Pregúntale “¿qué es el tiempo?” a ChatGPT, a Gemini y a Claude. Muy probablemente todos te responderán que “el tiempo es como un río”. Un estudio presentado en NeurIPS 2025 —la conferencia de IA más importante del mundo— confirma que no es casualidad: los modelos de lenguaje han desarrollado una mente-colmena artificial donde la diversidad se sacrifica en el altar del consenso estadístico.
El hallazgo es incómodo porque contradice la promesa central de la IA generativa: que tienes acceso a una inteligencia sin límites, capaz de sorprenderte. En la práctica, 25 modelos distintos responden con una similitud semántica de entre el 71% y el 82%. En algunos casos, párrafos enteros son idénticos palabra por palabra.
¿Qué descubrió exactamente el estudio?
Investigadores de la Universidad de Washington, Carnegie Mellon, Stanford y otras instituciones construyeron Infinity-Chat, un dataset de 26.000 consultas reales y abiertas de usuarios reales —no preguntas de opción múltiple con una respuesta correcta, sino preguntas donde debería haber miles de respuestas válidas posibles: “¿Cuál es tu color favorito y por qué?”, “Recomiéndame un nombre para mi startup”, “Explícame la libertad”.
Aprende IA con nosotros
Únete gratis a mi comunidad en Skool, donde compartimos noticias, tutoriales y recursos para seguir aprendiendo juntos.
👥 Únete gratis 🚀Las consultas se organizaron en seis categorías principales y 17 subcategorías, desde lluvia de ideas e ideación hasta preguntas filosóficas. Luego se evaluaron las respuestas de 25 LLMs usando similitud semántica, y se compararon tanto las respuestas de un mismo modelo ante la misma pregunta (repetición intra-modelo) como las respuestas de distintos modelos entre sí (homogeneidad inter-modelo).
El resultado: los modelos no solo se repiten a sí mismos, sino que convergen entre sí. El paper, aceptado como ponencia oral en NeurIPS 2025 —lo que lo pone entre el 1% de trabajos más destacados de la conferencia— lo llama el “Artificial Hivemind Effect” o efecto mente-colmena artificial.
¿Por qué todos acaban diciendo lo mismo?
Los autores identifican tres causas principales, y las tres son estructurales —es decir, no son bugs que alguien pueda corregir con un parche:
- Datos de entrenamiento compartidos: todos los grandes modelos se entrenan sobre conjuntos de datos muy similares. Wikipedia, el mismo corpus de libros digitalizados, Common Crawl. Si aprendes del mismo texto, aprendes las mismas asociaciones y metáforas. El tiempo es un río porque en la literatura humana el tiempo siempre ha sido un río.
- Contaminación por datos sintéticos: los modelos más nuevos se entrenan parcialmente con texto generado por otros modelos de IA, lo que amplifica los sesgos existentes. Si GPT-4 dice que el tiempo es un río, y ese texto entra al corpus de entrenamiento del siguiente modelo, la metáfora se vuelve más probable aún. Es un bucle de retroalimentación hacia la uniformidad.
- RLHF calibrado para el consenso: el ajuste por retroalimentación humana (Reinforcement Learning from Human Feedback) premia respuestas que los evaluadores perciben como “de calidad”. Y los humanos tendemos a preferir respuestas que suenan coherentes, bien estructuradas y familiares. La diversidad creativa real —la respuesta rara pero brillante— queda sistemáticamente penalizada. Se educa a la IA para ser predecible.
Este fenómeno está relacionado con lo que ya conocemos como model collapse: la degradación que ocurre cuando los modelos se entrenan sobre sus propios outputs. Si ya te preocupaba el debate sobre si los LLMs están llegando a un techo de razonamiento, la mente-colmena añade una capa más: no solo hay un techo de capacidad, sino también un piso de diversidad que se está volviendo más estrecho con cada generación.
El problema real: pensaremos lo mismo
Hasta aquí podría parecer solo un problema técnico. Pero el paper levanta una señal de alarma de seguridad a largo plazo que va mucho más allá del rendimiento en benchmarks.
Si millones de personas consultan dudas, toman decisiones, redactan textos y forman opiniones a través de modelos que convergen en las mismas respuestas, el resultado probable es la homogeneización del pensamiento humano. Los investigadores lo dicen explícitamente: la exposición repetida a outputs similares puede estrechar el rango de perspectivas que consideramos válidas.
El riesgo se amplifica por el sesgo cultural incorporado. Los modelos dominantes —ChatGPT, Claude, Gemini— están entrenados mayoritariamente sobre texto en inglés y con perspectivas del mundo occidental. Cuando convergen en una respuesta sobre ética, política, creatividad o filosofía, esa respuesta lleva el sello cultural de Silicon Valley. Ya sabemos que los LLMs concentran poder informativo de forma problemática: este estudio cuantifica la magnitud del problema.
El paper incluye también 31.250 anotaciones humanas —25 por ejemplo— para calibrar si los modelos y sus reward models están bien alineados con las preferencias humanas individuales. La conclusión es que los LLMs, los modelos de recompensa y los jueces automáticos fallan precisamente en las respuestas donde las personas tienen preferencias idiosincráticas distintas. Son buenos midiendo calidad promedio; son malos capturando qué hace que algo sea especial para ti en particular.
¿Hay salida?
El paper no propone soluciones concretas —ese no es su objetivo, sino documentar el problema— pero apunta hacia algunas direcciones. La diversidad en los datos de entrenamiento es clave: no solo más datos, sino datos más diversos culturalmente y en perspectivas. Los sistemas de recompensa deben valorar la divergencia creativa, no solo la coherencia. Y probablemente haga falta desarrollar métricas específicas para medir la diversidad de outputs, no solo su calidad.
Mientras tanto, la situación actual tiene un paralelo inquietante con lo que ya documentamos sobre el AI slop y la fatiga del contenido generado por IA: cuando todo suena igual, el valor de cada pieza individual cae a cero. Si los modelos de IA están convergiendo en una mente-colmena, el diferencial competitivo de cualquier empresa que use IA para generar contenido, análisis o estrategia se evaporará. Usarás la misma IA con los mismos outputs que tus competidores.
Por qué importa
La mente-colmena artificial no es solo un problema académico. Es la descripción técnica de un futuro donde la “diversidad de herramientas de IA” es ilusoria: 25 modelos con nombres distintos que piensan igual. El estudio fue presentado como ponencia oral en NeurIPS 2025, lo que le da un peso científico considerable. No es un preprint de fin de semana, es uno de los papers más revisados del año en machine learning.
La pregunta que queda es política y empresarial, no técnica: ¿quién tiene incentivos para resolver esto? Los laboratorios de IA compiten en benchmarks de capacidad, no en métricas de diversidad. Los usuarios piden respuestas buenas, no respuestas distintas. Y los evaluadores humanos tienden a preferir lo familiar. El sistema de incentivos completo empuja en la misma dirección: hacia la convergencia. Cambiar eso requiere que los reguladores, la academia y los propios laboratorios decidan que la diversidad cognitiva es un bien público que vale la pena proteger activamente. Por ahora, nadie está tomando ese turno.
