¿Por Qué Es Tan Malo el Texto Generado por IA? Las Razones Reales Detrás de los Borradores Planos y Genéricos

¿Por Qué Es Tan Predecible el Texto Generado por IA?

Los modelos de lenguaje grandes se entrenan para predecir la palabra más probable que viene a continuación dado todo lo que vino antes. Este único objetivo explica la mayor parte de lo que se siente mal en la prosa de IA. En cada punto de una oración, el modelo recurre a la palabra o frase que una enorme muestra de texto anterior sugiere que es más probable que venga a continuación — no la palabra que mejor captura una idea específica e idiosincrásica. El resultado es un texto que casi nunca te sorprende, porque no fue construido para hacerlo. Un escritor humano ocasionalmente elige una palabra inesperada porque es más precisa, más vívida, o simplemente cómo piensa — incluso cuando un sinónimo más seguro estaba sentado allí mismo. Un modelo entrenado para minimizar el error de predicción no tiene razón para hacer esa elección; el sinónimo más seguro es, por definición, el estadísticamente preferido. Lee suficiente salida de IA y comenzarás a notar el mismo ritmo regresando: una oración temática, una cláusula de apoyo, un calificador suave, un cierre ordenado. Nada de esto es incorrecto. Todo es esperado, y lo esperado es exactamente lo que comienza a leerse como malo.

El texto generado por IA no es malo porque rompa las reglas. Es malo porque sigue la regla más probable cada vez, y la prosa sin opciones improbables no tiene lugar donde aterrice la atención del lector.

¿Por Qué Suena Tan Genérico el Texto Generado por IA?

Un modelo no tiene una única fuente de la que está sacando — ha sido entrenado en un enorme promedio de cómo millones de documentos discuten un tema. Cuando le pides que explique un concepto, describa un producto o haga un argumento, no está recordando un único punto de vista agudo; está mezclando la fraseología estadísticamente común en un enorme número de textos similares en una única versión suavizada. Este promediado es por qué el texto generado por IA suena genérico incluso cuando cada oración es individualmente correcta. Una opinión específica, una analogía memorable o un marco ligeramente poco convencional extraería la salida del promedio, y el entrenamiento del modelo la empuja hacia el centro. El centro es seguro, ampliamente aplicable y casi nunca incorrecto — y también casi nunca distintivo. Esta es la misma razón por la cual las descripciones de productos generadas por IA, cartas de presentación y ensayos sobre temas completamente diferentes pueden terminar sonando extrañamente similares entre sí: todos están siendo empujados hacia el mismo centro estadístico.

1. Intensificadores vagos en lugar de especificidades: 'impacto significativo' en lugar de un número, 'muchos expertos están de acuerdo' en lugar de nombrar uno
2. Ejemplos intercambiables: ilustraciones tan genéricas que podrían intercambiarse en un ensayo sobre casi cualquier otro tema sin ediciones
3. Encuadre equilibrado al extremo: cada afirmación inmediatamente con 'sin embargo' o 'por otro lado', incluso cuando el escritor claramente tiene una opinión más fuerte
4. Definiciones de libros de texto abriendo párrafos que un lector con cualquier familiaridad con el tema no necesita explicarse de nuevo

¿Por Qué Se Sienten Tan Blandas las Transiciones de IA?

Los escritores humanos se mueven entre ideas de la manera que piensan: a veces abruptamente, a veces con una oración que reformula silenciosamente lo que vino antes, a veces simplemente comenzando un nuevo párrafo porque el punto está obviamente conectado sin necesidad de una palabra puente. El texto generado por IA tiende a depender de un pequeño conjunto de frases conectivas — además, adicionalmente, además, además — colocadas al inicio de casi cada párrafo independientemente de si la relación lógica realmente lo justifica. Este hábito proviene del mismo problema de previsibilidad: 'además' es una forma muy segura, muy común de vincular dos puntos relacionados, por lo que se selecciona constantemente. Si se usa en exceso, estas transiciones dejan de cumplir su función. Un lector comienza a saltarlas porque ha aprendido que la palabra no lleva información real — es un relleno que señala 'aquí viene otro punto', no 'aquí es cómo este punto se relaciona con el anterior'. El efecto se agrava a lo largo de un artículo completo: párrafo tras párrafo se abre con el mismo puñado de conectores estándar, y la escritura comienza a sentirse mecánica aunque ninguna oración sea defectuosa.

Una palabra de transición se supone que debe decirle al lector algo sobre la relación entre dos ideas. Cuando cada párrafo comienza con la misma, deja de significar algo.

¿Por Qué Es Tan Malo el Texto Generado por IA para Admitir la Incertidumbre?

