El «efecto hivemind»: por qué le pedís una metáfora a la IA y siempre te da la misma

Hacé la prueba. Pedile a un chatbot de IA que te escriba una metáfora sobre el tiempo. Después volvé a pedírselo, en otra conversación. Después probá con otro chatbot distinto. Hay una posibilidad muy alta de que, en algún momento, termines leyendo una variación de "el tiempo es un río".

Esto no es una anécdota simpática. Es un fenómeno que un grupo de investigadores midió con rigor científico, le puso nombre, y ganó por eso uno de los premios más prestigiosos de la investigación en inteligencia artificial.

El experimento que le puso números al problema

Investigadores de la Universidad de Washington (Allen School) publicaron un paper llamado "Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)" — algo así como "Mente colmena artificial: la homogeneidad abierta de los modelos de lenguaje". El estudio ganó el premio al mejor paper de NeurIPS 2025, que es, para dar un punto de referencia, una de las conferencias de investigación en IA más importantes del mundo — el equivalente a ganar el premio principal en el congreso más relevante de tu disciplina.

El equipo evaluó a más de 70 modelos de lenguaje distintos usando un banco de 26.000 preguntas abiertas reales, combinado con más de 31.000 evaluaciones de preferencia humana, en un conjunto de datos que llamaron Infinity-chat. El hallazgo central es lo que ellos bautizaron como el "efecto hivemind" (mente colmena): dos fenómenos que ocurren al mismo tiempo.

El primero es que un mismo modelo, al que le pedís la misma pregunta muchas veces, tiende a repetirse a sí mismo — poca variedad interna. El segundo, más llamativo, es lo que llaman "homogeneidad entre modelos": modelos completamente distintos, hechos por empresas distintas, con arquitecturas distintas, terminan dando respuestas sorprendentemente parecidas entre sí.

El experimento que mejor lo demuestra usó 25 modelos distintos, a los que les pidieron escribir una metáfora sobre el tiempo, 50 veces cada uno. Eso da 1.250 respuestas en total. La gran mayoría de esas 1.250 respuestas se agruparon en solo dos ideas centrales: "el tiempo es un río" y, en un grupo más chico, "el tiempo es un tejedor". Los investigadores repitieron pruebas parecidas con otras preguntas abiertas —desde "¿cuál es el sentido de la vida?" hasta pedirles que escriban un cuento corto sobre un sapo de colores que sale de aventura— y encontraron el mismo patrón de agrupamiento en casi todos los casos. En algunos casos incluso encontraron respuestas casi textuales, palabra por palabra, entre modelos de empresas totalmente distintas.

Uno de los investigadores, la profesora Yulia Tsvetkov, lo resumió con una frase que vale la pena tener en la cabeza: encontraron una convergencia sistemática hacia respuestas similares en preguntas abiertas, lo cual genera preocupación sobre un "groupthink" (pensamiento de grupo) en los sistemas de IA que podría producir puntos ciegos compartidos y errores correlacionados entre modelos distintos.

¿Por qué pasa esto?

La explicación que dan los propios investigadores, y que confirma también OpenAI en declaraciones a MIT Technology Review, no tiene nada de misterioso ni conspirativo: la mayoría de los modelos de lenguaje actuales se entrenan de maneras parecidas, con conjuntos de datos que se superponen bastante entre sí, y con objetivos de entrenamiento similares (ser útiles, coherentes y confiables). OpenAI agregó un matiz importante: entrenar a un modelo para dar respuestas confiables y coherentes tiende a hacer que converja hacia las respuestas más "probables" y familiares — y forzarlo a ser más novedoso puede, a cambio, producir respuestas más débiles o menos confiables.

Es decir: hay un trade-off real, no un simple error de diseño. La misma presión de entrenamiento que hace que un modelo sea bueno resolviendo un bug de código de forma predecible y confiable, es la que hace que ese mismo modelo te tire "el tiempo es un río" cuando le pedís algo creativo.

