investigadores realmente querían averiguar exactamente cuántos de estos compañeros distantes debería permitirse ver a un agente para maximizar la creatividad.

Alicia
Oh, tiene sentido.

Beto
Sí. Así que varían el número de compañeros visibles, que representan como la variable K en el artículo. Y encontraron que el número mágico absoluto es K=2.

Alicia
Solo ver a otras dos perspectivas.

Beto
Sí, mostrarles solo un compañero no es suficiente contexto para provocar un debate significativo.

Pero si les muestras tres o más, empiezas a reintroducir lentamente ese tirón de la mayoría y los agentes simplemente empiezan a encontrar maneras de estar de acuerdo de nuevo.

Alicia
Eso es salvaje.

Beto
Correcto. Mostrarle exactamente a un agente las dos ideas más diferentes completamente reemplaza el concenso tóxico de la cámara de eco, con pura fricción constructiva.

Alicia
Pero esto plantea una pregunta importante, sin embargo. Si forzas artificialmente a estos agentes de IA a solo mirar las ideas más raras y semánticamente distantes de sus compañeros, ¿eso realmente produce buenos resultados creativos? ¿O todo el sistema simplemente evoluciona hacia una tontería caótica y coherente?

Beto
Sí, ese es exactamente el obstáculo que los investigadores tuvieron que superar. Porque si es solo ruido, el marco es inútil.

Así que para demostrar que el Creative-MAD no estaba generando basura aleatoria, tuvieron que pasar estos modelos por un aguante agotador de cuatro puntos de referencia altamente específicos que prueban diferentes sabores de creatividad.

Alicia
Realmente quiero explicar cómo funcionan, porque hacen un gran trabajo mapeando los bordes de lo que la IA puede hacer.

Beto
Hagámoslo.

Alicia
Así que el primer punto de referencia se llama LiveIdeaBench. Esta prueba la ideación científica, se le da a la IA una única palabra clave mínima y tiene que generar una hipótesis científica novedosa y factible. No puede simplemente repetir el conocimiento de los libros de texto estándar, ¿sabes? Tiene que sugerir ciencia fronteriza verdaderamente revolucionaria.

Beto
Lo cual es difícil.

El segundo es el benchmark de "ensayos anotados de argumentos" ("Argument Annotated Essays", o AAE). Esto requiere que el modelo elabore argumentos persuasivos originales sobre temas altamente controvertidos desde cero. Así que está probando tanto la coherencia lógica, como la novedad pura.

Alicia
Ok, luego está MacGyver, que honestamente podría ser la más fascinante para mí.

Beto
Oh, MacGyver es genial.

Alicia
Prueba la resolución de problemas físicos del mundo real usando objetos cotidianos. Prueba específicamente si la IA puede superar el sesgo cognitivo humano donde solo vemos un objeto para su uso tradicional; tal como solo ves un martillo como una herramienta para clavar clavos. No lo ves como un péndulo, un tope de puerta o una herramienta de medición.

Beto
Exacto. Así que para tener éxito en el benchmark de MacGyver, la IA tiene que idear planes físicamente factibles, para lograr objetivos complejos, bajo restricciones estrictas, usando objetos de maneras que no fueron diseñados originalmente para ello.

Alicia
Correcto. Y si pensamos en cómo el Creative-MAD aborda eso en comparación con el MAD estándar, tiene todo el sentido. El MAD estándar mira un martillo y converge en el uso estadísticamente más probable: golpear algo.

Beto
Porque eso es lo que hace un martillo.

Alicia
Correcto.

Pero en el Creative-MAD, la lente analógica se ve obligada a mirar las propiedades físicas del martillo: "Tiene una cabeza de metal pesada, un vástago de madera largo", y mapea eso a un dominio que no es el martillo. Así que sugiere atarle una cuerda para hacerlo un péndulo.

Beto
Y luego la lente práctica interviene para calcular si la cuerda puede realmente soportar el peso. Lo forza completamente a salir de sus sesgos fijos.

Alicia
Genial.

