Cómo evitar que tu IA escriba como todas

Por qué tu IA suena igual que la de todos

Que muchos textos generados con IA se parezcan tiene explicación. La propone un trabajo publicado en el repositorio arXiv con el identificador 2510.01171 y firmado por Jiayi Zhang, Simon Yu, Derek Chong, Anthony Sicilia, Michael R. Tomz, Christopher D. Manning y Weiyan Shi, de Northeastern University, Stanford University y West Virginia University. La primera versión es del 1 de octubre de 2025 y la última revisión, del 15 de julio de 2026.

Su punto de partida es conocido: el post-entrenamiento de alineamiento, la fase que ajusta un modelo para conversar, reduce a menudo su diversidad. A ese fenómeno se le llama colapso de modo.

El origen está en las preferencias humanas

Otros trabajos atribuían el colapso de modo a limitaciones de los algoritmos. Hay además una causa en los datos, según Jiayi Zhang y sus coautores: los anotadores favorecen de forma sistemática el texto familiar, algo que encaja con hallazgos asentados de la psicología cognitiva. Los autores formalizan ese sesgo en teoría y sostienen que desempeña un papel central en el colapso.

También lo midieron en datos de preferencias, del tipo que se usa para ajustar modelos con aprendizaje por refuerzo con retroalimentación humana (RLHF, reinforcement learning from human feedback). Estimaron cuánto pesa la tipicidad en lo que eligen las personas, con independencia de la calidad real de la respuesta, y el sesgo fue estadísticamente significativo con los dos modelos base que usaron como referencia, según Jiayi Zhang y su equipo; la tabla recoge las estimaciones. En llano: a igual calidad, quien puntúa tiende a preferir la respuesta que al modelo base le resulta más típica.

La técnica: pedir varias respuestas con su probabilidad

La propuesta del estudio se llama Verbalized Sampling (VS). Funciona, según Jiayi Zhang y sus coautores, porque cada tipo de petición colapsa hacia un modo distinto: cuando se pide un solo texto, la respuesta modal tiende al estereotipo; cuando se pide una distribución, se acerca a la diversidad que el modelo aprendió en el preentrenamiento.

Los autores lo probaron en poemas, relatos y chistes, en simulación de diálogos y en generación de datos sintéticos. En escritura creativa, según Jiayi Zhang y su equipo, VS aumenta la diversidad sin sacrificar la precisión factual ni la seguridad; la tabla recoge las cifras que comunican.

El método no necesita acceder a las puntuaciones internas del modelo (logits), y el estudio lo probó en modelos cerrados, entre ellos varios de la serie Claude, y en modelos abiertos. Además, se puede combinar con la temperatura y otros parámetros de muestreo.

Practica con tu próximo texto

La tabla propone tres pasos. Los prompts son ejemplos didácticos creados para esta guía, no los del estudio ni resultados de una prueba: sirven para que compares lo que obtienes. El segundo paso aplica VS; el tercero, el ajuste que describe el trabajo: según Jiayi Zhang y sus coautores, cuanto más bajo es el umbral de probabilidad que se pide, más diversa es la salida.

Lo que aconseja la documentación de Claude

La segunda vía no procede del estudio, sino de la guía oficial de prompting de Claude, y se refiere a ese modelo. Los ejemplos son una de las formas más fiables de orientar el formato, el tono y la estructura de la respuesta, según la documentación de Claude, que recomienda incluir 3–5 ejemplos pertinentes y variados, para que el modelo no copie patrones no buscados.

La misma guía aconseja decir qué hacer en lugar de qué no hacer, y ajustar el estilo del prompt al del texto que se quiere, porque el formato del prompt puede influir en el de la respuesta, según la documentación de Claude. Advierte además de que, cuando un consejo menciona un modelo concreto, se probó en ese modelo, y conviene comprobarlo con evaluaciones propias antes de aplicarlo a otro: son recomendaciones del proveedor, no resultados de un experimento.

Los límites del método

El propio trabajo enumera sus límites. Generar una distribución de candidatos, según Jiayi Zhang y sus coautores, cuesta más en latencia y en tokens que pedir una sola respuesta, lo que puede restringir su uso cuando el tiempo o los recursos son escasos. Los modelos más capaces se benefician más de VS, mientras que los menos capaces podrían carecer del razonamiento necesario y, en ocasiones, empeorar la calidad.

Por precaución, conviene leer las probabilidades que da el modelo como una guía para elegir entre versiones, no como una medida exacta; según los autores, las ganancias de diversidad no dependen de una calibración numérica exacta. La elección final sigue siendo de quien escribe.