La IA se ha comido internet: se acabó el dato gratis, no ha empezado el colapso

LA TESIS. No nos hemos quedado sin datos: nos hemos quedado sin datos gratis. El «pico de los datos» que anunció Ilya Sutskever es real como final de una era, la del raspado ilimitado de texto humano público. Pero el «colapso de los modelos» —la idea de que las IA degenerarán por entrenarse con sus propios desechos— ni está ocurriendo ni es inevitable. La literatura científica dice algo más preciso: lo sintético destruye cuando sustituye al dato humano, y funciona cuando lo acompaña, se filtra y, sobre todo, se puede verificar. Y la consecuencia más importante no es técnica, es económica: el texto humano fresco se ha convertido en un activo escaso que, por primera vez, empieza a cotizar.

EL POZO Y SU FONDO. Primero, los hechos. En diciembre de 2024, Sutskever dijo en la conferencia NeurIPS que «los datos son el combustible fósil de la IA» y que hemos alcanzado el «pico de datos»: «solo hay un internet». En enero de 2025, Elon Musk fue más lejos: según él, «la suma acumulada del conocimiento humano» útil para entrenar IA «se agotó básicamente el año pasado». ¿Exageran? No del todo. Epoch AI, el grupo de referencia en medir estas cosas, estimó el stock útil de texto humano público en unos 300 billones de tokens —los fragmentos de palabra con que se mide el entrenamiento— y calculó, con un 80 % de confianza, que se consumiría entre 2026 y 2032; el propio grupo ha ido afinando después esa ventana. Estamos dentro de ella. Y mientras el pozo baja, la web se llena de agua reciclada: según la consultora Graphite, los artículos generados por IA pasaron del 2,2 % en enero de 2020 a superar a los escritos por humanos a finales de 2024, y rondan el 50 % del contenido nuevo desde 2025.

LO QUE DICE (Y NO DICE) EL PAPER DEL COLAPSO. El miedo tiene una fuente seria: el estudio de Ilia Shumailov y colegas publicado en Nature en 2024. Demostró que un modelo entrenado una y otra vez con las salidas de modelos anteriores degenera en pocas generaciones. Y lo primero que se pierde no es la media, sino las colas de la distribución: lo raro, lo minoritario, lo estadísticamente infrecuente desaparece antes que nada. Es un resultado matemático sólido, que aparece igual en modelos de lenguaje y en otras arquitecturas. Pero tiene una letra pequeña decisiva: el experimento sustituye los datos reales por sintéticos en cada ronda. Cuando otro equipo (Gerstgrasser y colegas, 2024) repitió el ejercicio acumulando —lo sintético se añade al dato humano, que nunca se borra—, el error quedó acotado y el colapso no llegó. Eso es lo que ocurre en la web real y en los laboratorios: mezcla, curación agresiva y filtros de calidad. Honestidad obliga: el debate sigue abierto. El trabajo «Strong Model Collapse» sostiene que incluso mezclando, una proporción sintética que no tienda a cero puede degradar el rendimiento. Traducción: no hay apocalipsis a la vista, pero sí un impuesto lento a la calidad si nadie filtra.

DONDE LO SINTÉTICO BRILLA (Y DONDE NO). Aquí está la clave que el meme ignora: lo sintético no es un parche, es un motor — pero solo donde hay un verificador. En matemáticas y código, una respuesta se puede comprobar automáticamente: el test pasa o no pasa, la demostración es válida o no lo es. Eso permite el aprendizaje por refuerzo con recompensas verificables (RLVR): el modelo genera millones de intentos, el verificador descarta la basura y solo lo correcto vuelve al entrenamiento. Los resultados son espectaculares. DeepSeek R1-Zero subió del 15,6 % al 77,9 % en la olimpiada matemática AIME solo con recompensas verificables, según su informe técnico. AlphaGeometry 2, de Google DeepMind, se entrenó con unos 100 millones de problemas de geometría sintéticos y logró, junto a AlphaProof, plata en la Olimpiada Matemática Internacional (28 de 42 puntos). Y Phi-4, de Microsoft, dedicó unos 400.000 millones de tokens sintéticos —cerca del 40 % de su preentrenamiento— según su informe técnico. En cambio, donde no hay verificador —cultura, estilo, hechos del mundo, lo que es verdad hoy— nadie ha demostrado que lo sintético pueda sustituir al dato humano. Ahí la serpiente sí se muerde la cola.

NUESTRA LECTURA. El titular correcto no es «se acabaron los datos», sino «se acabó el dato gratis». Basta mirar dónde está el movimiento real: Cloudflare bloquea por defecto los rastreadores de IA desde julio de 2025 y cobra por acceso (Pay Per Crawl), y ha comprado la startup Human Native para montar un mercado de datos licenciados; Stack Overflow se sumó al pago por rastreo en febrero de 2026; Reddit está pasando de tarifas planas —unos 60 millones de dólares al año de Google y 70 de OpenAI, según cifras publicadas— a precios por uso. El dato humano deja de ser recurso saqueable y pasa a ser activo con precio. Conviene además aplicar nuestra regla de siempre: medir antes que comprar el relato. «Peak data» mezcla una restricción real de ingeniería (el preentrenamiento con texto público toca techo) con un framing interesado: a quien posee silos de datos propios —X, Google, Meta— le conviene declarar seco el pozo común. El colapso como meme apocalíptico está desmentido por la literatura seria; el agotamiento como eslogan de quien vende la alternativa también merece escepticismo.

IMPLICACIONES. A corto plazo, los problemas son reales. Una web medio sintética degrada la señal: las minorías estadísticas —lenguas pequeñas, temas raros, voces poco representadas— son las primeras en difuminarse, y eso es un problema de equidad cultural, no solo de ingeniería. El coste de entrenar subirá, porque la era del dato gratis subvencionaba el progreso. A largo plazo, nuestro optimismo de siempre, matizado, por tres razones. Una: la escasez fuerza la eficiencia; un niño no necesita 300 billones de tokens para aprender a hablar, y los laboratorios tendrán que acercarse a esa curva. Dos: nace una economía que por fin paga al creador humano por el valor que su texto aporta a las máquinas, un trato mejor que el saqueo. Tres: en los dominios verificables la IA ya fabrica su propio combustible, y justo ahí viven las promesas que nos importan —matemáticas, código, ciencia con verificación experimental—; el camino hacia fármacos y curas no depende de raspar más blogs. La serpiente no se está comiendo la cola: está aprendiendo a cazar en otro terreno. El riesgo que sí hay que vigilar no es que los modelos colapsen, sino que escribir en la web deje de compensar a los humanos. Proteger eso —con mercados de datos justos y procedencia clara— es proteger el combustible del que depende todo lo demás.