Y finalmente, usan el benchmark Arena Hard V2.0. Este se centra en la escritura creativa abierta en general. Estamos hablando de poemas, letras, diálogos, escritura de géneros complejos. Prueba la relevancia del estilo y pura salida imaginativa.

Beto
Así que cuando los investigadores realmente sometieron a los modelos a estas pruebas, los datos que obtuvieron fueron increíbles.

Alicia
¿Qué mostraron?

Beto
Bueno, ejecutaron todas estas pruebas en dos modelos masivos de código abierto, Qwen3-8B y Gemma3-12B-Instruct. Los resultados fueron honestamente asombrosos. Al implementar las lentes cognitivas y restringir la selección de compañeros a las dos ideas más distantes, la diversidad semántica se disparó en más del 26 por ciento en comparación con el MAD estándar.

Alicia
Oh, vaya. Un aumento del 26 por ciento solo por cambiar cómo se hablan entre sí.

Beto
Sí, revirtió completamente el colapso del modo. Si miras el mapeo visual de los datos en el artículo, las salidas del MAD estándar están todas agrupadas en una masa densa y muy superpuesta. Cada ejecución se ve igual.

Pero las salidas del Creative-MAD están bellamente distribuidas. Cada sesión independiente ocupa una región completamente separada y distinta del espacio semántico. Literalmente exploraron cada rincón de las posibilidades creativas.

Alicia
Pero el verdadero miedo con forzar tanta diversidad es que las ideas simplemente se vuelvan inútiles, ¿verdad? ¿Sacrificaron la calidad de la salida para obtener ese aumento del 26 por ciento?

Beto
Esa es la conclusión más crucial de todo el estudio. Lograron este aumento masivo en diversidad sin sacrificar la calidad de la salida. Las ideas no solo fueron diferentes; fueron buenas.

Alicia
Eso es asombroso.

Beto
El sistema Creative-MAD mantuvo exactamente la misma puntuación de alta calidad que hace que el MAD estándar sea tan popular para la resolución de problemas complejos en primer lugar. Básicamente, lograron romper la compensación inherente entre calidad y diversidad.

Alicia
Pero espera, dado que estas son tareas creativas, no hay una única clave matemática para comparar las respuestas. ¿Cómo verificaron realmente que la calidad se mantuviera alta?

Beto
Así que usaron un modelo de IA masivo de 397 mil millones de parámetros, actuando como juez para calificar la originalidad, viabilidad y persuasividad de las salidas.

Alicia
Ok, para cualquiera que se pregunte por qué importa el número 397 mil millones, piensa en los parámetros como si fueran las sinapsis o conexiones en el cerebro de una IA. Un modelo con 397 mil millones de parámetros es increíblemente sofisticado y capaz de matices extremos, así que sirve como un juez altamente calificado.

Beto
Exacto.

Alicia
Pero aun así, tener una IA que califique el trabajo de otra IA, puede inflar las métricas. ¿Verificaron el trabajo de los jueces de IA?

Beto
Sí, lo hicieron. Ejecutaron extensos estudios de validación humana. Tuvieron a anotadores humanos poner a prueba las salidas, y el juez de 397 mil millones de parámetros estuvo de acuerdo con los evaluadores humanos el 81% de las veces.

Alicia
Vaya. Ok.

Beto
Y para ponerlo en contexto, eso está a la par con la frecuencia con la que los humanos están de acuerdo entre sí. Además, en una prueba piloto directa comparando el MAD estándar con el Creative-MAD, los humanos prefirieron abrumadoramente la diversidad de los conjuntos de salidas del Creative-MAD, coincidiendo con las métricas automatizadas en el 88% de los casos.

Alicia
Así que estas no son métricas algorítmicas infladas.

Beto
Para nada. De hecho, los seres humanos prefirieron estas ideas diversas y probadas por fricción también.

Alicia
Entonces, ¿qué significa todo esto? ¿Por qué es esto importante para ti, el que escuchas ahora mismo?

Bueno, si usas IA para cualquier cosa abierta, ya sea que estés haciendo una lluvia de ideas, marketing, copias, software de arquitectura o tratando de resolver un problema logístico, es probable que estés sufriendo de colapso del modo sin siquiera darte cuenta.

