La IA generativa hace mejor el trabajo de cada persona. El problema aparece cuando todos la usan de la misma forma: lo que se produce, y lo que se decide, empieza a parecerse. Nunca había sido tan fácil crear. Tampoco había sido tan difícil diferenciarse.
El contenido nuevo ya es, sobre todo, una mezcla de humano e IA
Ahrefs analizó 900,000 páginas web nuevas en inglés detectadas en abril de 2025. El 74.2% tenía contenido generado con IA. Pero lo dominante no es el texto hecho solo por una máquina, que apenas llega a 2.5%: es la mezcla. Siete de cada diez páginas nuevas combinan trabajo humano y de IA.
Eso tiene una consecuencia menos visible: una parte creciente de lo que hay en internet, que es de donde aprenden los modelos, ya pasó antes por un modelo.
Cuando los modelos aprenden de sí mismos, todo converge al promedio
En 2024, un equipo de investigadores publicó en Nature qué pasa cuando un modelo se entrena, generación tras generación, con datos producidos por modelos anteriores. Lo llamaron model collapse. No es una falla repentina, sino una degradación gradual: lo poco frecuente desaparece primero, los extremos se suavizan y todo se acerca al promedio. El modelo termina aprendiendo una versión empobrecida de la realidad.
El hallazgo tiene un matiz importante. Ese colapso ocurre cuando los datos sintéticos reemplazan a los reales. Otro estudio de 2024 mostró que, si los datos reales se conservan y los sintéticos se suman a ellos, el colapso se evita. La lección no es que la IA esté condenada. Es que los datos reales son el ancla.
Es un riesgo distinto al de las alucinaciones, que OpenAI atribuye a que los modelos se entrenan y evalúan premiando una respuesta segura por encima de admitir que no saben. Las alucinaciones vuelven el conocimiento incorrecto. El colapso lo vuelve promedio.
A las empresas les pasa lo mismo
El promedio no es solo un problema de los modelos. Un experimento publicado en Science Advances en 2024 pidió a casi 300 personas escribir un cuento corto. Algunas recibieron ideas de un modelo de IA y otras no. Seiscientos evaluadores calificaron los resultados.
Ver datos
| Novedad | Utilidad | |
|---|---|---|
| Todos los escritores | 8.1% | 9.0% |
| Los menos creativos | 10.7% | 11.5% |
Las historias con ideas de IA salieron más novedosas y mejor valoradas, sobre todo las de quienes eran menos creativos. Pero también salieron más parecidas entre sí que las escritas sin IA. Los autores lo llaman un dilema social: a cada persona le va mejor, y el conjunto pierde variedad.
Lo mismo ocurre en las empresas. Cuando todas usan las mismas herramientas, con datos parecidos y preguntas parecidas, las respuestas convergen: estrategias más homogéneas, campañas menos distintas, productos que se parecen y una atención al cliente estandarizada. Usar IA fue una ventaja; hoy es una expectativa, y pronto será irrelevante.
Si todos decidimos con modelos parecidos, entrenados con datos parecidos, ¿qué tan distintas pueden ser nuestras decisiones?
Qué hacer: anclar la IA en lo que solo tú tienes
- Usar datos propios. Los datos de tus clientes, de tu operación y de tu historia son lo que la competencia no tiene. Son el equivalente, en una empresa, a conservar los datos reales: el ancla contra el promedio.
- Reservar el criterio para lo que te distingue. La IA puede producir; las decisiones que definen la estrategia, la marca y la oferta necesitan criterio humano.
- Medir si te estás pareciendo. Comparar mensajes, ofertas y campañas con los de la competencia. Si convergen, la IA está diluyendo tu diferencia.
En un mundo donde todo se parece, la diferenciación deja de ser técnica y se vuelve humana: pensamiento propio, experiencia real y criterio.
El verdadero riesgo no es que la inteligencia artificial piense por nosotros. Es que dejemos de hacerlo.
