Pídele a cualquier chatbot —ChatGPT, Claude o Gemini— un número al azar entre 1 y 10 y lo más probable es que responda 7. Insiste con otro y dirá 3 o 4; insiste de nuevo y saltará al 8 o al 9. Ese comportamiento tan predecible no es una anécdota curiosa: es la punta visible de un problema más profundo que un grupo de investigadores bautizó como hivemind artificial, o mente colmena, y que preocupa a quienes construyen la próxima generación de modelos.

El fenómeno describe la tendencia de los modelos de lenguaje —sistemas entrenados con enormes cantidades de texto para predecir la palabra siguiente— a converger en las mismas respuestas una y otra vez. Ante preguntas abiertas, no exploran la variedad de opciones posibles: gravitan hacia un puñado de salidas estadísticamente frecuentes. El resultado es una homogeneidad que empobrece tareas donde la diversidad importa, como la generación de ideas, la escritura creativa o la simulación de opiniones distintas.

Un problema que ganó el mejor paper de NeurIPS

El trabajo que sistematizó la cuestión, titulado «Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)», documenta con experimentos cómo distintos modelos, e incluso versiones distintas del mismo modelo, tienden a producir respuestas sorprendentemente parecidas cuando se les plantean preguntas sin una única solución correcta.

La investigación obtuvo uno de los premios al mejor artículo de NeurIPS 2025, una de las conferencias de referencia en aprendizaje automático. El reconocimiento le dio visibilidad a una limitación que muchos usuarios intuían pero que rara vez se medía con rigor.

La raíz del asunto está en cómo se entrenan y ajustan estos sistemas. El ajuste fino con retroalimentación humana —el proceso que vuelve a los modelos más útiles y seguros tras su entrenamiento inicial— tiende a premiar las respuestas más consensuadas y a penalizar las que se salen del molde. Con el tiempo, esa presión estadística concentra las salidas en un terreno seguro y previsible.

Por qué importa más allá del juego del número

La uniformidad tiene consecuencias prácticas. Cuando una empresa usa un modelo para generar decenas de variantes de un texto publicitario, nombres de producto o hipótesis de investigación, la falta de diversidad reduce el valor real de la herramienta: se obtienen muchas versiones de lo mismo. En simulaciones sociales o encuestas sintéticas, donde a veces se pide a la IA que represente distintos perfiles de opinión, el sesgo hacia el consenso distorsiona los resultados.

Hay también una preocupación cultural de fondo. Si millones de personas recurren a un puñado de modelos que convergen en las mismas ideas, formas de escribir y respuestas, existe el riesgo de que la producción de texto asistida por IA se vuelva más uniforme y menos original con el paso del tiempo.

Ese es el hueco que buscan ocupar startups y equipos de investigación que trabajan en técnicas para ampliar la variedad de salidas sin sacrificar calidad ni coherencia. Las aproximaciones van desde ajustar los parámetros de muestreo que controlan cuánto «se arriesga» un modelo al elegir cada palabra, hasta métodos de entrenamiento que penalizan la repetición y recompensan la exploración de respuestas menos obvias.

El desafío es delicado: forzar más aleatoriedad puede degradar la utilidad y volver a los modelos erráticos o incoherentes. El objetivo no es que un chatbot conteste cualquier cosa, sino que, cuando la pregunta admite muchas respuestas válidas, sepa ofrecerlas en lugar de repetir siempre la misma.

Por ahora, el truco del número al azar sigue funcionando. Y mientras el 7 continúe apareciendo, quedará como recordatorio de que estos sistemas, pese a su fluidez, aún piensan de forma más parecida entre sí de lo que aparentan.