Beto
Sí. Estás obteniendo el equivalente de la IA de ese aburrido consenso de sala de conferencias segura del que hablamos al principio.

Alicia
Exacto.

Beto
La implicación más amplia aquí es realmente sobre la trayectoria futura de la inteligencia artificial. Pasamos una enorme cantidad de tiempo hablando de hacer los modelos más grandes, darles más parámetros y hacerlos inherentemente "más inteligentes".

Alicia
Correcto.

Beto
Pero esta investigación demuestra que el futuro de la IA no se trata solo de inteligencia bruta. Se trata de diseñar la sociología de los modelos. Se trata de cómo diseñamos las estructuras de comunicación entre agentes, para preservar la fricción, proteger los puntos de vista minoritarios y hacer cumplir perspectivas cognitivas distintas.

Alicia
Diseñar la sociología de los modelos. Me encanta esa frase. Y honestamente, me deja con un paralelismo muy provocador para pensar.

Este artículo demuestra que para obtener ideas altamente creativas de vanguardia de los sistemas de IA más avanzados del planeta, tenemos que hacer dos cosas muy específicas. Primero, tenemos que imponer estrictamente roles cognitivos distintos para que no pierdan su identidad dentro del grupo.

Beto
Correcto.

Alicia
Y segundo, tenemos que restringir intencionalmente y artificialmente su comunicación para que solo estén expuestos a las personas con las que más discrepan, solo para evitar que asienten ciegamente con la mayoría.

Beto
Sí. Esa es la receta.

Alicia
Entonces, ¿qué dice eso sobre la lluvia de ideas humana?

Piensa en nuestras estructuras corporativas modernas. Tenemos oficinas de planta abierta, canales de Slack de todo el equipo y estas reuniones de sinergia masivas donde todos escuchan cada idea a la vez, y la transparencia es el objetivo final.

Beto
La cámara de eco.

Alicia
Exacto. ¿Estamos destruyendo nuestras mejores ideas al dejar que la deriva de identidad del tirón de la mayoría domine nuestras oficinas?

Quiero decir, si una IA superinteligente necesita ser artificialmente protegida de la cámara de eco del consenso para ser creativa, tal vez nosotros los humanos necesitamos implementar un pequeño protocolo Creative-MAD en nuestras propias reuniones también.

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.

El Compromiso entre Razonamiento y Creatividad

Hoy les traigo un resumen de un artículo de investigación que investiga el colapso de la diversidad en grandes modelos lingüísticos (LLMs), donde el aprendizaje por refuerzo (RL) hace que los modelos se fijen en unos pocos patrones de razonamiento repetitivos. Los autores presentan el Razonamiento Creativo Distribucional (DCR), un marco teórico que trata el entrenamiento como un flujo gradiente para analizar por qué estrategias como STaR, GRPO y DPO sufren de diferentes modos de decadencia creativa. Para resolver esto, proponen una nueva función objetivo que combina la entropía de Shannon para la amplitud probabilística con un término de cobertura del núcleo para recompensar la distinción semántica. Su teorema de decadencia de la diversidad predice formalmente estos modos de falla, lo que demuestra que las recompensas estándar impulsadas por escalares erosionan inherentemente la variedad. En última instancia, el marco DCR proporciona un método basado en principios para equilibrar la utilidad y la creatividad, garantizando que los modelos converjan en un conjunto estable y diverso de caminos de razonamiento. El estudio valida estos hallazgos a través de pruebas matemáticas y simulaciones empíricas de dinámicas de estrategia simple.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "The Reasoning–Creativity Trade-off: Toward Creativity-Driven Problem Solving", por Max Ruiz Luyten y Mihaela van der Schaar, de la universidad de Cambridge. Publicado en Enero 02 del 2026.

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

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

---

Resumen

Alicia
Sabes, es simplemente increíble lo que pueden hacer ahora los modelos de lenguaje a gran escala (LLM). Quiero decir, el nivel de razonamiento complejo es fuera de serie.

