{"id":325914,"date":"2026-09-10T18:08:07","date_gmt":"2026-09-10T15:08:07","guid":{"rendered":"https:\/\/ceotudent.com\/brecha-de-discernimiento-produccion-ia-pensamiento-humano"},"modified":"2026-09-10T18:08:07","modified_gmt":"2026-09-10T15:08:07","slug":"brecha-de-discernimiento-produccion-ia-pensamiento-humano","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano","title":{"rendered":"La brecha de discernimiento: por qu\u00e9 la mayor\u00eda no distingue una buena producci\u00f3n de IA de un gran pensamiento humano"},"content":{"rendered":"<p><strong>En resumen.<\/strong> A lo largo de 16.340 juicios, lectores no expertos identificaron poemas generados por IA con un 46,6 % de acierto, por debajo del 50 % que dar\u00eda adivinar. A lo largo de 1.023 conversaciones registradas, un modelo con instrucci\u00f3n de persona fue juzgado humano el 73 % de las veces, con m\u00e1s frecuencia que los humanos reales con los que se comparaba. En ambos estudios la experiencia no ayud\u00f3: el bagaje po\u00e9tico produjo un modelo con R cuadrado de McFadden de 0,012, y el conocimiento sobre modelos de lenguaje y el uso diario de chatbots no tuvieron efecto significativo sobre el acierto. En uno de ellos, la confianza se relacion\u00f3 de forma significativa y negativa con acertar. Y los mismos experimentos muestran por qu\u00e9: al decirles que un poema era generado por IA, los lectores bajaron su calidad en 0,814 puntos en una escala de siete, mientras que los poemas realmente generados por IA fueron puntuados 1,045 puntos por encima de los de poetas humanos c\u00e9lebres. La etiqueta mueve el veredicto en torno al 76 % de lo que lo mueve el texto. Esa distancia entre lo que cree poder juzgar y lo que puede juzgar es lo que hay que gestionar.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#No-es-una-brecha-de-habilidad\" >No es una brecha de habilidad<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#La-experiencia-no-rescato-a-nadie\" >La experiencia no rescat\u00f3 a nadie<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Un-segundo-laboratorio-otro-medio-el-mismo-resultado-nulo\" >Un segundo laboratorio, otro medio, el mismo resultado nulo<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Un-tercer-laboratorio-un-tercer-dominio-el-mismo-resultado-y-el-mecanismo\" >Un tercer laboratorio, un tercer dominio, el mismo resultado y el mecanismo<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#La-sintesis-original-dos-capas-y-cual-mueve-el-veredicto\" >La s\u00edntesis original: dos capas, y cu\u00e1l mueve el veredicto<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Que-estaban-premiando-realmente-los-lectores\" >Qu\u00e9 estaban premiando realmente los lectores<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Que-si-mejoro-el-acierto\" >Qu\u00e9 s\u00ed mejor\u00f3 el acierto<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Que-significa-esto-para-como-decide\" >Qu\u00e9 significa esto para c\u00f3mo decide<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Que-cambiaria-esta-conclusion\" >Qu\u00e9 cambiar\u00eda esta conclusi\u00f3n<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Preguntas-frecuentes\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/ceotudent.com\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\/#Fuentes\" >Fuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"no-es-una-brecha-de-habilidad\"><span class=\"ez-toc-section\" id=\"No-es-una-brecha-de-habilidad\"><\/span>No es una brecha de habilidad<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La versi\u00f3n c\u00f3moda de esta historia es que el discernimiento es una habilidad, hoy poco desarrollada, que la pr\u00e1ctica corregir\u00e1. Tres estudios de tres laboratorios sin relaci\u00f3n entre s\u00ed dicen lo contrario, y lo dicen desde extremos opuestos del espacio del problema.<\/p>\n<p>El primero, de Porter y Machery en Scientific Reports, comprob\u00f3 si lectores no expertos pod\u00edan distinguir poemas generados por IA de poemas de poetas humanos reconocidos. El dise\u00f1o dio deliberadamente todas las ventajas a los humanos. Us\u00f3 un paradigma sin humano en el bucle: se emplearon los cinco primeros poemas que gener\u00f3 el modelo, sin seleccionar el mejor ni dar m\u00e1s indicaci\u00f3n que escribir un poema breve al estilo de un poeta concreto. En el primer experimento, 1.634 participantes vieron cada uno diez poemas atribuidos a uno de diez poetas, cinco aut\u00e9nticos y cinco generados, y juzgaron cada uno.<\/p>\n<p>El resultado, sobre 16.340 juicios individuales: 46,6 % de acierto. No cerca del azar. Por debajo, y de forma significativa, con chi cuadrado(1, N = 16.340) = 75,13, p &lt; 0,0001.