¿Puede una IA ser graciosa? Ya aprueba el chiste medio, pero sigue suspendiendo el gran chiste

LA TESIS. La pregunta de si una IA puede ser graciosa tiene ya una respuesta con datos, y es doble. Sí: un modelo de lenguaje escribe chistes que el público, a ciegas, puntúa tan alto como los de una persona media o incluso más. No: cuando el listón es el gran chiste, el que sorprende, arriesga y solo podía venir de alguien concreto, la máquina sigue por detrás. Nuestra lectura es que buena parte de ese suspenso no es falta de inteligencia. Es una decisión de diseño. Entrenamos a los modelos para ser amables, previsibles y seguros, y el humor vive de lo contrario. Por eso el humor no es «la última prueba de la inteligencia», como se repite a menudo. Es una prueba excelente de algo más concreto: si una máquina sabe leer a su público y decide asumir un riesgo.

QUÉ HACE FALTA PARA HACER REÍR. La filosofía lleva siglos intentando explicar la risa y ofrece cuatro grandes teorías. La de la superioridad, asociada a Hobbes, dice que nos reímos cuando nos sentimos por encima de otro. La del alivio, de Freud, ve la risa como una válvula que libera tensión. La de la incongruencia, de Kant y Schopenhauer, sostiene que reímos ante el choque entre lo que esperábamos y lo que ocurre. La más reciente, la violación benigna de los psicólogos Peter McGraw y Caleb Warren, une las anteriores: algo es gracioso cuando rompe una norma, pero de forma que percibimos como inofensiva. Todas apuntan a lo mismo. Para hacer reír necesitas teoría de la mente, es decir, imaginar qué piensa y espera tu público. Necesitas sentido del momento. Necesitas cultura compartida. Y necesitas medir la transgresión: pasarte un poco, pero no demasiado. Son justo las capacidades que más cuestan a un modelo que predice la siguiente palabra a partir de textos.

LO QUE DICEN LOS DATOS. La evidencia es más matizada que los titulares. En 2023, Sophie Jentzsch y Kristian Kersting pidieron un chiste a ChatGPT (GPT-3.5) 1.008 veces. Más del 90% de las respuestas fueron variaciones de solo 25 chistes, según su estudio. Los autores concluyeron que el modelo había memorizado un patrón, no aprendido a ser gracioso. Un año después, Drew Gorenz y Norbert Schwarz (Universidad del Sur de California) publicaron en PLOS ONE lo contrario en apariencia. En pruebas a ciegas, los chistes de ChatGPT 3.5 superaron a los de la mayoría de los participantes humanos aficionados, en torno al 70% según la cobertura del estudio. Sus titulares satíricos se valoraron igual de bien que los de la revista The Onion. Ese mismo año, Google DeepMind trabajó con 20 cómicos profesionales, la mitad en el Festival Fringe de Edimburgo. Según el estudio y la crónica de MIT Technology Review, los cómicos encontraron el material «soso», genérico y poco sorprendente, aunque útil para montar estructuras. En 2025, el guionista Joe Toplyn y el cómico y neurocientífico Ori Amir llevaron chistes de su sistema Witscript a un escenario de North Hollywood. Midieron la duración y el volumen de las risas, y las del público fueron comparables a las de los chistes humanos. Pero un humano experto escribió las instrucciones y eligió los mejores entre docenas de candidatos. Un estudio sobre memes resume bien el panorama, según Live Science. Los memes de GPT-4o fueron de media más graciosos que los humanos, pero los mejores de todos seguían siendo de personas. Y el benchmark del concurso de pies de foto del New Yorker (Hessel y colegas, ACL 2023) muestra el otro lado. Una prueba de referencia, o benchmark, es un examen estándar para comparar modelos. En este, los evaluadores prefirieron las explicaciones humanas de por qué un chiste funciona frente a las de GPT-4 en la mayoría de los casos, según los autores.