Beto
Absolutamente. Pueden escribir código sin errores, resolver problemas matemáticos muy avanzados, cosas que hace un par de años ni siquiera creíamos posibles.

Alicia
Y, sin embargo, hay una sensación que te entra cuando los usas mucho. Es como si sus soluciones, por brillantes que sean, empezaran a sentirse un poco repetitivas.

Beto
Eso es todo. Ese es el gran paradoja, ¿no? Diseñas estos sistemas para la perfección total, para la corrección, pero parece que maximizar esa brillantez en realidad los hace — bueno — mata su diversidad creativa.

Alicia
Y ese es el núcleo de lo que hablamos hoy. Esta nueva investigación de la Universidad de Cambridge lo llama la "Compensación Razonamiento–Creatividad" ("Reasoning Creativity Trade-off", RCT).

Beto
Exacto. Y es un resultado directo de nuestras actuales pipelines de entrenamiento de última generación.

Alicia
Claro. Esas que están tan fuertemente optimizadas para la corrección, usando cosas como el aprendizaje por refuerzo, RL.

Beto
Sí. Y cuando entrenas un modelo para maximizar un único y simple puntaje — tal como "¿es esta respuesta correcta?" — creas un sistema que es fatalmente sensible a lo que la investigación llama "colapso creativo".

Alicia
Así que nuestra misión en este análisis profundo es desentrañar ese colapso. Vamos a diagnosticar qué está fallando con algunos de los algoritmos de entrenamiento más grandes que hay: STaR, GRPO, DPO.

Beto
Y luego entraremos en la solución que proponen, que es este marco realmente fascinante llamado "Razonamiento Creativo Distribucional" ("Distributional Creative Reasoning", DCR).

Alicia
Antes de meternos en los fallos, tenemos que aclarar qué queremos decir con "creatividad" aquí. No es esa cosa borrosa y artística.

Beto
No, en absoluto. Tienes que pensarlo como un requisito técnico estricto. Para un LLM, la creatividad es la capacidad de mantener una cartera diversa de estrategias de razonamiento de alta utilidad.

Alicia
¿Una cartera? Me gusta mucho esa metáfora. Es como una estrategia de inversión.

Beto
Lo es, porque esa diversidad es lo que te da generalización. Si un modelo solo conoce una forma de resolver un problema, va a fallar en cuanto vea algo nuevo, algo fuera de sus datos de entrenamiento. Una IA creativa necesita respaldos. Necesita formas diferentes de pensar.

Alicia
Bien, empecemos con el problema en sí: el colapso creativo. Las fuentes lo califican como un efecto secundario recurrente y perjudicial del aprendizaje por refuerzo posterior al entrenamiento.

Beto
Especialmente el RL a partir de retroalimentación humana, "Reinforcement Learning with Human Feedback", RLHF. Y es importante notar: esto no es un "bug". Es una característica del objetivo que le estamos dando a los modelos.

Alicia
¿Cómo funciona? ¿Cuál es el mecanismo?

Beto
Bueno, es sorprendentemente simple. Cuando entrenas el modelo para maximizar ese único número de recompensa, su entropía de salida se desploma.

Alicia
La entropía aquí es básicamente nuestro sustituto para la diversidad o aleatoriedad.

Beto
Exacto. Así que todo el espacio de soluciones se contrae. El modelo deja de explorar y empieza a concentrar toda su probabilidad en solo unas pocas plantillas que sabe que van a obtener una puntuación alta. Terminas con una monocultura de alto rendimiento.

Alicia
Y hay datos duros sobre esto. No es solo una sensación. Pasa sin importar qué algoritmo uses.

Beto
Correcto. Es agnóstico al algoritmo. Lo ves en RLHF. Lo ves cuando los modelos usan GRPO para matemáticas, incluso durante la sintonización de auto-consistencia.

Alicia
Y las métricas son bastante tajantes.

Beto
Lo son. La diversidad, medida por entropía u otras cosas como la dispersión en el espacio de embeddings, simplemente se desploma después de RLHF. En algo como la escritura de historias abiertas, los modelos Llama 2 alineados perdieron algo así como entre tres y seis veces su entropía de tokens original.