<\/p>\n<p>Estar por debajo del azar es un hallazgo m\u00e1s fuerte que el azar. El azar significar\u00eda que la tarea no porta informaci\u00f3n. Estar por debajo significa que los participantes aplicaban sistem\u00e1ticamente una regla, y que la regla estaba invertida. Los autores lo confirman: el acuerdo entre participantes fue bajo pero significativamente superior al azar (kappa de Fleiss = 0,005, p &lt; 0,001), lo que leen como prueba de heur\u00edsticas compartidas pero equivocadas y no de respuesta puramente aleatoria.<\/p>\n<p>La l\u00ednea m\u00e1s reveladora del art\u00edculo no es un estad\u00edstico. Los cinco poemas que los lectores fueron <em>menos<\/em> propensos a considerar escritos por humanos hab\u00edan sido escritos todos por poetas humanos reales. Cuatro de los cinco poemas m\u00e1s propensos a considerarse humanos hab\u00edan sido generados.<\/p>\n<h2 id=\"la-experiencia-no-rescat-a-nadie\"><span class=\"ez-toc-section\" id=\"La-experiencia-no-rescato-a-nadie\"><\/span>La experiencia no rescat\u00f3 a nadie<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La objeci\u00f3n evidente es que se trataba de no expertos. Los autores preregistraron una predicci\u00f3n exactamente sobre eso y la pusieron a prueba.<\/p>\n<p>Ajustaron un modelo exploratorio que predec\u00eda si cada respuesta era <em>correcta<\/em>, usando confianza autoinformada, familiaridad con el poeta asignado, bagaje po\u00e9tico, frecuencia de lectura, gusto por la poes\u00eda, haber cursado o no un curso de poes\u00eda, edad, g\u00e9nero, nivel educativo y si el participante hab\u00eda visto antes alguno de los poemas.<\/p>\n<p>El poder explicativo del modelo fue de 0,012 seg\u00fan el R cuadrado de McFadden. Ninguna de las variables de experiencia po\u00e9tica tuvo efecto positivo significativo sobre el acierto. Dos variables mostraron efectos positivos peque\u00f1os, y una de ellas es ilustrativa: haber visto antes los poemas elev\u00f3 las probabilidades de responder bien en torno al 6 % (b = 0,060356, raz\u00f3n de momios 1,062, p = 0,000309). Eso es reconocimiento, no discernimiento. Quienes lo hicieron mejor fueron quienes se hab\u00edan topado con el poema concreto, no quienes entend\u00edan de poes\u00eda.<\/p>\n<p>Y luego el hallazgo que da nombre a este art\u00edculo. La confianza autoinformada tuvo un efecto peque\u00f1o pero significativamente <strong>negativo<\/strong> sobre el acierto (b = -0,021673, EE = 0,003986, z = -5,437, p &lt; 0,0001). Cuanto m\u00e1s seguros estaban los participantes, algo m\u00e1s probable era que se equivocaran.<\/p>\n<p>Retenga eso, porque otro laboratorio encontr\u00f3 algo adyacente por una v\u00eda completamente distinta.<\/p>\n<h2 id=\"un-segundo-laboratorio-otro-medio-el-mismo-resultado-nulo\"><span class=\"ez-toc-section\" id=\"Un-segundo-laboratorio-otro-medio-el-mismo-resultado-nulo\"><\/span>Un segundo laboratorio, otro medio, el mismo resultado nulo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Jones y Bergen realizaron dos pruebas de Turing a tres partes, aleatorizadas, controladas y preregistradas, publicadas como preimpresi\u00f3n. Los participantes manten\u00edan conversaciones simult\u00e1neas de cinco minutos con otro humano y con uno de varios sistemas, y despu\u00e9s decid\u00edan cu\u00e1l era el humano. Se emplearon dos poblaciones independientes: 126 estudiantes de psicolog\u00eda de la UCSD y 158 participantes de Prolific, cada uno completando ocho rondas, con 1.023 partidas analizadas tras las exclusiones.<\/p>\n<p>Aqu\u00ed el dise\u00f1o a\u00edsla algo que el estudio de poes\u00eda no pod\u00eda: el efecto del <em>envoltorio<\/em> sobre el mismo sistema subyacente.<\/p>\n<p><strong>Tabla 1. Tasas de \u00e9xito: proporci\u00f3n de veces que el interrogador juzg\u00f3 que el testigo de IA era el humano<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Sistema e instrucci\u00f3n<\/th>\n<th>Tasa de \u00e9xito<\/th>\n<th>Estudio de estudiantes<\/th>\n<th>Estudio Prolific<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GPT-4.5 con instrucci\u00f3n de persona<\/td>\n<td>73 %<\/td>\n<td>69 %<\/td>\n<td>76 %<\/td>\n<\/tr>\n<tr>\n<td>LLaMa-3.1-405B con instrucci\u00f3n de persona<\/td>\n<td>56 %<\/td>\n<td>45 %<\/td>\n<td>65 %<\/td>\n<\/tr>\n<tr>\n<td>LLaMa-3.1-405B, l\u00ednea base sin persona<\/td>\n<td>38 %<\/td>\n<td>no desglosado<\/td>\n<td>no desglosado<\/td>\n<\/tr>\n<tr>\n<td>GPT-4.5, l\u00ednea base sin persona<\/td>\n<td>36 %<\/td>\n<td>no desglosado<\/td>\n<td>no desglosado<\/td>\n<\/tr>\n<tr>\n<td>ELIZA<\/td>\n<td>23 %<\/td>\n<td>no desglosado<\/td>\n<td>no desglosado<\/td>\n<\/tr>\n<tr>\n<td>GPT-4o, l\u00ednea base sin persona<\/td>\n<td>21 %<\/td>\n<td>no desglosado<\/td>\n<td>no desglosado<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fuente: Jones y Bergen, Large Language Models Pass the Turing Test (preimpresi\u00f3n de arXiv), tasas de \u00e9xito globales en ambos estudios. Las celdas marcadas como no desglosado no se separan por poblaci\u00f3n en el pasaje que ofrece estas cifras; las dos poblaciones solo se informan por separado para las dos condiciones con persona.