Hoy hablamos de: La homogeneización del criterio colectivo: cuando millones de personas consultamos la misma IA, nuestras opiniones convergen sin que nadie lo haya acordado. Y de la práctica que protege tu pensamiento propio.
El consenso que nadie eligió: cuando todos empezamos a pensar igual
Dos personas en ciudades distintas hacen la misma pregunta a la misma IA. Reciben la misma respuesta. Llegan a la misma conclusión. Eso tiene estructura de sistema, y también tiene salida.
¿Qué es la homogeneización algorítmica del criterio?
La homogeneización algorítmica es el proceso por el cual las opiniones, decisiones y formas de expresión de muchas personas convergen hacia patrones similares porque todas consultan los mismos sistemas de inteligencia artificial. Los modelos de lenguaje generan la respuesta estadísticamente más probable a partir de sus datos de entrenamiento, de modo que millones de usuarios con preguntas equivalentes reciben variaciones de una misma respuesta central. El efecto se acumula en silencio: cada persona siente que reflexiona por su cuenta mientras el conjunto produce conclusiones cada vez más parecidas.
Un experimento publicado en Science Advances con cientos de escritores midió el fenómeno: el acceso a ideas generadas por IA elevó la calidad individual de las historias y redujo la diversidad colectiva del grupo. Los textos asistidos por IA se parecían significativamente más entre sí que los escritos sin asistencia.
Socioeconomic & Environmental
Power centralization · Pollution of information ecosystem
278 riesgos catalogados · 10% concern global
→ Ver MIT AI Risk Repository NavigatorDos ciudades, una misma conclusión
Hace unas semanas recibí dos correos con pocos días de diferencia. Uno venía de Monterrey, el otro de Bogotá. Dos lectoras que jamás se han cruzado, con vidas distintas, trabajos distintos, edades distintas.
Las dos me contaban una decisión importante que estaban por tomar. Las dos habían consultado la IA para pensarla. Y las dos me compartían la conclusión a la que habían llegado, con la esperanza de una segunda mirada.
Leí el segundo correo y sentí algo extraño. La estructura del razonamiento era la misma que en el primero. Los tres argumentos eran los mismos, en el mismo orden. Hasta la frase de cierre se parecía tanto que volví a abrir el primer correo para ponerlos lado a lado en la pantalla.
Dos personas en ciudades distintas, con la misma pregunta, la misma respuesta y la misma conclusión. La primera palabra que me vino fue coincidencia. La segunda fue sistema.
Quizá te ha pasado algo parecido y lo dejaste pasar. Propones una idea en una reunión y alguien más trae la misma idea, casi con las mismas palabras. Publicas una reflexión y encuentras tres publicaciones gemelas esa misma semana. Le pides a la IA una perspectiva fresca sobre un tema y reconoces el resultado, porque ya lo habías leído en otro lado, dicho por otra persona.
Hay una sensación pequeña y específica en ese momento: la de haber pensado algo que ya estaba pensado. Esta semana quiero darle nombre, porque lo que tiene nombre se puede observar, y lo que se puede observar se puede decidir.
El promedio que se convierte en opinión
Los modelos de lenguaje funcionan con una lógica estadística. Ante una pregunta, generan la respuesta más probable según los millones de textos con los que fueron entrenados. Eso los hace útiles, rápidos y sorprendentemente coherentes. Y eso mismo los hace convergentes.
Cuando tú consultas la IA, y yo consulto la IA, y un millón de personas consultan la misma IA, todos recibimos variaciones de la misma respuesta central: el promedio razonable de lo que la humanidad ya escribió sobre ese tema.
Consultada una vez, esa respuesta es una ayuda. Consultada por todos, todos los días, para las mismas preguntas importantes, se convierte en otra cosa: un consenso. Un consenso que nadie propuso, que nadie debatió y que nadie votó.
Aquí está la idea central de esta semana: cuando todos consultamos la misma IA, empezamos a pensar igual sin haberlo decidido.
El detalle más delicado está en la textura del proceso, porque se siente como pensar. Escribes tu pregunta, lees la respuesta, la ajustas, la haces tuya. La experiencia interna es de reflexión activa. El resultado, visto desde afuera, es una fila de conclusiones casi idénticas firmadas por personas distintas que jamás se pusieron de acuerdo.