Alicia
Vaya. Es como entrenar a un novelista que, al final, solo puede escribir la misma historia una y otra vez.

Beto
Ese es el colapso en acción.

Alicia
Si este es un problema tan conocido, ¿qué hay de las soluciones? Quiero decir, la gente ha intentado contrarrestarlo, ¿no? Las fuentes mencionan penalizaciones KL.

Beto
Las han usado. Pero las soluciones son, yo diría, incompletas. Son indiscriminadas. Una penalización KL básicamente le dice al modelo: oye, no te alejes demasiado de tu programación base.

Alicia
Está bien.

Beto
Pero el problema es que penaliza todo lo nuevo, incluso soluciones brillantes y de alta utilidad. Si resultan ser demasiado diferentes del modelo base, es como poner un limitador en un motor. Evitas que vaya demasiado rápido, pero también le impides encontrar un atajo brillante.

Alicia
¿Y añadir más ruido, como con PPO regularizado por entropía, ayuda?

Beto
Hace las cosas más aleatorias, claro. Pero no crea ideas cualitativamente distintas. El modelo simplemente se vuelve más ruidoso, menos confiado. Pero no está siendo más creativo de una manera estructurada. Es solo añadir estática, no esculpir nuevas vías.

Alicia
Para esculpir necesitas primero un diagnóstico. Eso nos lleva al teorema de decaimiento de diversidad. Esta es la herramienta que predice exactamente cómo fallan estos algoritmos.

Beto
Sí. Nos da tres modos muy distintos de colapso.

Alicia
Bien. Desgranémoslos. Modo de fallo 1. STaR — Self-taught Reasoner. El artículo lo llama "fijación de ganador se lo lleva todo".

Beto
Y es una descripción perfecta. La dinámica en STaR es un clásico ciclo de retroalimentación positiva.

Alicia
¿Qué significa?

Beto
Significa que si una vía de razonamiento, por simple azar, tiene una ligera ventaja al principio, el proceso de entrenamiento se aferra a ella y colapsa rápida y de forma determinista sobre esa única solución dominante. Todo lo demás se olvida.

Alicia
Así que no es una declinación lenta. Es un chasquido.

Beto
Lo es. Los datos muestran que el colapso es casi inmediato. La entropía tiende a 0. El índice de fijación tiende a 1. Es una carrera. Y el ganador se lleva literalmente todo.

Alicia
Aterradoramente eficiente. Bien. Eso es STaR. ¿Y el modo de fallo 2? GRPO. Este es mucho más sutil.

Beto
Lo es. El diseño de GRPO crea lo que llaman "estabilidad neutral entre todas las soluciones correctas".

Alicia
Lo cual suena bien en papel: no elige un único ganador.

Beto
Correcto. Trata de preservar las probabilidades iniciales de todas las respuestas correctas. Pero — y aquí está la clave — no proporciona ninguna protección activa para esa diversidad.

Alicia
¿A qué te refieres con eso?

Beto
Piénsalo como un montón de canicas sobre una lámina de hielo perfectamente plana y sin fricción. Son estables. Ningún punto es mejor que otro.

Alicia
Pero también son muy fáciles de mover.

Beto
Exacto. Y en el entrenamiento de LLM, la pequeña fuerza que las mueve es el ruido del muestreo en mini-batches.

Alicia
Espera. Entonces lo que hacemos para que el entrenamiento sea eficiente — los mini-batches — es en realidad la causa del colapso aquí.

Beto
Es el desestabilizador. Ese pequeño ruido estadístico es suficiente para que la política simplemente derive. Deambula aleatoriamente hasta que eventualmente las canicas se amontonan en una esquina. Se fija en un subconjunto pequeño de soluciones. Los datos muestran que esta deriva es lenta y depende del tamaño del batch, lo que confirma que el ruido es el culpable.

Alicia
Fascinante.

Así que tenemos una monopolización repentina con Star y una deriva lenta y ruidosa hacia una esquina con GRPO.

