La IA como espejo deformante. El mundo se vuelve más medio cuando lo usas

Doshi y Hauser publicaron en Science Advances (2024) un estudio mostrando que la IA generativa aumenta la creatividad individual pero reduce la diversidad colectiva del contenido producido. La IA no refleja lo que somos: amplifica el patrón medio. Pides un «estilo elegante» y devuelve el cliché de elegancia. Si lo usas a escala, el mundo se vuelve más medio. Esto ya se ve en los textos que circulan, en las imágenes de stock, en los pósters de conferencias técnicas, en la prosa de los nuevos blogs.

La mediana, dicha sin metáfora

Un modelo de lenguaje, despojado de su capa promocional, es un dispositivo que devuelve la continuación más probable dada una entrada. La continuación más probable, sobre un corpus de billones de tokens, coincide con la mediana ponderada de los textos parecidos a la entrada que figuran en el corpus. Esa frase no es polémica. Es la descripción técnica más directa que se puede dar del objeto.

Lo que parece polémico no está en la descripción, está en sus consecuencias culturales. Si la salida es la mediana ponderada, lo que el sistema produce siempre se inclina hacia el centro de la distribución del corpus, salvo intervención deliberada del usuario para empujarlo hacia los bordes. La intervención existe — prompts cuidadosos, instrucciones específicas, modelos abiertos con parámetros distintos —, pero requiere esfuerzo cognitivo del que la inmensa mayoría de los usuarios prescinde, porque la métrica que el usuario evalúa subjetivamente es la suya, individual, no la del corpus en agregado.

La consecuencia es predecible y conviene formularla sin floritura. Si cien millones de usuarios piden a un sistema que les escriba algo «elegante», y el sistema devuelve a cada uno la mediana del corpus para «elegante», los cien millones de textos resultantes son más parecidos entre sí que los cien millones de textos que esos mismos usuarios habrían escrito sin asistencia. La calidad individual percibida sube — cada usuario tiene ahora una versión pulida —, la varianza colectiva baja. El usuario gana, el corpus pierde.

Doshi y Hauser, la cifra que cierra el debate

Anil Doshi y Oliver Hauser, en Generative AI enhances individual creativity but reduces the collective diversity of novel content (Science Advances 10(28), 2024), midieron exactamente este patrón con un experimento controlado. Reclutaron escritores y los dividieron en tres condiciones. Una parte escribía historias cortas sin asistencia. Otra escribía con una idea generada por ChatGPT entregada como punto de partida. Otra, con cinco ideas para elegir. Después, seiscientos evaluadores juzgaron la calidad y la novedad de las historias.

Los resultados, en el orden que importa. Las historias asistidas se evaluaron como mejor escritas y más entretenidas, sobre todo entre los escritores menos creativos en la condición sin asistencia. La asistencia funciona, individualmente. La calidad subjetiva sube.

Las historias asistidas, simultáneamente, eran más similares entre sí que las no asistidas. Los textos producidos con ayuda de ChatGPT convergían hacia un núcleo común que los textos sin ayuda no compartían. La diversidad agregada del corpus de historias se reducía. El experimento midió el patrón con métricas semánticas estandarizadas. La caída era nítida.

Los autores lo describen como dilema social, en el sentido económico clásico. Cada escritor sale beneficiado por aceptar la ayuda, individualmente. La cultura agregada sale empobrecida, colectivamente. Es la versión literaria del dilema del prisionero. Cada agente racional dentro de su ventana toma la decisión que le conviene; la suma de decisiones racionales produce un agregado social subóptimo.

Tres estudios convergen

Vishakh Padmakumar y He He, en Does Writing with Language Models Reduce Content Diversity? (ICLR 2024), llegaron a la misma conclusión con otra metodología. Midieron diversidad léxica y de contenido en textos asistidos por InstructGPT frente a textos sin asistir. La diversidad cayó. La caída era proporcional al grado de delegación al modelo. Barrett Anderson, Jash Shah y Max Kreminski, en Homogenization Effects of Large Language Models on Human Creative Ideation (Creativity and Cognition 2024, arXiv:2402.01536), replicaron el patrón en la fase de generación de ideas, no solo de escritura: usuarios distintos producen ideas más similares entre sí cuando trabajan con ChatGPT que cuando trabajan con herramientas alternativas. Tres estudios convergen. El fenómeno es real, replicable y medible.

El amplificador, no el reflejo

La metáfora más usada en la conversación pública sobre IA es la del espejo. La IA, dicen, es un espejo de lo que somos. La metáfora es cómoda porque permite atribuir lo que el sistema produce a la cultura humana que lo entrenó, descargando al sistema de responsabilidad y trasladándola al corpus. La metáfora también es falsa, o al menos incompleta, y conviene desmontarla.

