TL;DR: La IA generativa eleva la calidad de tu trabajo individual y, al mismo tiempo, reduce la diversidad del trabajo de todos. En un experimento controlado publicado en Science Advances, los autores que recibieron ideas de historias de la IA produjeron obras valoradas como más creativas, y las mayores ganancias fueron para los autores menos creativos. Sin embargo, esas historias asistidas por IA se parecían de forma medible más entre sí que las escritas sin ayuda. Un estudio aparte de Creativity and Cognition halló que las personas que hacían lluvia de ideas con ChatGPT producían ideas notablemente más parecidas a nivel de grupo (tamaño del efecto d=0,47), aunque cada individuo seguía siendo tan variado como antes. Y un estudio de ICLR mostró que escribir con un modelo ajustado por retroalimentación reducía la diversidad léxica y de contenido entre autores. En conjunto, estos resultados describen un dilema social: cada persona está mejor individualmente con la herramienta, pero colectivamente se produce una banda de ideas más estrecha. Si tú y tus competidores consultáis el mismo modelo con la misma pregunta, converges hacia la misma respuesta. Esta guía explica el mecanismo, te da la Matriz de riesgo de homogeneización para detectar dónde tu trabajo se derrumba hacia la media, y expone las prácticas de quien lidera como un CEO que protege una posición diferenciada y aprende como un estudiante que no deja de crear desde los primeros principios.
El hallazgo incómodo de los dos últimos años de investigación sobre IA no es que estas herramientas empeoren a las personas. En la mayoría de las tareas medidas mejoran a los individuos. El hallazgo es que hacen a las personas más parecidas entre sí. Cuando una herramienta se entrena para producir la respuesta útil estadísticamente más probable, y millones de personas la consultan con instrucciones similares, la herramienta se convierte en una gigantesca máquina de promediar el pensamiento humano. Tu producción mejora. La de todos los demás también. Y la distancia entre tus ideas y las del siguiente se estrecha en silencio.
Para cualquiera cuyo valor dependa de ser diferente, lo que incluye a casi todo profesional, fundador y creador, este es el riesgo estratégico de la era de la IA que casi nadie está valorando.
Qué es realmente el efecto de homogeneización
La homogeneización no es lo mismo que el declive. Un campo puede mejorar en promedio mientras sus miembros se vuelven más difíciles de distinguir. Eso es exactamente lo que muestran las pruebas.
La distinción que importa es entre el nivel individual y el nivel colectivo. A nivel individual, la IA es un amplificador: tu ensayo, tu presentación o tu diseño único será probablemente más pulido con ayuda del modelo que sin ella. A nivel colectivo, la IA es un compresor: el abanico de ensayos, presentaciones y diseños que produce una población de usuarios de IA es más estrecho que el abanico que esa misma población habría producido sola. Ambas cosas son ciertas a la vez, y pasar por alto una de las dos mitades lleva a la decisión equivocada. Quien solo ve la ganancia individual sobreadopta y pierde su ventaja. Quien solo ve el riesgo colectivo rechaza la herramienta y pierde la productividad.
Piénsalo como una distribución. La IA tira del extremo inferior hacia arriba, lo cual es la ganancia real y valiosa. Pero también empuja toda la distribución hacia un pico central, de modo que las colas, donde vive la originalidad genuina, se adelgazan. Un CEO lee una distribución antes de celebrar un promedio. Un estudiante pregunta qué esconde el promedio. Este es el reverso de una tendencia que por lo demás juzgamos buena, la economía del juicio, en la que las facultades humanas que la IA no puede promediar se vuelven las escasas y valiosas.