Los consensos anteriores de la historia se formaron con fricción: debates, prensa, sobremesas, asambleas, cartas cruzadas. Se podía ver el proceso y se podía disentir en él. Este consenso se forma en millones de conversaciones privadas con el mismo interlocutor, cada una a solas, cada una convencida de su independencia.
Lo que ve el pilar Sentido y Sociedad
El método S.E.N.S.E. dedica un pilar completo a esta clase de fenómenos: Sentido y Sociedad. Su pregunta central es directa: ¿cómo me afecta esto a mí y a la sociedad a largo plazo?
Ese pilar existe porque hay riesgos que resultan invisibles a nivel individual y enormes a nivel colectivo. La homogeneización del criterio es el ejemplo perfecto. Tu conversación de hoy con la IA es inofensiva. La suma de todas las conversaciones de hoy, repetida durante años, redibuja la forma en que una sociedad entera llega a sus opiniones.
Un estudio publicado en Science Advances lo midió con una precisión incómoda: cuando las personas usan IA generativa para desarrollar ideas, la calidad individual de lo que producen sube, y la diversidad colectiva del grupo baja. Cada persona mejora. El conjunto se empobrece.
Traducido a tu semana: tu correo queda mejor redactado, tu análisis queda mejor estructurado, tu decisión queda mejor argumentada. Y al mismo tiempo, tu correo, tu análisis y tu decisión se parecen cada vez más a los de todas las demás personas que consultaron la misma fuente.
Una sociedad piensa bien gracias al desacuerdo fértil. Las mejores decisiones colectivas nacen del contraste entre perspectivas formadas en experiencias distintas: la maestra ve lo que el ingeniero ignora, la madre ve lo que la empresa pasa por alto, el médico rural ve lo que el protocolo urbano deja fuera. Si la fuente de perspectivas se centraliza, el contraste se adelgaza. Y las decisiones colectivas empiezan a heredar los puntos ciegos de un solo sistema.
Un riesgo con dos caras: centralización y contaminación
El MIT AI Risk Repository, el catálogo académico más completo de riesgos de inteligencia artificial, documenta este fenómeno dentro del dominio Socioeconomic & Environmental, en el subdominio de centralización de poder: pocas organizaciones, con pocos modelos, mediando el pensamiento cotidiano de cientos de millones de personas. Cada ajuste que un equipo de producto decide sobre el comportamiento de su modelo alcanza de inmediato a usuarios en todos los continentes.
La segunda cara vive en el dominio de Misinformation: la contaminación del ecosistema informativo. El contenido generado por IA regresa a internet, se convierte en material de entrenamiento de los siguientes modelos, y el círculo se cierra. La IA aprende cada vez más de sí misma y cada vez menos de la diversidad humana original. Los investigadores le han puesto nombre a la versión extrema de este ciclo: colapso de modelo, la degradación progresiva de un sistema que se alimenta de sus propias salidas.
Las dos caras se refuerzan entre sí. La centralización concentra la fuente de las respuestas. La contaminación estrecha lo que esa fuente es capaz de decir. El resultado es un embudo: cada año, la variedad de ideas disponibles en el punto de partida de nuestras conversaciones es un poco menor, y casi nadie lo percibe, porque el embudo se estrecha del lado de adentro.
Quiero ser precisa aquí, porque este tema se presta al alarmismo y el alarmismo apaga el criterio igual que la complacencia. La IA amplía el acceso al conocimiento de formas reales y valiosas. Una persona en un pueblo sin biblioteca hoy conversa con el resumen de miles de libros. El riesgo está en un punto muy específico del proceso: el momento en que la consulta reemplaza a la formación de la opinión, en lugar de alimentarla.
La divergencia como práctica de criterio
Frente a esto hay dos reacciones frecuentes y una tercera más interesante.
La primera: dejar de usar la IA. Esa reacción abandona una herramienta valiosa, y en mi caso queda descartada, porque uso la IA todos los días para pensar más rápido, organizar mejor y ampliar perspectivas. La segunda: seguir usándola exactamente igual y confiar en que el efecto está exagerado. Esa reacción delega el problema al futuro, con intereses.
La tercera es la que esta semana te propongo: la divergencia como práctica de criterio. Usar la IA con una disciplina consciente que protege el espacio donde se forma tu opinión, antes de exponerla al promedio.