<\/em><\/p>\n<p>Lea juntas la primera y la cuarta fila. El mismo modelo. La instrucci\u00f3n de persona llev\u00f3 a GPT-4.5 del 36 % al 73 %, una ganancia de 37 puntos porcentuales, es decir 2,03 veces. Para LLaMa-3.1-405B la misma manipulaci\u00f3n llev\u00f3 el 38 % al 56 %, una ganancia de 18 puntos, es decir 1,47 veces. Nada de la capacidad del modelo cambi\u00f3 entre esas celdas. Solo cambi\u00f3 la instrucci\u00f3n.<\/p>\n<p>Y el hallazgo demogr\u00e1fico aterriza exactamente donde aterriz\u00f3 el estudio de poes\u00eda. Los autores afirman que no hubo efectos significativos en ninguno de los dos estudios de la edad, el nivel de conocimiento sobre modelos de lenguaje ni la frecuencia de interacci\u00f3n con chatbots. Su propio resumen es rotundo: la precisi\u00f3n discriminativa es relativamente homog\u00e9nea en la poblaci\u00f3n, incluso entre quienes investigan estos sistemas o interact\u00faan con chatbots a diario.<\/p>\n<p>Dos notas de honestidad, porque los hallazgos exploratorios aqu\u00ed son m\u00e1s desordenados de lo que una historia limpia querr\u00eda. En el grupo Prolific, las estimaciones de los participantes sobre cu\u00e1n inteligente creen que es la IA correlacionaron negativamente con el acierto (p = 0,03), lo que rima con el hallazgo sobre la confianza. Pero en el grupo de estudiantes el acierto real correlacion\u00f3 <em>positivamente<\/em> con la estimaci\u00f3n que los participantes hac\u00edan de su propio acierto (p = 0,03), y esa misma relaci\u00f3n no apareci\u00f3 en el grupo Prolific (p = 0,45). La se\u00f1al de autoconocimiento no se replica entre poblaciones. Quien le diga que la investigaci\u00f3n demuestra que la confianza est\u00e1 uniformemente invertida est\u00e1 exagerando. Lo que s\u00ed se replica, en ambos estudios y en ambos laboratorios, es el resultado nulo sobre la experiencia.<\/p>\n<h2 id=\"un-tercer-laboratorio-un-tercer-dominio-el-mismo-resultado-y-el-mecanismo\"><span class=\"ez-toc-section\" id=\"Un-tercer-laboratorio-un-tercer-dominio-el-mismo-resultado-y-el-mecanismo\"><\/span>Un tercer laboratorio, un tercer dominio, el mismo resultado y el mecanismo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Si dos estudios fueran coincidencia, un tercero cierra el asunto. Jakesch, Hancock y Naaman, en Cornell y Stanford, publicaron seis experimentos en Proceedings of the National Academy of Sciences que comprobaban si las personas detectaban cu\u00e1ndo unas presentaciones verbales de uno mismo hab\u00edan sido generadas por m\u00e1quina, en contextos profesionales, de hosteler\u00eda y de citas. A lo largo de esos seis experimentos, 4.600 participantes no lograron detectar las presentaciones generadas.<\/p>\n<p>Ese estudio aporta adem\u00e1s lo que los otros dos solo infieren. Un an\u00e1lisis computacional de rasgos ling\u00fc\u00edsticos identific\u00f3 las heur\u00edsticas concretas que la gente estaba usando, y son alarmantemente mundanas: los lectores asocian los pronombres de primera persona, las contracciones y los temas familiares con la autor\u00eda humana. Los autores hicieron entonces lo decisivo. Demostraron experimentalmente que, por ser predecibles, esas heur\u00edsticas son manipulables, y que un sistema ajustado a ellas produce texto que se lee, en su expresi\u00f3n, m\u00e1s humano que lo humano.<\/p>\n<p>Ese es el engranaje que faltaba. Porter y Machery encontraron heur\u00edsticas compartidas pero equivocadas sin nombrarlas. Jakesch y colegas las nombraron y demostraron que pueden ser el blanco. Lo que significa que la brecha de discernimiento no es solo un l\u00edmite de la percepci\u00f3n humana. Es una superficie de ataque.<\/p>\n<p><strong>Tabla 2. Tres estudios preregistrados o controlados, tres laboratorios, tres dominios, un resultado nulo convergente<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Estudio<\/th>\n<th>Dominio<\/th>\n<th>Escala<\/th>\n<th>Resultado de detecci\u00f3n<\/th>\n<th>\u00bfAyudaron la experiencia o la familiaridad?<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Porter y Machery<\/td>\n<td>Poemas de poetas reconocidos frente a poemas generados<\/td>\n<td>1.634 participantes, 16.340 juicios<\/td>\n<td>46,6 % de acierto, por debajo del azar<\/td>\n<td>No. Modelo de experiencia R cuadrado de McFadden = 0,012; ninguna variable de experiencia po\u00e9tica con efecto positivo significativo<\/td>\n<\/tr>\n<tr>\n<td>Jones y Bergen<\/td>\n<td>Conversaci\u00f3n en vivo de cinco minutos, prueba de Turing a tres partes<\/td>\n<td>284 participantes, 1.023 partidas<\/td>\n<td>GPT-4.5 con persona juzgado humano el 73 % de las veces<\/td>\n<td>No. Sin efecto significativo del conocimiento sobre modelos de lenguaje ni del uso de chatbots en ninguno de los estudios<\/td>\n<\/tr>\n<tr>\n<td>Jakesch, Hancock y Naaman<\/td>\n<td>Presentaciones verbales de uno mismo en contextos profesional, de hosteler\u00eda y de citas<\/td>\n<td>4.600 participantes, seis experimentos<\/td>\n<td>Los participantes no lograron detectar las presentaciones generadas<\/td>\n<td>No era el foco del estudio; en su lugar identific\u00f3 las heur\u00edsticas defectuosas empleadas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Marco editorial de CEOtudent. Todas las cifras son las publicadas por cada grupo. La cifra combinada de 6.518 participantes en las tres tareas de detecci\u00f3n es una suma de CEOtudent de los tama\u00f1os muestrales publicados y se ofrece solo como indicador de escala; los estudios difieren en dise\u00f1o, poblaci\u00f3n y medida de resultado, y sus resultados no deben agregarse estad\u00edsticamente.