Las pruebas, medidas directamente
La razón para tratar esto como un hecho y no como un temor es que los investigadores lo han medido ya en condiciones controladas, con la diversidad de la producción como variable explícita y no como una idea tardía. El patrón se repite entre distintas tareas, modelos y medidas de diversidad.
| Estudio (año, sede) | Diseño | Qué se midió | Hallazgo central |
|---|---|---|---|
| Doshi y Hauser, 2024, Science Advances | Experimento en línea; algunos autores recibieron ideas de relatos de un gran modelo de lenguaje, otros no | Creatividad de cada historia, y similitud entre historias | Las ideas de IA elevaron las valoraciones de creatividad individual, con las mayores ganancias en los autores menos creativos; a la vez, las historias asistidas por IA se parecían más entre sí que las hechas sin ayuda |
| Anderson, Shah y Kreminski, 2024, ACM Creativity and Cognition | 33 participantes, diseño intrasujeto, tareas de pensamiento divergente con ChatGPT frente a Oblique Strategies | Similitud del coseno de incrustaciones de frases a nivel individual y de grupo | La producción a nivel de grupo fue notablemente más homogénea en la condición ChatGPT (d=0,47, P=0,038); a nivel individual no hubo diferencia significativa de diversidad (P=0,352) |
| Padmakumar y He, 2024, ICLR | Los usuarios escribieron ensayos argumentativos con un modelo base, un modelo ajustado por retroalimentación o sin modelo | Diversidad léxica y de contenido entre autores distintos | Escribir con el modelo ajustado por retroalimentación produjo una reducción estadísticamente significativa de la diversidad y mayor similitud entre autores; el modelo base no |
Vuelve a leer el hallazgo del medio, porque es el más importante para el trabajo diario. La homogeneización no apareció cuando los investigadores miraron a los individuos por separado. Cada persona, con ChatGPT, era más o menos tan variada como con una herramienta de creatividad no basada en IA. La convergencia solo surgió al comparar a personas diferentes entre sí. Por eso el efecto es casi invisible desde dentro. A solas con el modelo, te sientes plenamente creativo. No puedes ver que otras mil personas, consultadas de forma similar, están siendo empujadas hacia el mismo vecindario de ideas donde acabas de aterrizar. La pérdida es real pero solo observable desde arriba, que es precisamente la perspectiva del CEO y no la del colaborador individual.
Por qué el mecanismo es estructural y no un fallo
Es tentador suponer que modelos mejores lo arreglarán. El mecanismo sugiere lo contrario, porque la homogeneización proviene de cómo funcionan estos sistemas, no de lo buenos que sean.
Un gran modelo de lenguaje genera estimando la continuación más probable dados sus datos de entrenamiento y tu instrucción. El aprendizaje por refuerzo a partir de retroalimentación humana, el paso que hace que los modelos se sientan útiles y seguros, concentra aún más las salidas hacia respuestas que un amplio conjunto de evaluadores humanos aprobó. El resultado de Padmakumar y He apunta directo a esto: el modelo base no redujo la diversidad, pero el modelo ajustado por retroalimentación sí. El mismo entrenamiento que hace agradable a un modelo es el que estrecha lo que dice. Un modelo más capaz ajustado del mismo modo puede producir un centro de gravedad de mayor calidad, pero sigue siendo un centro de gravedad. La atracción hacia el medio es el producto funcionando como está diseñado.
Suma el efecto de red. Cuantas más personas dependen de los mismos pocos modelos de frontera, más subyace un sustrato compartido bajo la producción humana de todo un sector. Quien bebe del mismo pozo prueba la misma agua. No es afirmar que las ideas se volverán literalmente idénticas. Es afirmar, ahora respaldado por la medición, que la varianza entre las ideas de las personas se estrecha, y la varianza es exactamente de lo que están hechos la ventaja competitiva, los avances científicos y el trabajo creativo memorable.