Un espejo, en sentido óptico, refleja lo que tiene delante. Un espejo deformante, como el de feria, refleja con una distorsión específica y declarada. El sistema generativo no refleja, ni siquiera con distorsión. Hace otra cosa más fuerte. Promedia primero, devuelve después. La salida no es lo que el usuario aportó. Es la mediana del corpus reordenada para parecer respuesta al usuario.

La consecuencia es que la metáfora correcta no es el espejo. Es el amplificador. El sistema toma una señal — el prompt del usuario, una idea, una intención — y la devuelve amplificada en la dirección de la moda estadística del corpus. La señal del usuario se conserva en lo esencial; la forma que adopta al volver, no. Vuelve con la cadencia, el vocabulario, los giros sintácticos y las decisiones estilísticas que en el corpus son mayoritarios. Si el corpus es mayoritariamente angloparlante, occidental, contemporáneo y profesional, la salida es angloparlante, occidental, contemporánea y profesional, aunque el prompt del usuario haya estado escrito en español rural medieval irónico.

Agarwal y la deriva cultural

Hay un estudio reciente que documenta esto con precisión incómoda. Dhruv Agarwal y colaboradores, en AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances (arXiv:2409.11360, CHI 2025), trabajaron con usuarios indios escribiendo en inglés en distintos contextos cotidianos: correos, redes sociales, escritura creativa. Los participantes utilizaron una versión de un asistente de escritura basado en LLM y aceptaron o rechazaron las sugerencias que el sistema les ofrecía.

El hallazgo central es operativo. Cuando los usuarios indios aceptaban las sugerencias del modelo, su escritura derivaba sistemáticamente hacia convenciones angloamericanas: léxico más neutro, sintaxis más simplificada, expresiones culturalmente específicas reescritas en sus equivalentes globales. Los usuarios no eran ingenuos. La mayoría reconocía, en la entrevista posterior, que las sugerencias del modelo «sonaban más profesionales» o «más correctas», y por eso las aceptaban. La preferencia individual era racional dentro de su ventana laboral. La consecuencia agregada era la pérdida documentada de matices culturales que distinguían su escritura inicial.

El estudio no acusa al modelo de imperialismo cultural deliberado. Acusa al producto comercial de tener una calibración por defecto que coincide con el corpus mayoritario que lo entrenó, y al usuario individual de no tener mecanismos prácticos para resistir esa calibración cuando la alternativa es un texto que «suena peor». La operación, repetida a la escala de cientos de millones de usuarios no angloparlantes, borra silenciosamente capas enteras de variación lingüística y estilística en el corpus público que se acumula año tras año.

Yalda Daryani, Zhivar Sourati y Morteza Dehghani, en The Homogenizing Engine. AI's Role in Standardizing Culture and the Path to Policy (Policy Insights from the Behavioral and Brain Sciences, SAGE, 2026), recogen el patrón en su forma agregada. Los LLM, dicen, operan como vector de homogeneización cultural a escala sin precedente en la historia tecnológica. La televisión, internet, las redes sociales, ya habían producido homogeneizaciones parciales en dominios específicos. La IA generativa, por la combinación de cobertura — toca todos los registros textuales — y latencia — actúa en tiempo real durante la producción —, produce un efecto cuyo análogo histórico es difícil de encontrar.

El AI look, sin las comillas que lo dignifican

La conversación informal sobre imagen generativa lleva un par de años usando una expresión que la literatura académica todavía no ha consolidado pero que cualquiera reconoce. El AI look. La estética compartida que las imágenes generadas por modelos comerciales producen por defecto. Manos imposibles, sí, pero también cierta paleta saturada con dominantes ámbar y azul, ciertos enfoques semi-realistas, ciertas composiciones centradas con desenfoque controlado en el fondo, ciertos rostros con simetría sospechosa.

El AI look no es una decisión estética declarada por nadie. Es resultado emergente de la moda estadística del corpus de imágenes de entrenamiento, modulado por las preferencias agregadas de los usuarios cuyas elecciones de generación informan al sistema sobre qué versiones de la salida prefieren. La moda y las preferencias agregadas, juntas, configuran una estética por defecto que aparece sistemáticamente cuando un usuario no especifica suficiente para empujar al sistema fuera de ella.

La consecuencia visible está en el ecosistema visual contemporáneo. Carteles de eventos técnicos, miniaturas de vídeo en plataformas de streaming, ilustraciones editoriales de prensa generalista, imágenes corporativas de empresas medianas, fondos de presentación en oficinas globales. Todos comparten, en agregado, un cierto aire de familia que hace cinco años no existía. La diferencia no es solo cuantitativa. Es estructural: el espacio visual público se está poblando de un estilo común que ningún diseñador firmó como propio y que la mayoría de los usuarios no eligieron deliberadamente.