<\/em><\/p>\n<h2 id=\"la-sntesis-original-dos-capas-y-cul-mueve-el-veredicto\"><span class=\"ez-toc-section\" id=\"La-sintesis-original-dos-capas-y-cual-mueve-el-veredicto\"><\/span>La s\u00edntesis original: dos capas, y cu\u00e1l mueve el veredicto<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ponga ahora los estudios de poes\u00eda y de conversaci\u00f3n juntos en un segundo eje. Nunca se han tabulado as\u00ed, porque uno trata de poes\u00eda y el otro de conversaci\u00f3n, y se publicaron en medios distintos por grupos sin relaci\u00f3n. Juntos a\u00edslan algo que ninguno a\u00edsla por separado.<\/p>\n<p>Ambos experimentos contienen una <strong>capa de sustancia<\/strong> (qu\u00e9 texto, qu\u00e9 modelo) y una <strong>capa de presentaci\u00f3n<\/strong> (qu\u00e9 le dicen, qu\u00e9 persona se le indic\u00f3 adoptar). Ambos cuantifican las dos por separado. As\u00ed podemos plantear una pregunta que ninguno de los art\u00edculos formula: \u00bfcu\u00e1nto de un veredicto de humanidad lo carga el envoltorio en vez de la cosa?<\/p>\n<p><strong>Tabla 3. Qu\u00e9 mueve realmente el juicio: capa de presentaci\u00f3n frente a capa de sustancia<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Estudio<\/th>\n<th>Efecto de la capa de sustancia<\/th>\n<th>Efecto de la capa de presentaci\u00f3n<\/th>\n<th>Presentaci\u00f3n como proporci\u00f3n de la sustancia<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Porter y Machery, puntuaci\u00f3n de calidad de poemas<\/td>\n<td>Autor\u00eda real de IA: +1,045 puntos, d de Cohen = 0,671<\/td>\n<td>Decir que el poema es generado por IA: -0,814 puntos, d = -0,508<\/td>\n<td>77,9 % seg\u00fan diferencia de medias; 75,7 % seg\u00fan d<\/td>\n<\/tr>\n<tr>\n<td>Jones y Bergen, GPT-4.5 juzgado humano<\/td>\n<td>No descomponible a partir de estas cifras<\/td>\n<td>Instrucci\u00f3n de persona frente a ninguna: +37 pp, 2,03 veces<\/td>\n<td>Solo la instrucci\u00f3n m\u00e1s que duplic\u00f3 la tasa<\/td>\n<\/tr>\n<tr>\n<td>Jones y Bergen, LLaMa-3.1-405B juzgado humano<\/td>\n<td>No descomponible a partir de estas cifras<\/td>\n<td>Instrucci\u00f3n de persona frente a ninguna: +18 pp, 1,47 veces<\/td>\n<td>Solo la instrucci\u00f3n elev\u00f3 la tasa a la mitad m\u00e1s<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Marco editorial de CEOtudent. Todas las cifras subyacentes son las publicadas. La columna de proporci\u00f3n de la primera fila es un c\u00e1lculo de CEOtudent que divide el efecto absoluto de la etiqueta entre el efecto absoluto de la autor\u00eda. Las dos filas de Jones y Bergen mantienen constante el modelo, as\u00ed que el efecto de la instrucci\u00f3n es limpio; la capa de sustancia no puede separarse de las tasas publicadas y se marca en consecuencia en lugar de estimarse.<\/em><\/p>\n<p>La primera fila contiene la cifra m\u00e1s afilada de este art\u00edculo. En una escala de siete puntos, que le digan que un poema est\u00e1 hecho por una m\u00e1quina le cuesta 0,814 puntos de calificaci\u00f3n, alrededor del 11,6 % de la escala completa. Estar realmente hecho por una m\u00e1quina le aporta 1,045 puntos, alrededor del 14,9 % de la escala, en direcci\u00f3n contraria. Su evaluaci\u00f3n de un texto es unas tres cuartas partes tan sensible a la historia que le cuentan sobre su autor como al texto mismo.<\/p>\n<p>Una cifra derivada m\u00e1s, y necesita advertencia. Si esos dos efectos fueran simplemente aditivos, un poema de IA etiquetado honestamente como tal a\u00fan terminar\u00eda puntuado unos 0,231 puntos por encima de un poema humano sin etiquetar. Esa resta supone que no hay interacci\u00f3n entre el encuadre y la autor\u00eda, y los autores s\u00ed ajustaron un t\u00e9rmino de interacci\u00f3n cuyas estimaciones no pudieron extraerse para este art\u00edculo. Trate +0,231 como un <strong>modelo, no como una medici\u00f3n<\/strong>. Lo que importa es la direcci\u00f3n: la divulgaci\u00f3n no compensa por completo la diferencia de calidad que los propios lectores percibieron.