Piénsalo así. Tu criterio se forma en el intervalo entre la pregunta y la respuesta. En ese intervalo dudas, conectas tu experiencia, recuerdas un caso parecido, sopesas lo que te importa. Si la IA ocupa ese intervalo siempre, el espacio de formación se encoge hasta volverse un trámite. La práctica de la divergencia devuelve ese espacio: primero llegas a tu conclusión, después consultas, y al final comparas.
En la comparación aparece el oro. A veces la IA te muestra un ángulo que tu razonamiento había dejado fuera, y tu conclusión mejora. A veces tu conclusión contiene algo que el promedio jamás va a generar: tu contexto, tu historia, tu conocimiento del terreno, tu forma particular de ver a las personas involucradas. Ese contraste, repetido semana tras semana, es un entrenamiento de criterio de primer nivel. Y tiene un beneficio colectivo silencioso: cada persona que llega a la conversación con una conclusión propia le devuelve diversidad al sistema completo.
Esta semana: llega primero a tu conclusión
Te dejo el diagnóstico de esta semana. Es una sola pregunta, y merece un momento de silencio antes de que tu mente encuentre la respuesta rápida: ¿qué opinión tienes hoy que sabes que es genuinamente tuya, formada por tu propio razonamiento y tu propia experiencia?
Si la respuesta tarda en llegar, respira. Eso señala el punto exacto donde empezar, con amabilidad y con calma. Todos estamos, en distinta medida, dentro del mismo embudo.
El paso concreto: elige una conclusión importante que necesites formar esta semana. Una decisión de trabajo, una postura sobre un tema que te importa, una respuesta que le debes a alguien. Llega a tu conclusión completa antes de consultar la IA, y escríbela. Después consulta. Al final, compara las dos versiones con honestidad:
- Qué aportó la IA que tu razonamiento había dejado fuera: ese es el valor real de la herramienta cuando llega en segundo lugar.
- Qué aportó tu razonamiento que la IA jamás habría generado: tu contexto, tu historia, tu lectura de las personas involucradas.
- Cuál de las dos versiones podría haberla firmado cualquier persona, y cuál lleva tu firma.
Ese ejercicio, hecho una sola vez, te muestra dónde está tu criterio hoy. Hecho cada semana, lo fortalece como un músculo. La IA seguirá dando la misma respuesta a millones de personas, porque así funciona. Tu trabajo, y el mío, es llegar a cada conversación con algo propio que poner sobre la mesa. Ahí vive la diferencia entre participar del consenso y elegirlo.
¿Por qué la IA da respuestas parecidas a personas distintas?
Los modelos de lenguaje calculan la continuación más probable de un texto a partir de patrones estadísticos aprendidos durante su entrenamiento. Personas distintas que formulan preguntas equivalentes activan los mismos patrones, y por eso reciben estructuras argumentales casi idénticas aunque el fraseo varíe. Los procesos de ajuste posteriores al entrenamiento, orientados a producir respuestas seguras y ampliamente aceptables, refuerzan esta tendencia hacia el centro: el modelo aprende a preferir la formulación de mayor consenso sobre las formulaciones minoritarias o inusuales.
Docentes universitarios de países distintos reportan el mismo patrón al calificar ensayos asistidos por IA sobre un tema común: la misma estructura de tres argumentos, los mismos ejemplos canónicos y conclusiones equivalentes, en trabajos de estudiantes que jamás tuvieron contacto entre sí.
¿Qué es la centralización de poder como riesgo de la inteligencia artificial?
La centralización de poder es un riesgo catalogado en el dominio Socioeconomic & Environmental del MIT AI Risk Repository. Describe la concentración de capacidades de inteligencia artificial en un número reducido de organizaciones cuyos modelos median el acceso a la información, las decisiones y la expresión de millones de personas. Cuando una infraestructura cognitiva compartida pertenece a un puñado de actores, sus criterios de diseño, sus sesgos y sus decisiones comerciales moldean el pensamiento colectivo sin proceso democrático de por medio.
Un puñado de modelos fundacionales concentra la gran mayoría de las consultas de IA generativa en el mundo, de modo que los ajustes de comportamiento que decide un solo equipo de producto alcanzan de inmediato a cientos de millones de usuarios en todos los continentes, con efectos sobre qué respuestas reciben y qué perspectivas quedan fuera.