Lo mismo, con perfil distinto, ocurre con la prosa. Los nuevos blogs corporativos, las cartas de presentación en LinkedIn, los posts en redes profesionales, los correos formales de empresa, los artículos de divulgación reciente, comparten una textura común: cadencia en bullets, encabezados frecuentes, párrafos cortos, marcadores discursivos sosos, conclusiones suaves. La prosa LinkedIn de 2025 se reconoce a kilómetros porque comparte la calibración por defecto del producto. Quien la produce no se reconoce homogéneo. La produce sintiendo que escribe profesionalmente. La suma de millones de profesionales escribiendo profesionalmente produce un corpus profesional uniforme.

El usuario que cree mejorar, mejora individualmente

Conviene retener un matiz que a menudo se pierde en críticas mal calibradas. El usuario individual no se equivoca cuando reporta que la asistencia le mejora. Los estudios lo confirman: la calidad individual sube, sobre todo entre quienes partían de un nivel más bajo. La asistencia es democratizadora en sentido literal — pone al alcance de muchos un nivel de producción que antes requería entrenamiento prolongado.

La diferencia entre el bien individual y el agregado social, sin embargo, no es accesoria. Es exactamente el sitio donde se decide qué cultura producimos. Si el indicador de éxito es la satisfacción del usuario, la asistencia gana. Si el indicador es la varianza del corpus público, la asistencia pierde. El indicador correcto no es ninguno de los dos por separado. Es la combinación de los dos, y la combinación no la mide hoy ningún sistema comercial porque ninguno tiene incentivo para medirla.

Nicholas Carr lo había planteado de modo análogo en The Glass Cage (Norton, 2014) sobre automatización en general. La automatización mejora el resultado individual y empobrece la práctica colectiva. El piloto asistido por autopiloto vuela con menos accidentes, sí, y pierde habilidad para volar manualmente. El médico asistido por sistema de soporte a la decisión diagnostica mejor en media, sí, y desarrolla menos intuición clínica. Cada vez que se automatiza una operación cognitiva, la operación cognitiva en agregado se hace menos. La consecuencia, a una década vista, es una población con mejores resultados promedio y peor competencia distribuida.

Aplicado a la creatividad asistida, la imagen es la misma. Los creadores asistidos por LLM producen, en agregado, más volumen, mejor calidad media individual, y un corpus colectivamente más uniforme. Lo que se pierde, en agregado, es la capacidad humana distribuida para producir variación. La variación no la produce el corpus. La producen los humanos cuya práctica se va atrofiando mientras delegan en el corpus la operación.

Bender y el loro estocástico, otra vez

Bender, Gebru, McMillan-Major y Shmitchell, en On the Dangers of Stochastic Parrots (FAccT 2021), describieron el fenómeno con un nombre que enfadó a media industria precisamente porque señalaba el punto. Los LLM recombinan patrones del corpus con plausibilidad estadística. La recombinación no es creación. La salida no aporta nada que no estuviera ya en el corpus en alguna forma; aporta una versión reordenada de lo que ya había.

Esto es exactamente lo que produce el amplificador del patrón medio. El loro estocástico canta lo que el corpus canta, y canta especialmente bien lo que el corpus canta a coro. Lo que el corpus canta en solos minoritarios, lo canta peor. Lo que el corpus no canta, no lo canta en absoluto. La cobertura del sistema coincide con la moda estadística del corpus, y la moda estadística del corpus es, por construcción, lo que más gente canta de la misma manera.

Kate Crawford, en Atlas of AI (Yale UP, 2021), recordó que el corpus no es una muestra neutral del texto humano. Es una muestra fuertemente sesgada hacia lo digital, lo angloparlante, lo escrito, lo público, lo reciente. Las tradiciones orales, las lenguas con poca representación digital, los textos no públicos, los registros antiguos, las tradiciones marginales, están infrarrepresentadas o ausentes. La salida del sistema, por tanto, no es la mediana del texto humano. Es la mediana del texto humano que cabía en el corpus que la empresa pudo acumular. La diferencia, a efectos culturales agregados, es grande.

La operación de feria

Volvamos a la metáfora del título. El espejo deformante de la feria no es engañoso por accidente. Está diseñado para agrandar lo que está en el centro y achicar lo que está en los bordes. El espectador que se mira ve una versión inflada de la parte central de su cuerpo y unas extremidades reducidas. La operación es declarada: el espejo es de feria, sabes lo que hace, te ríes.