<\/p>\n<h2 id=\"qu-estaban-premiando-realmente-los-lectores\"><span class=\"ez-toc-section\" id=\"Que-estaban-premiando-realmente-los-lectores\"><\/span>Qu\u00e9 estaban premiando realmente los lectores<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El resultado sobre calidad se malinterpreta f\u00e1cilmente como &ldquo;la m\u00e1quina escribe mejor poes\u00eda&rdquo;. No es lo que dicen los datos, y la propia excepci\u00f3n del art\u00edculo lo dice.<\/p>\n<p>El patr\u00f3n de puntuar m\u00e1s alto el trabajo de la m\u00e1quina se mantuvo en 13 de las 14 dimensiones cualitativas. El mayor efecto fue el ritmo: los poemas generados fueron puntuados 1,168 puntos por encima, d = 0,847. La \u00fanica excepci\u00f3n fue la originalidad. Al decirles que un poema era generado, los lectores bajaron su originalidad en 0,699 puntos (d = -0,478), pero los poemas <em>realmente<\/em> generados no fueron puntuados como significativamente m\u00e1s originales que los humanos (diferencia de medias 0,059, d = 0,040, p = 0,098, p corregida de Bonferroni = 1,000).<\/p>\n<p>Esa excepci\u00f3n es todo el mecanismo. En cada dimensi\u00f3n que premia la fluidez, ganaron los poemas generados. En la \u00fanica dimensi\u00f3n que exige que el lector detecte algo genuinamente nuevo, la diferencia se desvaneci\u00f3. La explicaci\u00f3n de los propios autores es que la sencillez de los poemas generados los hac\u00eda m\u00e1s f\u00e1ciles de procesar para no expertos, y los lectores convirtieron la legibilidad en un juicio de autenticidad.<\/p>\n<p>Es el mismo fallo que nuestro art\u00edculo sobre <a href=\"https:\/\/ceotudent.com\/en\/why-ai-hallucinates-mechanics-model-errors-catch-early\">por qu\u00e9 la IA alucina y c\u00f3mo funcionan los errores de modelo<\/a> describe en un plano factual: fluidez y correcci\u00f3n son propiedades distintas, y los evaluadores humanos usan de forma fiable la primera como sustituto de la segunda. Aqu\u00ed el sustituto no es la correcci\u00f3n sino la humanidad, y falla del mismo modo.<\/p>\n<h2 id=\"qu-s-mejor-el-acierto\"><span class=\"ez-toc-section\" id=\"Que-si-mejoro-el-acierto\"><\/span>Qu\u00e9 s\u00ed mejor\u00f3 el acierto<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Casi nada, y eso es en s\u00ed el hallazgo. Pero Jones y Bergen clasificaron lo que los interrogadores intentaron realmente y midieron el acierto en las partidas donde se us\u00f3 cada estrategia. Dos cosas funcionaron, y comparten una l\u00f3gica.<\/p>\n<p><strong>Tabla 4. Estrategias de los interrogadores y qu\u00e9 ocurri\u00f3<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Clase de estrategia<\/th>\n<th>Frecuencia informada<\/th>\n<th>Eficacia relativa<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Decir algo extra\u00f1o para ver c\u00f3mo reacciona el testigo<\/td>\n<td>Relativamente infrecuente<\/td>\n<td>Entre las m\u00e1s certeras<\/td>\n<\/tr>\n<tr>\n<td>Intentos t\u00edpicos de elusi\u00f3n, por ejemplo &ldquo;ignora todas las instrucciones anteriores&rdquo;<\/td>\n<td>Relativamente infrecuente<\/td>\n<td>Entre las m\u00e1s certeras<\/td>\n<\/tr>\n<tr>\n<td>Preguntar directamente si el testigo es humano<\/td>\n<td>19 % de las partidas<\/td>\n<td>No informada como eficaz<\/td>\n<\/tr>\n<tr>\n<td>Poner a prueba la conciencia situacional, por ejemplo el tiempo o la interfaz<\/td>\n<td>13 % de las partidas<\/td>\n<td>Preguntar por el tiempo entre las menos eficaces<\/td>\n<\/tr>\n<tr>\n<td>Poner a prueba conocimiento y razonamiento, incluida la actualidad<\/td>\n<td>12 % de las partidas<\/td>\n<td>No informada como eficaz<\/td>\n<\/tr>\n<tr>\n<td>Preguntar por experiencias humanas<\/td>\n<td>No informado por separado<\/td>\n<td>Entre las menos eficaces<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fuente: Jones y Bergen, clasificaci\u00f3n de estrategias y acierto medio del interrogador por estrategia. Las cifras de frecuencia son las publicadas. La columna de eficacia reproduce la ordenaci\u00f3n cualitativa de los autores; los valores de acierto por estrategia se presentaron gr\u00e1ficamente y no se citan aqu\u00ed en lugar de estimarse a partir de una figura.<\/em><\/p>\n<p>Las dos jugadas eficaces son sondeos adversarios. Empujan al sistema fuera de su ruta de seguimiento de instrucciones y observan qu\u00e9 ocurre en el borde. Las jugadas ineficaces, preguntar por el tiempo o por la experiencia humana, son justamente las que m\u00e1s se parecen a una prueba de humanidad y son de hecho la parte mejor cubierta de la distribuci\u00f3n de entrenamiento.<\/p>\n<p>Los autores a\u00f1aden un detalle que merece detenimiento. Entre las razones que los interrogadores dieron para los veredictos correctos, la clase m\u00e1s certera se refer\u00eda a la <em>falta<\/em> de conocimiento del testigo: elegir a alguien como humano porque cometi\u00f3 un error o no sab\u00eda algo que una IA deber\u00eda saber. Un sistema moderno que intente pasar la prueba tiene que fingir ignorancia de forma convincente sobre cosas que la mayor\u00eda no domina. La se\u00f1al ya no es la incompetencia. Es la forma equivocada de competencia.