¿Qué es el colapso de modelo y la contaminación del ecosistema informativo?
El colapso de modelo es la degradación progresiva de un sistema de IA que se entrena, generación tras generación, con datos producidos por otras IAs en lugar de datos humanos originales. Con cada ciclo, el modelo olvida primero los casos poco frecuentes y las perspectivas minoritarias, y converge hacia respuestas cada vez más uniformes y menos fieles a la diversidad real del mundo. La contaminación del ecosistema informativo es la condición que lo hace posible: el contenido generado por IA regresa a internet en volúmenes masivos y se mezcla con el material de entrenamiento de los modelos siguientes.
Un equipo de investigadores demostró en la revista Nature que modelos de lenguaje entrenados recursivamente con sus propias salidas degeneran en pocas generaciones: pierden la riqueza de la distribución original y terminan produciendo contenido repetitivo y empobrecido.
Fuente: Nature, Shumailov et al. (2024)
¿Qué dice la UNESCO sobre la inteligencia artificial y la diversidad de pensamiento?
La Recomendación sobre la Ética de la Inteligencia Artificial de la UNESCO, adoptada por 193 Estados miembros en 2021, establece la diversidad y la inclusión como valores centrales del desarrollo de la IA. El texto pide a los gobiernos y a las empresas proteger la pluralidad cultural, lingüística y de opinión frente a sistemas que tienden a uniformar contenidos, y promueve ecosistemas de IA que reflejen la variedad real de las sociedades humanas en lugar de reducirla.
Decenas de países aplican hoy la metodología de evaluación de preparación de la UNESCO para revisar sus políticas de IA, incluyendo el impacto de los sistemas generativos sobre la diversidad informativa y cultural de sus poblaciones.
Fuente: UNESCO, Recomendación sobre la Ética de la IA (2021)
¿Cómo proteger el pensamiento propio si uso la IA todos los días?
La práctica más efectiva es la divergencia deliberada: formar una conclusión propia antes de consultar la IA, consultarla después, y comparar ambas versiones al final. Esta secuencia protege el intervalo donde el criterio se forma, convierte la respuesta del modelo en un contraste en lugar de un punto de partida, y hace visible qué aporta cada fuente. El método S.E.N.S.E. enmarca esta disciplina en dos pilares: Sentido y Sociedad, que evalúa el efecto colectivo de largo plazo, y Estrategia y Autonomía, que pregunta si cada uso te hace más libre o más dependiente.
Una profesional que aplicó la regla de "conclusión antes de consulta" en sus decisiones de equipo durante un mes reportó dos hallazgos: sus recomendaciones finales mejoraron al integrar el contraste, y recuperó la seguridad de saber qué parte de cada decisión era suya.
Dos caminos para entrenar la divergencia
Curso SENSE abrió sus puertas el 9 de julio: cinco módulos asincrónicos, uno por pilar, con ejercicios aplicados a tu vida real. El módulo de Sentido y Sociedad trabaja exactamente esto: cómo evaluar el efecto colectivo de tus hábitos con la IA y cómo instalar la práctica de la divergencia en tu semana, a tu ritmo y sin reuniones en vivo.
El Código SENSE ya está en manos de sus primeros lectores, y las primeras reseñas coinciden en algo: la historia hace visible lo que la vida cotidiana esconde. Si prefieres reconocer el consenso silencioso en las decisiones de un personaje antes de buscarlo en las tuyas, el libro es tu puerta de entrada al método.
Los dos caminos entrenan el mismo músculo: llegar a cada conversación con la IA con un criterio que te pertenece.
Karine Boucher
Guardiana de la Humanidad Digital
Soy Karine, profesional franco-mexicana con más de 25 años de experiencia en entornos internacionales. Creé el Método SENSE para ofrecer lo que los marcos técnicos de gobernanza no dan: herramientas protectoras, claras y utilizables en la vida real — especialmente para familias y educadores.
Formada en Ciencia de Datos en el MIT y especializada en gobernanza de IA y ética aplicada. Creo que la pregunta más urgente de nuestro tiempo es la de cómo seguir siendo humanos mientras usamos la IA. Y que esa pregunta merece una respuesta con método — con calma, con criterio, con humanidad intacta.