EL PROBLEMA DE SER AMABLE. ¿Por qué la máquina gana en la media y pierde en la cima? Una parte de la respuesta está en cómo se pulen los modelos. Tras el entrenamiento inicial, se ajustan con preferencias humanas. Esta técnica, llamada RLHF (aprendizaje por refuerzo con retroalimentación humana), premia las respuestas que más gustan a los evaluadores. El efecto secundario está documentado. Un estudio de 2024 sobre Llama 2 encontró que los modelos alineados producen textos menos diversos. Un trabajo de 2025, el de Verbalized Sampling, apunta a la causa: los evaluadores humanos tienden a premiar lo típico, lo que suena familiar. Los autores lo llaman «sesgo de tipicidad». El modelo aprende a dar la respuesta más segura, y en humor la respuesta más segura es el chiste que ya conoces. Hay además una capa deliberada. Los laboratorios entrenan a sus modelos para no ofender, y con razón. Pero la teoría de la violación benigna dice que sin violación no hay chiste. Un sistema diseñado para no pisar nunca una norma tiene el humor amputado de partida. La buena noticia es que esto se puede corregir en parte. Según sus autores, pedir al modelo varias respuestas junto con su probabilidad multiplica la diversidad creativa entre 1,6 y 2,1 veces, sin reentrenarlo.

¿SE RÍE IGUAL EN ESPAÑOL? No, y los datos empiezan a mostrarlo. El humor depende del idioma: juegos de palabras, dobles sentidos, referencias locales, ironía. En 2026, la competición académica SemEval organizó su primera tarea de generación general de humor en inglés, español y chino. Participaron 37 equipos. Según los organizadores, una referencia sencilla con Gemini 2.5 Flash empató en primer lugar en todas las subtareas. Los sistemas más elaborados apenas la superaron. Varios equipos atribuyen sus resultados modestos a la falta de originalidad. En paralelo, la tarea HAHA de IberLEF, dedicada solo al español, ya incluye detectar si un chiste lo ha escrito una máquina. Y el laboratorio JOKER del congreso CLEF concluye que los modelos aún tienen dificultades para crear o traducir juegos de palabras entre idiomas. Nuestra lectura: los modelos se entrenan sobre todo con textos en inglés, y su humor por defecto es anglosajón. Un chiste de Gila, de Chiquito o de la sobremesa de un bar no se traduce. Se vive. Una revisión de octubre de 2026 lo resume así: los modelos captan los patrones superficiales del humor, pero fallan en el razonamiento pragmático y en el arraigo cultural.

NUESTRA LECTURA E IMPLICACIONES. Tres conclusiones. Primera: conviene separar, como en el debate sobre si la IA comprende, si la máquina hace reír, que sí lo hace, de si entiende por qué. Esto segundo no se puede zanjar hoy y es menos importante en la práctica. Segunda: en el corto plazo hay efectos reales en el empleo. El chiste de relleno, el texto publicitario ingenioso o el meme de marca ya los produce una máquina a coste casi cero. Ahí sufrirán los guionistas que viven del volumen. Lo que resiste es lo que siempre hemos visto en otros sectores: el criterio para elegir el chiste bueno entre cien, la voz propia y la relación con un público concreto. Hay además un dato que favorece a los humanos. Desde el trabajo de Bower y Steyvers de 2021, sabemos que el público puntúa peor un chiste si cree que lo escribió una IA. La risa también es un vínculo entre personas. Tercera, la de largo plazo: un modelo que aprenda a leer a su interlocutor y a arriesgar con tacto no solo contará mejores chistes. Será mejor tutor, mejor acompañante para personas mayores y mejor asistente en terapia, donde el humor bien medido cura. El objetivo no es una máquina que sustituya a los cómicos. Es una herramienta que ayude a que más gente pueda dedicarse a lo que le apasiona, también a hacer reír. Mientras tanto, la vara de medir más honesta sigue siendo la de siempre: el silencio incómodo después del remate.