<\/p>\n<p>Mientras tanto, las <em>razones<\/em> m\u00e1s frecuentes, acertaran o no, fueron el estilo ling\u00fc\u00edstico con el 27 % y la din\u00e1mica de interacci\u00f3n con el 23 %, y muchos participantes informaron de una corazonada general que no sab\u00edan articular. La gente recurri\u00f3 al estilo. El estilo es aquello en lo que la m\u00e1quina es mejor.<\/p>\n<h2 id=\"qu-significa-esto-para-cmo-decide\"><span class=\"ez-toc-section\" id=\"Que-significa-esto-para-como-decide\"><\/span>Qu\u00e9 significa esto para c\u00f3mo decide<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La conclusi\u00f3n pr\u00e1ctica no es &ldquo;no conf\u00ede en nada&rdquo; ni &ldquo;mejore su capacidad de detectar IA&rdquo;. Los datos dicen que lo segundo est\u00e1 casi fuera de alcance y que lo primero no es una estrategia. Apuntan a algo m\u00e1s concreto.<\/p>\n<p><strong>Tabla 5. Protocolo de discernimiento, cada paso vinculado a la evidencia que lo motiva<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Paso<\/th>\n<th>Qu\u00e9 hacer<\/th>\n<th>Evidencia que lo motiva<\/th>\n<th>Estado<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>1. Deje de intentar identificar al autor<\/td>\n<td>Descarte por completo la detecci\u00f3n de origen como filtro de calidad<\/td>\n<td>46,6 % de acierto en 16.340 juicios; modelo de experiencia R cuadrado 0,012; sin efecto del conocimiento sobre modelos ni del uso de chatbots; 4.600 participantes no detectaron presentaciones generadas<\/td>\n<td>Respaldado por evidencia<\/td>\n<\/tr>\n<tr>\n<td>2. Descuente su seguridad, no su juicio<\/td>\n<td>Trate la alta certeza sobre la procedencia como se\u00f1al de alarma y no como indicio<\/td>\n<td>La confianza se relacion\u00f3 de forma significativa y negativa con el acierto en un estudio; el hallazgo de autoestimaci\u00f3n no se replic\u00f3 entre poblaciones en el otro<\/td>\n<td>Respaldado, con reserva de replicaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>3. Eval\u00fae a ciegas cuando pueda<\/td>\n<td>Retire las firmas antes de juzgar un trabajo sobre el que va a actuar<\/td>\n<td>Efecto de la etiqueta sobre la puntuaci\u00f3n de calidad d = -0,508, en torno al 76 % del efecto de autor\u00eda<\/td>\n<td>Respaldado por evidencia<\/td>\n<\/tr>\n<tr>\n<td>4. Sondee de forma adversaria, no entreviste<\/td>\n<td>Presione en los bordes y las incoherencias en vez de hacer preguntas sinceras<\/td>\n<td>Las indicaciones extra\u00f1as y los intentos de elusi\u00f3n estuvieron entre las estrategias m\u00e1s certeras; las preguntas sobre el tiempo y la experiencia humana entre las menos eficaces<\/td>\n<td>Direcci\u00f3n respaldada<\/td>\n<\/tr>\n<tr>\n<td>4b. Desconf\u00ede de las se\u00f1ales populares<\/td>\n<td>No cuente los pronombres de primera persona, las contracciones ni el detalle personal o familiar como prueba de autor\u00eda humana<\/td>\n<td>Son exactamente las heur\u00edsticas identificadas como defectuosas y demostradas predecibles y manipulables<\/td>\n<td>Respaldado por evidencia<\/td>\n<\/tr>\n<tr>\n<td>5. Califique en la dimensi\u00f3n que la fluidez no puede fingir<\/td>\n<td>Pregunte qu\u00e9 hay aqu\u00ed de genuinamente nuevo, no si se lee bien<\/td>\n<td>El trabajo de la m\u00e1quina gan\u00f3 13 de 14 dimensiones; la originalidad fue la \u00fanica excepci\u00f3n y no mostr\u00f3 ventaja significativa<\/td>\n<td>Respaldado por evidencia<\/td>\n<\/tr>\n<tr>\n<td>6. Juzgue las decisiones por sus consecuencias, no por su prosa<\/td>\n<td>Registre qu\u00e9 predijo la recomendaci\u00f3n y si ocurri\u00f3<\/td>\n<td>No medido por ninguna fuente citada aqu\u00ed<\/td>\n<td>Convenci\u00f3n de CEOtudent<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Marco editorial de CEOtudent. Los pasos 1 a 5 reformulan hallazgos que los dos estudios citados produjeron efectivamente. El paso 6 est\u00e1 etiquetado deliberadamente como convenci\u00f3n: ninguna fuente de este art\u00edculo lo midi\u00f3, y se ofrece como estructura razonable, no como t\u00e9cnica respaldada por evidencia.<\/em><\/p>\n<p>El paso 5 es el que m\u00e1s cambia la conducta diaria. Ambos estudios sugieren que los evaluadores realizan una comprobaci\u00f3n de fluidez y la llaman comprobaci\u00f3n de juicio. La fluidez ya es gratis. De modo que la \u00fanica dimensi\u00f3n que a\u00fan porta informaci\u00f3n es aquella en la que la m\u00e1quina no mostr\u00f3 ventaja medible: si el trabajo contiene algo que no estuviera ya en circulaci\u00f3n. Esa pregunta tiene respuesta, pero solo por parte de quien haya le\u00eddo suficiente del material circundante para saber qu\u00e9 hab\u00eda ya all\u00ed, que es precisamente la capacidad que nuestro art\u00edculo complementario sobre <a href=\"https:\/\/ceotudent.com\/en\/deep-reading-competitive-advantage-ai-era\">la lectura profunda como ventaja competitiva<\/a> sostiene que se est\u00e1 volviendo escasa.