La Matriz de riesgo de homogeneización
No todo uso de la IA conlleva el mismo riesgo. Usar un modelo para dar formato a una tabla o corregir la gramática no amenaza tu originalidad; usarlo para generar tu idea estratégica central, sí. El error es tratar todo uso de IA como igual de seguro o igual de peligroso. La siguiente matriz, un marco editorial de CEOtudent, ordena los contextos de trabajo comunes según cuán expuestos están y cuál es la jugada correctiva. Es una herramienta de juicio, no un marcador.
| Contexto de trabajo | Riesgo de homogeneización | Por qué | Contrajugada |
|---|---|---|---|
| Gramática, formato, traducción, resumen de tu propio borrador | Bajo | La idea ya es tuya; la IA solo toca la superficie | Usar con libertad; no se necesita defensa |
| Investigación y recopilación de datos | Bajo a medio | Las fuentes convergen, pero tú aún sintetizas | Contrastar entre fuentes independientes; añadir datos que el modelo no sacó a la luz |
| Ideación de primer borrador para una estrategia, un posicionamiento o un concepto creativo | Alto | Aquí es donde la promediación muerde con más fuerza y menos se ve | Generar primero tus propias ideas, luego usar la IA para criticar, no para originar |
| Nombres, eslóganes, conceptos de campaña, ángulos de producto | Alto | Todos consultan el mismo modelo para la misma categoría; las salidas se agrupan | Tratar la salida de la IA como la base que todos alcanzarán; apartarse de ella deliberadamente |
| Análisis competitivo o de mercado compartido en un sector | Alto | Los rivales con la misma herramienta llegan a la misma lectura del mercado | Anclarse en datos propietarios y contexto vivido que el modelo no puede alcanzar |
| Reflexión personal, juicio y desarrollo del gusto | Crítico | Externalizar esto erosiona la facultad que te diferencia con los años | Mantener una zona sin IA para formar tus propias opiniones antes de consultar cualquier modelo |
El principio organizador es simple. Cuanto más se acerca la IA a originar tu idea diferenciada, mayor es el riesgo. Cuanto más se queda del lado de la ejecución y el acabado, más seguro. La mayoría lo tiene al revés, custodiando su ortografía mientras entrega su pensamiento.
Qué hacer al respecto: liderar como un CEO, aprender como un estudiante
La respuesta no es abandonar la herramienta. Rechazar la IA para preservar la originalidad es como rechazar la electricidad para preservar la artesanía: conservas tu diferencia y pierdes en todo lo demás. La respuesta es una disciplina de uso.
Generar antes de recuperar. El hábito más protector es la secuencia. Forma tu propia respuesta, por tosca que sea, antes de abrir el modelo. Doshi y Hauser hallaron que la pérdida de diversidad venía de que la IA aportaba las ideas. Si tu idea existe primero, el modelo se vuelve editor de algo original en lugar de autor de algo promedio. Ese es el gesto del estudiante: hacer tú mismo el trabajo cognitivo difícil y luego comprobar, porque la comprobación no vale nada si no hubo un intento independiente que comprobar.
Usar la IA como adversario, no como oráculo. Pide al modelo que argumente contra tu idea, que enumere sus debilidades o que nombre las diez versiones más obvias para que puedas evitarlas. Convertir la herramienta en crítico aprovecha su fuerza, la amplitud del conocimiento de patrones, sin dejar que dicte tu posición. La instrucción de las versiones obvias es especialmente útil: si el modelo puede colocar tu idea entre las diez previsibles, los modelos de tus competidores también. Razonar desde los fundamentos en vez de aceptar los valores por defecto del modelo es el hábito que tratamos en primeros principios frente a mejores prácticas, y la vía más fiable para salir del promedio.
Proteger un insumo propietario. La homogeneización es más fuerte donde todos alimentan al modelo con la misma información pública. Tu defensa es la información privada: tus propios datos, las palabras exactas de tus clientes, tu contexto específico, una restricción que solo tú enfrentas. El modelo promedia lo común; no puede promediar lo que solo tú posees. Un CEO construye sus fosos con insumos propietarios, y en la era de la IA el insumo propietario es el foso.
Mantener una zona sin IA para el juicio. El gusto y el juicio son facultades que se atrofian cuando se externalizan. Reserva una categoría de decisión, tu dirección estratégica, tu punto de vista sobre tu campo, tu sentido de lo que es bueno, que formes sin modelo, precisamente para que el músculo siga fuerte. Puedes consultar la IA después. Formar la opinión tú mismo primero es lo que la hace tuya.