Los modelos de IA generan texto token por token sin un proceso separado que verifique si una afirmación es realmente verdadera antes de escribirla. La fluidez de la salida y la precisión de la salida provienen de mecanismos completamente diferentes, y la fluidez es en la que el modelo está optimizado. Por eso el texto generado por IA puede indicar una estadística incorrecta, atribuir mal una cita o inventar un estudio que suena plausible con el mismo tono seguro y bien estructurado que usa para una afirmación que es completamente precisa. No hay atenuación en la prosa misma señalando incertidumbre, porque el modelo no está rastreando su propia incertidumbre de la forma en que un escritor humano cuidadoso rastrea la suya. Una persona que escribe sobre algo de lo que no está completamente segura a menudo — consciente o inconscientemente — suavizará la afirmación, agregará un calificador o la marcará como algo que debe verificarse. Un modelo no tiene una señal interna equivalente de la que depender, por lo que todo sale sonando igualmente seguro. Los lectores que ya no están familiarizados con el tema no tienen forma de distinguir entre una afirmación bien apoyada y una inventada solo a partir de cómo está escrita, que es exactamente lo que hace que este modo de falla sea tan fácil de perder en una primera lectura.

Fluido y correcto no son la misma propiedad, y los modelos de IA solo están directamente optimizados para el primero.

¿Por Qué Es Tan Malo el Texto Generado por IA en Detalles Vividos?

Un modelo nunca ha hecho realmente nada. Ha procesado texto que describe lo que otras personas hicieron, sintieron u observaron, pero no tiene memoria de un martes específico, ningún registro sensorial de un lugar particular y ninguna participación personal en el resultado de un argumento. Esta ausencia se muestra como una brecha persistente en la especificidad. Pídele a un modelo que describa una conversación difícil, un proyecto fallido o un pequeño error técnico, y producirá algo estructuralmente correcto y emocionalmente apropiado — pero recurrirá a la versión genérica de esa experiencia en lugar de una genuinamente particular, porque no tiene una particular de la cual extraer. La escritura humana, incluso cuando es sobre algo ordinario, tiende a llevar pequeños detalles inexplicables: un número específico, un comentario secundario extraño, una observación que no sirve al argumento pero es verdadera de todos modos. Los borradores de IA tienden a omitir estos porque no hay un mecanismo que genere detalles irrelevantes pero reales — todo lo que el modelo produce está, en cierto sentido, al servicio de la tarea de predicción inmediata, y las especificidades extraviadas y sin propósito rara vez se seleccionan como las palabras siguientes más probables.

1. Especificidades sensoriales o situacionales faltantes: sin un olor, sonido, hora del día o detalle físico particular que ancle una escena
2. Sin tangentes inexplicadas: cada oración sirve visiblemente al argumento, sin las pequeñas asides irrelevantes que los escritores reales incluyen
3. Números redondos y genéricos en lugar de oddly específicos: 'una porción significativa' en lugar de '37 de 52 respuestas'
4. Emociones nombradas en lugar de mostradas: 'esto fue frustrante' en lugar de un momento concreto que hace evidente la frustración sin indicarlo

¿Cómo Verificas si un Borrador Tiene Estos Problemas?

La mayoría de las correcciones para el texto plano de IA comienzan con una lectura cuidadosa de los patrones exactos descritos arriba, ya que ninguno de ellos requiere reescribir desde cero — requieren encontrar y reemplazar la versión genérica con una específica. Ve sección por sección y pregunta qué se perdería si eliminaras una oración dada; si la respuesta es nada, esa oración probablemente sea relleno. Luego busca la afirmación más defendible y menos cubierta del texto y verifica si la pieza realmente se compromete con ella o la entierra en calificadores. Un corto paseo de revisión enfocado en estas verificaciones hace más para arreglar un borrador con sabor a IA que una reescritura completa, porque las ideas subyacentes generalmente están bien — la textura de la superficie es lo que necesita trabajo.

1. Busca en el borrador 'además', 'adicionalmente', 'además' y 'en conclusión' — corta al menos la mitad y deja que los párrafos se conecten sin una palabra puente
2. Rodea cada intensificador vago (significativo, varios, numerosos, muchos) y reemplázalo con un número real, nombre o ejemplo específico
3. Lee cada afirmación factual y marca si podrías señalar su fuente — si no, verifica o elimina antes de publicar
4. Agrega un detalle concreto y específico por sección que provenga de experiencia o investigación real, no de lo que 'típicamente' sucede
5. Lee el texto en voz alta — las oraciones que todas aterrizan con el mismo ritmo y peso son una señal de baja variación que vale la pena romper
6. Ejecuta el borrador a través del detector de IA de NotGPT para ver qué oraciones específicas se leen como más predecibles, luego revisa esas primero