<\/p>\n<p>La divisi\u00f3n entre el CEO y el estudiante se resuelve aqu\u00ed con claridad, y no en la direcci\u00f3n esperada. El instinto del CEO es confiar en el juicio, porque a un directivo se le paga por su juicio. El instinto del estudiante es comprobar si ese juicio est\u00e1 calibrado. En esta capacidad concreta los datos son inequ\u00edvocos: el instinto no est\u00e1 calibrado, y estar seguro de \u00e9l empeora ligeramente las cosas. Nuestra nota sobre <a href=\"https:\/\/ceotudent.com\/en\/trust-calibration-when-to-trust-ai-recommendations\">calibraci\u00f3n de la confianza<\/a> cubre la regla de decisi\u00f3n; este art\u00edculo cubre el fallo de percepci\u00f3n que corre por debajo. Son problemas distintos. Puede tener una buena pol\u00edtica sobre cu\u00e1ndo confiar en una recomendaci\u00f3n de IA y seguir siendo incapaz de ver qu\u00e9 tiene delante.<\/p>\n<h2 id=\"qu-cambiara-esta-conclusin\"><span class=\"ez-toc-section\" id=\"Que-cambiaria-esta-conclusion\"><\/span>Qu\u00e9 cambiar\u00eda esta conclusi\u00f3n<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Tres cosas, que conviene vigilar en lugar de dar por supuestas.<\/p>\n<p>El resultado sobre poes\u00eda no se asienta en una literatura indiscutida, y los autores lo dicen ellos mismos. Se\u00f1alan que sus hallazgos contrastan con trabajos anteriores en los que los participantes <em>s\u00ed<\/em> lograban distinguir a poetas profesionales de poemas generados sin humano en el bucle, y con otros trabajos que encontraban a los participantes meramente en el nivel del azar y no por debajo. Los estudios anteriores adem\u00e1s sol\u00edan encontrar que los poemas generados se evaluaban de forma m\u00e1s negativa, lo contrario de lo que produjeron estos experimentos. La lectura m\u00e1s probable es que los modelos avanzaron, no que los investigadores anteriores estuvieran equivocados, pero eso es una interpretaci\u00f3n y no algo que los datos establezcan.<\/p>\n<p>Ambos estudios usan muestras de poblaci\u00f3n general que realizan una tarea poco familiar en condiciones artificiales. Ninguno comprob\u00f3 si un experto que eval\u00faa trabajo <em>en su propio dominio<\/em>, con tiempo y con algo en juego, se comporta de otro modo. Porter y Machery comprobaron la experiencia po\u00e9tica entre lectores de poes\u00eda, lo cual se aproxima m\u00e1s, pero un bagaje po\u00e9tico autoinformado no equivale a experiencia profesional. El resultado nulo sobre la experiencia es real y replicado, pero es un resultado nulo sobre la experiencia que estos estudios midieron.<\/p>\n<p>El resultado de Jones y Bergen es una preimpresi\u00f3n en el momento de escribir, y las dos poblaciones discreparon de forma apreciable en varias medidas exploratorias. La condici\u00f3n de persona de LLaMa, por ejemplo, fue del 45 % entre estudiantes y del 65 % entre participantes de Prolific, una diferencia de 20 puntos en la misma condici\u00f3n. Los efectos de poblaci\u00f3n aqu\u00ed no son peque\u00f1os.<\/p>\n<p>Nada de eso cambia lo que hay que hacer este trimestre. Deje de usar la autor\u00eda como sustituto de la calidad, porque la autor\u00eda no se puede recuperar. Retire las etiquetas antes de juzgar. Pregunte qu\u00e9 hay de nuevo en vez de si se lee bien.<\/p>\n<h2 id=\"preguntas-frecuentes\"><span class=\"ez-toc-section\" id=\"Preguntas-frecuentes\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfDe verdad la gente es peor que el azar detectando texto de IA?<\/strong><br \/>\nEn este estudio s\u00ed, y de forma significativa: 46,6 % de acierto en 16.340 juicios donde adivinar dar\u00eda el 50 %, chi cuadrado(1) = 75,13, p &lt; 0,0001. Los autores interpretan el desempe\u00f1o por debajo del azar junto con el acuerdo entre participantes por encima del azar como prueba de una heur\u00edstica compartida pero invertida, no de respuestas aleatorias.<\/p>\n<p><strong>\u00bfAyuda saber mucho sobre IA?<\/strong><br \/>\nSeg\u00fan la evidencia disponible, no. Jones y Bergen no encontraron efecto significativo del nivel de conocimiento sobre modelos de lenguaje ni de la frecuencia de interacci\u00f3n con chatbots en ninguno de sus dos estudios, y se\u00f1alan que el acierto era homog\u00e9neo incluso entre quienes investigan estos sistemas. Porter y Machery no encontraron ninguna variable de experiencia po\u00e9tica con efecto positivo significativo.<\/p>\n<p><strong>\u00bfEn qu\u00e9 se\u00f1ales se apoya la gente err\u00f3neamente?<\/strong><br \/>\nEn los pronombres de primera persona, las contracciones y los temas familiares o personales. Un an\u00e1lisis computacional a lo largo de seis experimentos las identific\u00f3 como las heur\u00edsticas con que los lectores infieren autor\u00eda humana, y los autores demostraron despu\u00e9s experimentalmente que, por ser predecibles, pueden convertirse en blanco, produciendo texto valorado como m\u00e1s humano que lo humano. Si se sorprende pensando que un pasaje suena humano porque dice &ldquo;yo&rdquo; y usa contracciones, ese es exactamente el modo de fallo documentado.