¿Y el modo de fallo tres? DPO, Direct Preference Optimization, es muy popular.

Beto
Y su modo de fallo es distinto de nuevo. El objetivo de DPO es hacer que las buenas respuestas tengan probabilidades aproximadamente iguales. Así que resulta en homogenización o igualación.

Alicia
De ese modo evita la fijación, lo cual es bueno.

Beto
Sí. Pero no promueve diversidad semántica dirigida.

Alicia
¿Qué significa eso en la práctica?

Beto
Significa que pides cinco formas diferentes de decir algo y DPO te da cinco excelentes maneras que son todas solo variaciones menores entre sí. Empuja probabilidades iguales a respuestas de alta utilidad, pero muchas de esas respuestas son conceptualmente redundantes. Obtienes calidad igual, pero no diversidad de ideas.

Alicia
Entonces Star es una única respuesta dominante, GRPO deriva hacia unas pocas respuestas, DPO nos da muchas respuestas similares. El problema no es el proceso de optimización en sí, entonces.

Beto
No, la optimización funciona perfectamente. El problema es la función objetivo. Le falta cualquier tipo de fuerza que recompense activamente la verdadera diversidad semántica.

Alicia
Lo que significa que la única solución es una función objetivo totalmente nueva. Hablemos de la solución: Razonamiento Creativo Distribucional, "Distributional Creative Reasoning", DCR.

Beto
DCR replantea completamente el problema. Dejamos de pensar en optimizar una sola respuesta. Empezamos a pensar en optimizar toda la cartera de estrategias del modelo.

Alicia
Le decimos: no quiero solo una buena respuesta. Quiero una política que genere muchos tipos diferentes de respuestas buenas.

Beto
Exacto. Y el objetivo DCR está diseñado para hacer eso. Es un acto de equilibrio.

Alicia
Mantiene utilidad por la corrección y algo de divergencia KL para estabilidad.

Beto
Correcto. Pero entonces está el ingrediente clave: el funcional de energía de diversidad ("Diversity Energy Functional", D[p]).

D[p] = alfa * H[p] - beta * Q[p], con alfa, beta >= 0.

Alicia
Y este tiene dos partes que hacen dos trabajos distintos.

Beto
Así es. La primera parte se basa en la vieja entropía de Shannon (H[p]). Eso promueve lo que podrías llamar "amplitud indiscriminada". Simplemente anima al modelo a mantener las opciones abiertas, a no dejar que las probabilidades de soluciones buenas pero poco comunes vayan a cero.

Alicia
Pero, como dijiste antes, la entropía por sí sola es ciega. No distingue lo correcto de lo incorrecto.

Beto
Precisamente. Y ahí entra la segunda parte: el término de cobertura del kernel ("Kernel Coverage", Q[p]).

Alicia
¿Qué hace el kernel?

Beto
Piensa en el kernel como una herramienta para medir la similitud entre dos respuestas diferentes, dos trazas de razonamiento distintas.

Alicia
Si el modelo genera dos soluciones que son básicamente la misma idea, solo enunciadas de forma distinta, el kernel las señalaría como muy similares.

Beto
Exactamente. Y aquí está la jugada inteligente. El objetivo DCR canaliza esa similitud. Castiga al modelo por tener alta cobertura de kernel. Es decir, empujas activamente la política a alejarse de generar respuestas semánticamente redundantes.

Alicia
Wow. Entropía te da amplitud. El kernel te da distintividad semántica dirigida. Es un tira y afloja.

Beto
Y la garantía matemática es el verdadero avance. Está probado que este funcional garantiza que la política convergerá a un equilibrio único, estable y diverso. No puede fijarse, no puede derivar, no puede marginalizar. Neutraliza los tres modos de fallo de los que hablamos.

Alicia
Para un practicante, esto es enorme. De repente tienes palancas reales para ajustar. Puedes definir qué significa similaridad con tu elección de kernel. Y luego puedes tunear el balance entre amplitud bruta y diversidad semántica.

Beto
Es un problema real de diseño de ingeniería ahora. No solo un tiro en la oscuridad.

