El oráculo único: qué pierde una civilización cuando mil millones de personas preguntan a la misma IA

LA TESIS. El peligro del oráculo único no es que mienta: es que promedia. Ya analizamos en otra pieza lo que la IA hace al cerebro de cada usuario; hoy hablamos de otra cosa. Hablamos de lo que hace al pensamiento de todos a la vez. Nuestra tesis es simple: cuando cientos de millones de personas consultan a tres o cuatro modelos entrenados con datos parecidos y afinados con métodos parecidos, las respuestas convergen hacia el centro de la distribución. Y una civilización que converge pierde sus colas: las ideas raras, la disidencia útil y el conocimiento minoritario que son la materia prima de toda innovación. Conviene decirlo claro desde el principio: esto no es censura deliberada ni una conspiración. Es un efecto estadístico medible, documentado en estudios revisados por pares. Y precisamente porque se puede medir, se puede gobernar.

LA EVIDENCIA. El experimento más citado es el de Anil Doshi (UCL) y Oliver Hauser (Exeter), publicado en Science Advances: 293 personas escribieron relatos cortos, unas sin ayuda y otras con ideas generadas por IA, evaluados por 600 jueces. El resultado es doble. La IA mejoró la creatividad individual, sobre todo la de los escritores menos creativos. Pero los relatos asistidos por IA se parecían más entre sí que los escritos sin ayuda. Los autores lo llaman un dilema social: cada uno escribe mejor, y el conjunto produce menos variedad. Una revisión publicada en Trends in Cognitive Sciences en 2026, firmada por Sourati, Ziabari y Dehghani (Universidad del Sur de California), amplía el cuadro: la homogeneización aparece en el estilo, en las perspectivas y en los patrones de razonamiento, los modelos se alinean con la visión del mundo occidental y universitaria (lo que la literatura llama sesgo WEIRD), y el efecto persiste aunque se suba la 'temperatura' del modelo o se le pida que adopte personajes distintos. Otro estudio reciente midió la 'diversidad epistémica' —cuántas fuentes y perspectivas distintas aparecen en las respuestas— y encontró que los chatbots ofrecen menos diversidad que una búsqueda web tradicional, y que hacer los modelos más grandes no lo arregla. El marco teórico viene de antes: Kleinberg y Raghavan demostraron en 2021 que cuando muchos deciden con el mismo algoritmo, el bienestar colectivo puede caer aunque ese algoritmo sea el mejor disponible, porque los errores se correlacionan. Bommasani y otros lo verificaron en 2022: cuando varios sistemas comparten el mismo modelo base, las mismas personas son rechazadas por todos a la vez.

POR QUÉ CONVERGE. Hay tres mecanismos, y ninguno es malicioso. Primero, la mecánica básica: un modelo de lenguaje predice la palabra más probable, así que tiende de forma natural hacia lo más frecuente, hacia el centro de lo que ha leído. Andrew Peterson (Universidad de Poitiers) llama a la consecuencia 'colapso del conocimiento': si la respuesta promedio es casi gratis, cada vez menos gente paga el coste de ir a las fuentes raras, y las colas del saber se van quedando sin visitantes. En su simulación, bastaba con que el contenido generado por IA fuera un 20% más barato que buscar las fuentes originales para que las creencias públicas acabaran 2,3 veces más lejos de la verdad. Segundo, el afinado humano. El RLHF —el proceso por el que humanos puntúan respuestas del modelo para enseñarle qué preferimos— premia lo que nos gusta, no necesariamente lo cierto. La propia Anthropic documentó que tanto los evaluadores humanos como los modelos de preferencia eligen una fracción no despreciable de veces la respuesta aduladora y bien escrita por encima de la correcta. La adulación (sycophancy: la tendencia del modelo a darte la razón) no es un fallo puntual: es el consenso amable convertido en producto. Tercero, el bucle de ida y vuelta. Un experimento de Cornell con 1.506 participantes mostró que escribir con un asistente de IA sesgado desplaza la opinión del usuario, no solo su texto: lo llamaron 'persuasión latente'. Y esos textos influidos vuelven a internet, que es el material de entrenamiento de la siguiente generación de modelos. La media se retroalimenta.

