{"id":119613,"date":"2026-02-21T11:10:03","date_gmt":"2026-02-21T11:10:03","guid":{"rendered":"https:\/\/enfoquenoticioso.com\/?p=119613"},"modified":"2026-02-21T11:10:03","modified_gmt":"2026-02-21T11:10:03","slug":"por-que-la-ia-escribe-tan-mal-la-ciencia-de-los-textos-vacios","status":"publish","type":"post","link":"https:\/\/enfoquenoticioso.com\/?p=119613","title":{"rendered":"\u00bfPor qu\u00e9 la IA escribe tan mal? La ciencia de los textos vac\u00edos"},"content":{"rendered":"
\n

Si alguna vez te has preguntado por qu\u00e9 los textos de ChatGPT o Gemini se sienten gen\u00e9ricos<\/strong>, no eres el \u00fanico. Cada vez es m\u00e1s com\u00fan escuchar el concepto de \u00abhumanizar\u00bb el contenido generado por IA, el cual consiste en devolverle las caracter\u00edsticas que hacen \u00fanico a un texto redactado por una persona<\/a>. \u00bfPor qu\u00e9 ocurre esto? \u00bfEs algo que OpenAI o Google pasaron por alto al entrenar sus modelos?<\/p>\n

La falta de creatividad no es una percepci\u00f3n subjetiva, sino una consecuencia directa de la arquitectura de los modelos de lenguaje<\/strong>. Los sistemas actuales no est\u00e1n dise\u00f1ados para la innovaci\u00f3n ling\u00fc\u00edstica, sino para la maximizaci\u00f3n de la probabilidad estad\u00edstica. Esto se traduce en la eliminaci\u00f3n de frases o estructuras complejas<\/strong> para favorecer aquellas que generan menor fricci\u00f3n ling\u00fc\u00edstica.<\/p>\n

Este fen\u00f3meno tiene su origen en el greedy decoding<\/a><\/em> (o decodificaci\u00f3n voraz), una estrategia que utilizan los modelos de lenguaje para generar texto. Cuando se produce una respuesta, el modelo eval\u00faa la probabilidad de cada token<\/strong> (palabra o subpalabra) siguiente. Y si bien existen par\u00e1metros para introducir variabilidad, la tendencia es seleccionar secuencias que minimicen la perplejidad.<\/p>\n

\"Manos<\/figure>\n

En t\u00e9rminos pr\u00e1cticos, cuando le pides a ChatGPT que escriba el cap\u00edtulo de una novela, recibir\u00e1s un texto plano y sin las caracter\u00edsticas que definen al autor. El algoritmo siempre favorece el camino de menor resistencia l\u00e9xica<\/strong>, descartando t\u00e9rminos precisos pero de baja frecuencia, que son los que aportan riqueza y matiz a un texto humano.<\/p>\n

Otro agravante es el entrenamiento mediante aprendizaje por refuerzo a partir de la retroalimentaci\u00f3n humana. Durante esta fase, los evaluadores humanos tienden a puntuar mejor los textos que son \u00abclaros\u00bb, \u00abseguros\u00bb y \u00abeducados\u00bb<\/strong>. El modelo aprende que el uso de vocabulario especializado o iron\u00eda representa un riesgo ling\u00fc\u00edstico y lo penaliza, optando por un producto optimizado para el consenso.<\/p>\n

\n
\n

Tabla de Contenido<\/p>\nToggle<\/span><\/path><\/svg><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n