Presuponer el promedio y valorarlo. Trata la primera respuesta del modelo como la respuesta que también recibirá todo tu mercado. Ese reencuadre libera: lo que la IA te entrega es, por definición, la nueva base, no la meta. El trabajo que se nota, se cita y se recuerda empieza donde termina la salida del modelo.
Qué significa esto para equipos y organizaciones
A nivel individual estos hábitos protegen tu ventaja. A nivel organizativo lo que está en juego se multiplica, porque una empresa es una población de usuarios de IA, y el efecto colectivo es exactamente lo que midió la investigación.
Si cada analista consulta el mismo modelo, la lectura colectiva del mercado de la organización se estrecha hacia lo que también ve cada competidor. Si cada responsable de marketing genera conceptos del mismo modo, la voz de la marca deriva hacia la media de la categoría. La contrajugada organizativa refleja la individual: exigir generación independiente antes de las herramientas compartidas en las decisiones que importan, invertir en datos propietarios que los modelos no puedan alcanzar, y premiar las desviaciones respecto de la base de la IA en lugar de la llegada más rápida a ella. Las empresas que destacarán en la era de la IA no son las que adoptan más rápido. Son las que adoptan protegiendo deliberadamente la varianza que la herramienta erosiona.
Preguntas frecuentes
¿Está probado el efecto de homogeneización o es solo una teoría?
Está medido en condiciones controladas en varios estudios revisados por pares, con medidas de diversidad explícitas como la similitud de incrustaciones de texto y la variedad léxica. Es uno de los hallazgos mejor establecidos sobre el efecto de la IA generativa en la producción humana, precisamente porque los investigadores se propusieron medir la diversidad directamente en lugar de inferirla.
¿Usar IA me hace menos creativo como individuo?
No según las pruebas. Individualmente, la ayuda de la IA tiende a elevar las valoraciones de creatividad, sobre todo en quienes parten de menor creatividad, y la diversidad a nivel individual no se redujo de forma significativa en el estudio de ideación. La pérdida aparece entre las personas, a nivel colectivo, por lo que es invisible cuando trabajas a solas.
¿Lo resolverán modelos de IA mejores?
Poco probable por sí solos. La reducción de diversidad se vinculó con el ajuste por retroalimentación que hace útiles a los modelos, no con falta de capacidad. Un modelo más potente ajustado del mismo modo sigue tirando de las salidas hacia un centro probable. La defensa es cómo usas la herramienta, no qué herramienta usas.
¿Cuál es la contramedida individual más eficaz?
La secuencia. Genera tu propia idea antes de consultar el modelo, y luego usa la IA para criticar y refinar en lugar de originar. Si tu pensamiento original existe primero, el modelo afila tu diferencia en vez de sustituirla por el promedio.
¿Esto aplica al código y al análisis, o solo a la escritura creativa?
Los estudios controlados se centraron en la escritura y la ideación, así que la prueba directa es más fuerte ahí. El mecanismo, generación de la continuación probable más modelos compartidos más instrucciones similares, aplica dondequiera que muchas personas consulten el mismo sistema con entradas similares, lo que incluye patrones de código, análisis de mercado y estrategia.
Kaynakça
- Doshi, A. R. y Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances.
- Anderson, B. R., Shah, J. H. y Kreminski, M. (2024). Homogenization Effects of Large Language Models on Human Creative Ideation. Actas de la 16.ª ACM Conference on Creativity and Cognition.
- Padmakumar, V. y He, H. (2024). Does Writing with Language Models Reduce Content Diversity? International Conference on Learning Representations (ICLR).
- OCDE (2024). Perspectivas de Empleo de la OCDE: análisis sobre inteligencia artificial y mercado laboral.
- Stanford Institute for Human-Centered AI (2025). Artificial Intelligence Index Report, capítulos sobre capacidades y adopción de la IA generativa.
- Brynjolfsson, E., Li, D. y Raymond, L. (2023). Generative AI at Work. Documento de trabajo del National Bureau of Economic Research.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