EL PRECEDENTE. La humanidad ya pasó por esto, pero nunca exactamente así. La imprenta estandarizó la ortografía y los textos canónicos, y aun así multiplicó la diversidad, porque cada imprenta era una voz nueva: sin ella no hay Reforma ni ciencia moderna. La Encyclopédie quiso meter todo el saber en una sola obra, pero era un punto de partida: te obligaba a seguir leyendo fuera. Google concentró la puerta de entrada al conocimiento, pero apuntaba hacia fuera: su página de resultados te enviaba a millones de webs distintas. El chatbot rompe ese patrón. No te señala las fuentes: las sustituye por una síntesis única. Y la puerta es estrechísima. OpenAI declara más de 800 millones de usuarios semanales de ChatGPT, y los agregadores de tráfico basados en Similarweb estiman que en mayo de 2026 ChatGPT concentraba en torno al 54% del tráfico web de chatbots, Gemini un 28% y Claude un 9%: tres empresas suman más del 90% de las consultas. Ninguna tecnología del conocimiento había concentrado tanto no ya el acceso, sino la respuesta misma.

LOS CONTRAARGUMENTOS SERIOS. El primero es la personalización: si el modelo se adapta a cada usuario —memoria, contexto, el 'alineamiento pluralista' que estudia la literatura reciente—, mil millones de personas no recibirían la misma respuesta, sino mil millones de variantes. Es la vía más prometedora, pero hoy es más promesa que realidad: la revisión de Trends in Cognitive Sciences constata que la homogeneización persiste incluso con personas simuladas y ajustes de temperatura. El segundo es la explosión de modelos abiertos (open-weight: modelos cuyos pesos se pueden descargar y ejecutar en hardware propio). GLM, Qwen, DeepSeek o Kimi, más sus miles de afinados locales, hacen que el oráculo no sea literalmente único. Lo celebramos —es nuestra tesis de fondo sobre democratización—, pero con una cautela: muchos modelos no equivalen a muchas distribuciones si casi todos se entrenan con los mismos datos de la misma web y con recetas parecidas. El tercero es técnico y esperanzador: el estudio de diversidad epistémica encontró que la generación aumentada por recuperación (RAG: cuando el modelo busca documentos externos antes de responder) mejora la diversidad de las respuestas. Es decir, la monocultura no es una ley física: es una elección de diseño.

NUESTRA LECTURA. En el corto plazo, el riesgo es real y está infravalorado porque no se ve: nadie nota que su idea es la misma que la de otros diez millones de usuarios. Por eso nuestra propuesta es que la diversidad de salida se mida y se publique como hoy se miden la precisión o la seguridad: debería ser un benchmark estándar, con incentivos para los laboratorios que premien las respuestas raras y correctas, no solo las agradables. También hay deberes para el usuario: usar la IA después de pensar, no antes —el estudio de Doshi y Hauser sugiere que el orden importa—, y tratar la respuesta del chatbot como un punto de partida que señala fuentes, no como un veredicto. En el largo plazo, mantenemos nuestro optimismo matizado, por dos razones. La primera: para la mayoría de la humanidad el oráculo único no sustituye a una biblioteca diversa, sino a nada; cientos de millones de personas acceden por primera vez a un tutor competente en su idioma, y eso, bien diseñado, es una ganancia neta de diversidad cognitiva global, no una pérdida. La segunda: a diferencia del sesgo de los algoritmos de recomendación, que tardamos quince años en tomar en serio, aquí la ciencia llegó antes que la catástrofe: tenemos las métricas, los mecanismos identificados y las palancas (RAG, pluralismo, modelos abiertos, ecosistemas locales y soberanos). El primer siglo de la imprenta lo decidieron los impresores y los lectores, no la máquina. Este también. La pregunta no es si la IA homogeneiza —lo hace, y está medido—, sino si trataremos la diversidad del pensamiento como lo que es: una infraestructura crítica de la civilización, tan digna de inversión como la potencia de cálculo.