La IA generativa hace algo análogo, sin la declaración. Toma la distribución del corpus, agranda lo que está cerca de la moda, achica lo que está lejos. El usuario que se mira en la salida ve una versión cultural y estilísticamente inflada del centro de la distribución y una versión reducida de los bordes. La operación no es declarada, y el usuario no se ríe: cree que está viendo una mejora.

La diferencia entre el espejo de feria y el amplificador estadístico es justamente la transparencia. El espejo de feria es deformante porque se sabe deformante. La IA generativa es deformante sin que el usuario lo sepa, y por tanto produce un efecto cultural más profundo. Lo que ves se queda como referencia. La referencia se acumula, conversación tras conversación, hasta convertirse en lo que esperas. Y lo que esperas, con el tiempo, define lo que produces sin asistencia, porque tu propia calibración interna se ha desplazado hacia el centro que el sistema te lleva mostrando años.

Quien quiera probarlo, hay un ejercicio fácil. Coge una redacción tuya de hace cinco años — un correo, un texto, una nota — sobre un tema que sigues tocando. Compárala con la redacción que harías hoy sobre el mismo tema. Si la diferencia es de mejora, vale. Si la diferencia es de homogeneización, conviene leer el dato con seriedad.

Definiciones

Mediana ponderada del corpus. Salida típica de un modelo de lenguaje grande ante un prompt dado, entendida como la continuación más probable según la distribución estadística aprendida sobre el corpus de entrenamiento. Coincide aproximadamente con el centro de masa del conjunto de textos parecidos al prompt en el corpus.

Dilema social. Situación en la que cada agente individual obtiene mejor resultado eligiendo una opción, pero el agregado de elecciones individuales racionales produce un resultado social peor que el que se habría obtenido si todos hubieran elegido de otra manera. Es el marco con el que Doshi y Hauser (2024) describen el patrón de creatividad asistida.

Homogeneización colectiva. Reducción de la diversidad agregada de un conjunto de producciones humanas que ocurre simultáneamente con un aumento de la calidad individual percibida. Es el patrón medido en los tres estudios convergentes citados en el artículo.

Deriva cultural (cultural drift). Desplazamiento progresivo de patrones lingüísticos, estilísticos o estéticos en una comunidad de usuarios hacia las convenciones del corpus que entrenó el sistema asistente. Documentado por Agarwal et al. (2025) en el caso de usuarios indios escribiendo en inglés.

AI look. Estética emergente compartida de las imágenes generadas por modelos comerciales bajo configuración por defecto. No es término académico consolidado; la literatura usa stylistic homogenization. Se reconoce informalmente por su paleta, sus composiciones y sus errores característicos.

Referencias

Doshi, A. R. y Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances 10(28), eadn5290. Experimento controlado sobre escritura asistida con resultado del dilema social.

Padmakumar, V. y He, H. (2024). Does Writing with Language Models Reduce Content Diversity? ICLR 2024. Medición empírica de la pérdida de diversidad léxica y de contenido en escritura con InstructGPT.

Anderson, B. R., Shah, J. H. y Kreminski, M. (2024). Homogenization Effects of Large Language Models on Human Creative Ideation. Creativity and Cognition 2024. arXiv:2402.01536. Estudio sobre homogeneización de ideas a nivel agregado con ChatGPT.

Agarwal, D. et al. (2025). AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances. CHI 2025. arXiv:2409.11360. Estudio sobre usuarios indios reescribiendo hacia convenciones angloamericanas al aceptar sugerencias del modelo.

Daryani, Y., Sourati, Z. y Dehghani, M. (2026). The Homogenizing Engine. AI's Role in Standardizing Culture and the Path to Policy. Policy Insights from the Behavioral and Brain Sciences. SAGE. DOI 10.1177/23727322251406591. Marco agregado sobre los LLM como vector de homogeneización cultural a escala sin precedente.

Bender, E., Gebru, T., McMillan-Major, A. y Shmitchell, S. (2021). On the Dangers of Stochastic Parrots. Can Language Models Be Too Big? FAccT 2021. DOI 10.1145/3442188.3445922. Citada por la descripción técnica de los LLM como recombinadores de patrones del corpus.

Crawford, K. (2021). Atlas of AI. Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press. Citada en el bloque sobre la composición sesgada del corpus de entrenamiento.

Carr, N. (2014). The Glass Cage. Automation and Us. W. W. Norton. Citada al situar el patrón general de automatización con mejora individual y empobrecimiento de la práctica colectiva.

También te interesa

• La domesticación de la IA
• El error humano como mecanismo creativo
• El silencio de los teclados

En otros sitios

• AI Is Causing Cultural Stagnation, Researchers Find (Futurism)
• AI suggestions make writing more generic and Western, study finds (TechXplore)