La inteligencia artificial también sufre pensamiento de grupo

Piense en un número del 1 al 10. Si le preguntó eso a ChatGPT, Claude o Gemini, lo más probable es que haya recibido un 7. No se trata de adivinación, sino de un sesgo que los investigadores llaman "pensamiento de grupo" de los modelos de lenguaje. La mayoría de los LLMs están atrapados en una rutina predecible: entrenados con datos similares y técnicas parecidas, convergen hacia las mismas respuestas, limitando la variedad que una mente humana ofrecería de forma natural.

Una investigación publicada en NeurIPS —con el elocuente título "Artificial Hivemind"— demostró que al pedir a 25 modelos distintos que escribieran una metáfora sobre el tiempo, el 90% de las respuestas eran variaciones de "el tiempo es un río" o "el tiempo es un tejedor". En cambio, seis colegas humanos dieron seis metáforas completamente diferentes. Como señala la startup australiana Springboards, los chatbots nos hacen sentir que tenemos una conversación personal, pero en realidad recibimos lo mismo que todos los demás.

Las soluciones que buscan romper la monotonía

Springboards desarrolló Flint, un modelo basado en Qwen 3 de Alibaba que, en lugar de combatir las alucinaciones, las abraza selectivamente para generar respuestas más diversas. Cuando se le pidió una campaña para zapatillas New Balance, Claude y ChatGPT coincidieron en "Run your way". Flint propuso "Built to last, run to win". No es ganadora de premios, pero al menos es distinta. La herramienta está dirigida a creativos publicitarios, y sus primeros usuarios reportan que les lanza en direcciones que los modelos convencionales jamás explorarían.

Paralelamente, el equipo chino detrás de R-Diverse identificó un fenómeno llamado "ilusión de diversidad" en los métodos de autoaprendizaje de los LLMs. Aunque los modelos parecían generar preguntas variadas dentro de un mismo lote, a lo largo de varias iteraciones repetían los mismos patrones de razonamiento. Para solucionarlo, implementaron un banco de memoria que penaliza repeticiones históricas y una métrica que mide la diversidad real de habilidades ejercitadas, no solo el cambio superficial en la redacción.

Desde la psicología cognitiva, un estudio de Columbia Business School concluye que los LLMs sufren dos barreras: la fijación (se atascan en las primeras ideas que generan) y la falta de "particionamiento del conocimiento" (cada humano ocupa un rincón distinto del saber, mientras que los modelos promedian todo). La solución está en los prompts: pedir cadenas de pensamiento reduce la fijación, y asignar personajes cotidianos —no genios creativos como Steve Jobs— mejora la variedad al anclar la generación en distintas regiones semánticas. Combinando ambas estrategias, los LLMs pueden superar incluso la diversidad humana.

¿Qué significa esto para América Latina?

Para los ejecutivos latinoamericanos, el riesgo es concreto. Si sus equipos dependen de un mismo modelo —el más popular y barato— para generar ideas de producto, estrategias de marketing o análisis de mercado, están pagando por una ilusión de diversidad. En una región donde cada país tiene realidades culturales, regulatorias y económicas muy distintas, la homogeneización de las respuestas puede traducirse en oportunidades perdidas. Una empresa brasileña que use un LLM genérico para diseñar una campaña para el nordeste puede terminar con un mensaje que funcionaría igual en São Paulo o en Buenos Aires, ignorando matices locales.

Además, el costo de entrenar modelos más pequeños y especializados en datos locales —como Flint que se construyó sobre un modelo abierto— es cada vez más accesible. Esto abre la puerta a que startups y corporaciones latinoamericanas desarrollen sus propias herramientas con diversidad incorporada, en lugar de depender de los gigantes del norte. La regulación también empuja en esa dirección: varios países de la región avanzan en leyes de soberanía de datos que incentivan modelos entrenados localmente.

El reto no es solo técnico, también cultural. Como advierte un estratega de marketing que ha probado Flint, "nueve de cada diez veces lo promedio está bien". La tentación de aceptar lo primero que la IA escupe es fuerte. Pero la verdadera innovación —la que permite a una empresa diferenciarse— suele estar en esos rincones del espacio de soluciones que los modelos homogéneos evitan. Para los líderes latinoamericanos, la pregunta no es si adoptar IA, sino cómo usarla sin que la comodidad de lo promedio ahogue la creatividad que la región necesita para competir.