Una startup que intenta resolverlo — y por qué es difícil

Una empresa llamada Springboards, que viene señalando este problema desde 2023, construyó un modelo propio llamado Flint específicamente para atacarlo. Lo interesante es lo que probaron primero y no funcionó: la solución obvia para generar más variedad en un modelo de IA es subir un parámetro técnico llamado "temperatura", que controla cuánto azar hay en cada palabra que el modelo elige. Springboards probó subir la temperatura al máximo en un modelo de OpenAI, y el resultado fue que las respuestas empezaban en inglés y a mitad de oración se pasaban a código de programación sin sentido. Concluyeron que la temperatura es una herramienta demasiado tosca: subir el azar en cada palabra del texto rompe la coherencia general.

En cambio, entrenaron a Flint para identificar puntos específicos dentro de una respuesta donde meter la variedad tiene sentido —por ejemplo, el nombre del destino de viaje en una respuesta sobre "¿adónde debería ir de vacaciones en Europa?"— y dejar el resto de la respuesta con la estructura normal y confiable. Una fundadora de una consultora de estrategia de marca, que probó Flint contra Claude, Gemini y ChatGPT con la consigna de reinventar una empresa financiera para un público joven, encontró que los tres modelos mainstream convergían en la misma idea: contenido educativo sobre finanzas con formato de entretenimiento ("edutainment").

Por qué esto no es un tema menor

Vale ser justos con la magnitud del problema. Para código, investigación, y la mayoría de las tareas de trabajo empresarial, esta convergencia hacia la respuesta de alta probabilidad es, en la práctica, una virtud, no un defecto: es la misma presión de entrenamiento que hace que un modelo sea confiable para escribir código de producción o resolver una consulta legal de forma consistente. El problema aparece específicamente cuando usás IA para tareas donde la variedad y lo inesperado son el valor que estás buscando: brainstorming creativo, ideación de marca, escritura literaria, o cualquier ejercicio donde la originalidad importa más que la corrección.

Los propios autores del paper señalan una preocupación de fondo que va más allá del uso cotidiano: si cada vez más personas dependen de estos sistemas para tareas creativas, la exposición constante a un conjunto reducido de ideas homogeneizadas podría, con el tiempo, influir sutilmente en cómo piensa la gente, reduciendo la diversidad cultural e intelectual general, y limitando la representación de perspectivas minoritarias que no están sobrerrepresentadas en los datos de entrenamiento.

Qué podés hacer con esto, en la práctica

Esto se traduce en consejos bastante concretos si usás IA para trabajo creativo:

• Para brainstorming real, no confíes en la primera respuesta de un solo modelo. Si la variedad de ideas te importa, pedile explícitamente al modelo que te dé opciones deliberadamente distintas entre sí, o consultá más de un modelo y compará.
• Desconfiá de una idea "obvia" que te da la IA en un contexto competitivo. Si tu competencia también usa IA para lo mismo (una campaña de marketing, un nombre de producto, un eslogan), hay una probabilidad real de que terminen convergiendo en ideas parecidas sin saberlo.
• Usá la IA para descartar lo obvio, no para encontrar lo original. Una estrategia práctica: pedile a la IA sus primeras cinco ideas, y después usalas como lista de lo que definitivamente no vas a hacer, porque es lo primero que se le ocurre a cualquiera que use la misma herramienta.
• Para código, análisis y tareas técnicas, esta convergencia jugás a tu favor — es la misma razón por la que estos modelos son cada vez más confiables para tareas de ingeniería. No hace falta "curarte" de eso ahí.

La conclusión más honesta de todo esto es una que vale la pena repetir cada vez que alguien te diga que la IA "ya es más creativa que un humano": los modelos actuales son extraordinariamente buenos dando la respuesta correcta y esperable. Ser genuinamente original todavía es, por ahora, un problema sin resolver — y no por falta de inteligencia del modelo, sino por cómo fue entrenado para comportarse.

También en Criterio AI

Este punto complementa nuestra guía sobre usar agentes de código sin romper tu proyecto: la IA puede acelerar mucho, pero conviene diseñar el proceso para que no te devuelva siempre el promedio.