Alicia
Seamos prácticos, eso sí. Aún necesitas que las respuestas sean correctas. Recompensar la diversidad no puede salirle caro a la supresión de respuestas erróneas.

Beto
Absolutamente. Y eso se resuelve con lo que llaman "la estrategia de kernel con compuerta". El kernel que usas es un kernel efectivo: un kernel semántico que está reglado por un verificador binario simple.

Alicia
Un verificador que solo pregunta: "¿es esta respuesta correcta?" Sí o no.

Beto
Eso es todo. Entonces la penalización promotora de diversidad — la parte que castiga la similitud — se aplica solo a las interacciones entre respuestas correctas.

Alicia
Ah, ya veo. Así que solo estás esculpiendo la diversidad entre las soluciones válidas. Las respuestas incorrectas ni siquiera participan en esa parte del proceso.

Beto
Estás enfocando el cincel solo en la canica buena.

Alicia
Ok, esto suena increíblemente poderoso, pero también intenso computacionalmente. ¿Es escalable para los modelos masivos de hoy?

Beto
Sorprendentemente es práctico. El término de cobertura del kernel puede estimarse muy eficientemente durante el entrenamiento usando una estadística U. El coste escala cuadráticamente con el tamaño del batch, pero ese tipo de complejidad, O(B²), ya es estándar en mucho aprendizaje métrico moderno. No es un cuello de botella imposible nuevo.

Alicia
Así que afinemos el principio central para un ingeniero que quiera usar esto. ¿Cuál es la regla más importante para balancear corrección y creatividad?

Beto
El análisis da una regla empírica muy clara: para asegurarte de que sigues suprimiendo respuestas incorrectas, la fuerza matemática que aplicas desde la penalización de diversidad no debe ser más fuerte que la recompensa que obtienes por estar en lo correcto.

Alicia
¿Puedes ponerlo en términos más sencillos?

Beto
Significa que el mando que giras para la creatividad — esa penalización del kernel — tiene que permanecer más débil que la recompensa fundamental por la corrección. Si empujas demasiado fuerte por la diversidad, corres el riesgo de que el modelo decida que una respuesta novedosa pero equivocada es mejor que una respuesta aburrida pero correcta. Es un acto de equilibrio.

Alicia
Sí. Y cada palanca afecta a las demás. Si aumentas demasiado la entropía bruta, también debilitas la supresión de respuestas erróneas, incluso mientras ayudas a que la correcta se expanda.

Beto
Exacto. DCR te da las herramientas, pero aprender a usarlas para obtener máxima amplitud estratégica sin sacrificar precisión será el próximo gran desafío de ingeniería.

Alicia
Este análisis profundo nos ha mostrado que llegar a una IA verdaderamente innovadora significa dejar atrás el premio al único mejor resultado. Las formas antiguas — STaR, GRPO, DPO — todas conducen a estos colapsos previsibles: ganador se lo lleva todo, deriva ruidosa o simple homogenización.

Beto
Y el Razonamiento Creativo Distribucional, DCR, nos da un esquema unificado y demostrable. Al construir el funcional de diversidad estructurada directamente en la función objetivo, combinando amplitud con un kernel de creatividad con compuerta, garantiza que la política encuentre una cartera estable y verdaderamente diversa de soluciones de alta calidad.

Alicia
Es el plano para modelos que pueden ser a la vez increíblemente precisos y genuinamente creativos, pero, como dijiste, hay una línea fina que hay que recorrer.

Beto
La hay. Y eso nos lleva a la pregunta final, realmente provocadora. DCR está probado que funciona, pero su efectividad depende de esa única heurística: la penalización de creatividad tiene que ser más débil que la recompensa de utilidad. Así que te preguntas qué pasaría si, en nuestra búsqueda de creatividad estructurada extrema, giramos ese dial al máximo. ¿Podríamos comprometer inadvertidamente la capacidad central del modelo para distinguir el bien del mal, creando una especie de colapso de utilidad? El reto ahora es usar estas nuevas palancas para acercarnos lo máximo posible a esa línea sin jamás, jamás cruzarla.