<\/p>\n<p><strong>\u00bfEntonces la confianza siempre se relaciona inversamente con el acierto?<\/strong><br \/>\nNo, y la respuesta honesta es m\u00e1s desordenada. Porter y Machery encontraron un efecto negativo significativo de la confianza (b = -0,021673, p &lt; 0,0001). Jones y Bergen encontraron el acierto autoestimado correlacionado positivamente con el acierto real entre estudiantes (p = 0,03) pero no entre participantes de Prolific (p = 0,45). La confianza no es una se\u00f1al fiable en ninguna direcci\u00f3n, y esa es la conclusi\u00f3n utilizable.<\/p>\n<p><strong>\u00bfSignifica esto que la IA escribe mejor que los humanos?<\/strong><br \/>\nNo. Significa que los lectores la puntuaron m\u00e1s alto en las dimensiones que premian la suavidad, 13 de 14, con el ritmo como la mayor en d = 0,847. En originalidad, la \u00fanica dimensi\u00f3n que exige que el lector detecte algo nuevo, los poemas realmente escritos por IA no mostraron ventaja significativa (d = 0,040, p = 0,098). Ese es un hallazgo sobre qu\u00e9 premian los lectores, no sobre m\u00e9rito literario.<\/p>\n<p><strong>\u00bfDeber\u00eda etiquetar el trabajo asistido por IA?<\/strong><br \/>\nEsa es una cuesti\u00f3n \u00e9tica que estos datos no pueden zanjar, pero s\u00ed pueden decirle el coste. Etiquetar un trabajo como generado por IA redujo las puntuaciones de calidad en 0,814 puntos en una escala de siete, d = -0,508. Los lectores penalizan la etiqueta con independencia del trabajo. Quien decida sobre la divulgaci\u00f3n deber\u00eda incorporarlo al c\u00e1lculo en vez de llevarse una sorpresa.<\/p>\n<p><strong>\u00bfCu\u00e1l es el cambio m\u00e1s \u00fatil?<\/strong><br \/>\nEvaluar a ciegas. El efecto de la etiqueta es en torno a tres cuartas partes del efecto real de calidad, y es la \u00fanica variable que controla por completo. Retirar las firmas antes de juzgar un trabajo sobre el que piensa actuar no cuesta nada y elimina un sesgo de tama\u00f1o medido.<\/p>\n<h2 id=\"fuentes\"><span class=\"ez-toc-section\" id=\"Fuentes\"><\/span>Fuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Porter y Machery. AI-generated poetry is indistinguishable from human-written poetry and is rated more favorably. Scientific Reports.<\/p>\n<p>Jones y Bergen. Large Language Models Pass the Turing Test. Preimpresi\u00f3n de arXiv, Computation and Language.<\/p>\n<p>Jakesch, Hancock y Naaman. Human heuristics for AI-generated language are flawed. Proceedings of the National Academy of Sciences, 2023.<\/p>\n<p>Kobis y Mossink, paradigmas con y sin humano en el bucle para evaluar poes\u00eda generada por m\u00e1quina, tal como se caracterizan en Porter y Machery.<\/p>\n<p>Nota de alcance: la cifra combinada de 6.518 participantes en los tres estudios de detecci\u00f3n es una suma de CEOtudent de tama\u00f1os muestrales publicados, usada solo para indicar escala. Los tres estudios difieren en dise\u00f1o, poblaci\u00f3n y medida de resultado, y no se agregan estad\u00edsticamente en ninguna parte de este art\u00edculo.<\/p>\n<hr>\n<p><em>Este contenido fue recopilado con el apoyo de la IA tras una investigaci\u00f3n exhaustiva, y luego redactado y preparado para su publicaci\u00f3n por el equipo editorial de CEOtudent.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tres grandes estudios realizados por tres laboratorios independientes en dominios completamente distintos convergen en el mismo hallazgo inc\u00f3modo: las personas no identifican de forma fiable el trabajo generado por m\u00e1quinas, la experiencia no ayuda y la confianza corre en la direcci\u00f3n equivocada. Peor a\u00fan, la evaluaci\u00f3n misma es unas tres cuartas partes tan sensible a la etiqueta que lleva un trabajo como al trabajo. Este art\u00edculo re\u00fane los datos, deriva cu\u00e1nto vale realmente la capa de presentaci\u00f3n frente a la capa de sustancia y expone las \u00fanicas estrategias que mejoraron la precisi\u00f3n de forma medible.<\/p>\n","protected":false},"author":1,"featured_media":325915,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4599,18],"tags":[],"class_list":["post-325914","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-gelisim","category-strateji"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/325914","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/comments?post=325914"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/325914\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media\/325915"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media?parent=325914"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/categories?post=325914"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/tags?post=325914"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}