|
Getting your Trinity Audio player ready...
|
Cada pocas semanas aparece un nuevo modelo de inteligencia artificial generativa que promete superar a sus rivales en algún ranking. Las grandes tecnológicas presumen de décimas de mejora, de velocidad, de precio y de exámenes aprobados con mejor nota. Sin embargo, un estudio publicado recientemente en The Conversation plantea una pregunta que casi nadie se había hecho: cuando les damos exactamente la misma instrucción, sobre todo en tareas sin una respuesta clara, ¿piensan realmente distinto estos sistemas? Después de haberlo medido en un estudio, la respuesta corta de los autores es que no, o muy poco.
Un experimento con quince pacientes imaginarios
Los investigadores reunieron dieciséis grandes modelos de lenguaje de diez empresas distintas: OpenAI, Anthropic, Google, xAI, Meta, DeepSeek, Mistral, Alibaba y otras dos compañías chinas, Z.ai y MiniMax Group. A todos les dieron los mismos quince casos clínicos de salud mental, descritos por una psicoterapeuta específicamente para este estudio.
El diseño buscaba imitar una situación profesional real. Cada modelo, a solas y sin ver lo que hacía el resto, redactó la valoración propia de un supervisor clínico experimentado: desde qué enfoque interpretaba el caso y qué habría que explorar.
La elección del ámbito no fue casual. Los autores eligieron la psicología a propósito, ya que formular un caso en psicoterapia no tiene una respuesta única. La misma historia admite varias interpretaciones defendibles y elegir entre ellas es cuestión de criterio, no de acierto. Si dieciséis modelos iban a discrepar en algún sitio, tenía que ser ahí.
Medir el significado, no las palabras
El siguiente paso fue cuantificar la diversidad de las respuestas. Los investigadores recogieron más de 7.000 respuestas generadas por los modelos y las compararon por su significado, no por sus palabras, con un índice que respondía a una pregunta sencilla: ¿a cuántas opiniones realmente distintas equivale este conjunto de textos? Dieciséis textos idénticos valen una, y dieciséis sin nada en común, dieciséis.
Un detalle metodológico relevante refuerza la credibilidad del trabajo: el estudio quedó registrado públicamente antes de generar un solo dato, y el código y los resultados son abiertos.
El resultado: menos de dos opiniones
El hallazgo central es contundente. El promedio fue de 1,69 opiniones distintas. Es decir, las respuestas de dieciséis modelos distintos equivalían a menos de dos opiniones.
Para ponerlo en perspectiva, esta cifra resulta más llamativa todavía si se tiene en cuenta que un solo modelo, leyendo el mismo caso dieciséis veces, ya produce por su cuenta el equivalente a 1,43 opiniones. Dicho de otro modo: la variedad que aportan quince competidores adicionales apenas supera la que un único sistema genera por puro azar al repetir la tarea.
¿Por qué ocurre esto? Según los autores, la explicación no es misteriosa ni compleja. Estos modelos compiten con ingredientes muy similares: se entrenan con textos que se solapan y se ajustan con objetivos parecidos. El fenómeno no es exclusivo de este trabajo: la literatura técnica ya habla de una «homogeneidad» de los modelos de lenguaje, e incluso algunos preprints recientes se preguntan si esa convergencia es inevitable y la rastrean hasta los modelos base de los que derivan los productos comerciales.
Por qué importa: los «paneles» de expertos virtuales
La industria lleva tiempo promoviendo la idea de que combinar varios modelos ofrece una especie de comité de expertos. Microsoft presentó, en 2025, un orquestador diagnóstico que describe como un panel virtual de médicos con enfoques diversos, mientras que otros proveedores venden esa misma arquitectura como una plantilla lista para cualquier aplicación.
Los autores son cautos al respecto: no han evaluado esos productos, ni los han probado en tareas con una única respuesta correcta, cuya coincidencia puede medirse contra el acierto. Cuando no hay contestación acertada, la única garantía que ofrece el panel es que sus miembros piensen distinto. Y eso es lo que no ocurrió.
La cuestión tiene también una dimensión regulatoria. El Reglamento de Inteligencia Artificial europeo exige que, en los sistemas de alto riesgo, como los de salud, una persona supervise de verdad sus decisiones. Pero nadie puede revisar miles de decisiones a la hora, así que necesita una regla para saber cuándo mirar: la más natural es hacerlo si los modelos no se ponen de acuerdo. Si los modelos casi siempre coinciden, esa señal de alarma rara vez se activará, y el supervisor humano podría acabar confiando en un consenso que en realidad es un eco.
El riesgo de la confirmación permanente
Más allá de la técnica, el estudio apunta a un problema cognitivo. Una segunda opinión es útil porque puede llevarnos la contraria, plantear retos y mantenernos activos mentalmente. Dieciséis opiniones que coinciden no llevan a la autocrítica, al pensamiento lateral, ni a la duda; solo confirman. Y quien solo recibe confirmación deja de ejercitar justo lo que pide el citado reglamento europeo: tener criterio para decir que no.
Esta preocupación encaja con el contexto general de la investigación sobre IA en salud. Un metaanálisis publicado en npj Digital Medicine que analizó 83 estudios reveló una precisión diagnóstica global del 52,1%. No se encontró una diferencia significativa entre los modelos de IA y los médicos en general, pero los modelos rindieron significativamente peor que los médicos expertos. Por su parte, una revisión sistemática de 205 estudios sobre modelos de lenguaje en salud mental concluyó que, aunque mostraron un rendimiento prometedor a corto plazo, la mayoría de las evaluaciones se basaron en conjuntos de datos pequeños y pruebas de sesión única, lo que subraya la necesidad de una validación a largo plazo antes de su integración clínica.
Límites y conclusión
Los propios autores reconocen el alcance acotado de su trabajo: lo han comprobado en un solo dominio –salud mental– y en español, lo cual obliga a tomar los resultados con prudencia. Queda por ver si la homogeneidad se reproduce en otras especialidades médicas, en otros idiomas o en tareas no clínicas.
Aun así, el mensaje de fondo es claro y trasciende la medicina. Preguntar a muchos modelos solo sirve si alguno puede decir que no. Cuando la segunda opinión resulta ser la primera repetida con otras palabras, lo que está en juego no es tanto lo que saben las máquinas como la capacidad de juicio que nosotros, sus usuarios, dejamos de ejercitar. En un momento en que hospitales, aseguradoras y consultas privadas exploran el uso de estos sistemas como apoyo a la decisión, saber que dieciséis voces pueden ser en realidad una sola es una advertencia que conviene no ignorar.
Generado por Claude Fable 5.1 search
