Preguntar a una inteligencia artificial se ha convertido en una alternativa cotidiana para resolver dudas, explicar conceptos o encontrar información. Sin embargo, recibir una respuesta rápida y organizada no significa necesariamente acceder a la misma variedad de conocimientos disponible mediante una búsqueda tradicional.
Una investigación encabezada por especialistas de la Universidad de Copenhague encontró que los grandes modelos de lenguaje tienden a proporcionar información más uniforme. Esto significa que recurrir únicamente a un chatbot podría reducir la diversidad de perspectivas que encuentra una persona al investigar un tema.
Un chatbot puede concentrar la información disponible
Los investigadores analizaron 27 grandes modelos de lenguaje y los pusieron a prueba con 155 temas diferentes. Para cada uno utilizaron 200 formulaciones de preguntas basadas en consultas realizadas por usuarios reales.
El procedimiento produjo un conjunto de aproximadamente 70 millones de afirmaciones generadas por los modelos. Después, los especialistas compararon la diversidad de esas respuestas con la obtenida mediante búsquedas convencionales en Google.
Los temas incluyeron asuntos como racismo, matrimonio, genocidio y armas nucleares, además de cuestiones políticas, históricas y culturales.
Incluso GPT-5, el modelo que produjo las respuestas más diversas entre los analizados, ofreció al menos 18.7% menos variedad de información que Google, según los resultados del estudio.
La diferencia adquiere importancia porque cada vez más personas utilizan sistemas de inteligencia artificial como puerta de entrada al conocimiento. Si distintas preguntas terminan conduciendo repetidamente hacia información similar, otras perspectivas pueden recibir menos atención.
El riesgo de aprender siempre desde las mismas perspectivas
Los investigadores explican que este comportamiento está relacionado, en parte, con el funcionamiento de los grandes modelos de lenguaje.
Durante su entrenamiento, estos sistemas procesan enormes cantidades de textos y aprenden patrones recurrentes. Al condensar esa información, los contenidos alejados de los patrones más comunes pueden perder presencia en las respuestas.
El fenómeno podría cobrar mayor relevancia si futuros modelos utilizan cantidades crecientes de contenidos producidos previamente por otras inteligencias artificiales.
Los investigadores denominan “colapso del conocimiento” al posible proceso mediante el cual sucesivas generaciones de modelos terminan reproduciendo una variedad cada vez menor de información.
El estudio no concluye que esto esté ocurriendo actualmente. De hecho, los modelos más recientes presentaron respuestas ligeramente más diversas que generaciones anteriores. Los autores señalan, sin embargo, que ya existe el mecanismo que podría favorecer ese problema a largo plazo.
Para estudiantes, esta discusión plantea una cuestión especialmente importante. Una respuesta generada por inteligencia artificial puede funcionar como punto de partida, pero no necesariamente representa todas las explicaciones, fuentes o perspectivas disponibles sobre un asunto.
Contrastar libros, artículos académicos, documentos institucionales, medios especializados y otras fuentes permite identificar diferencias que una respuesta sintetizada podría dejar fuera.
Los autores tampoco plantean abandonar estas herramientas. Su propuesta consiste en utilizarlas de manera crítica y evitar que sustituyan completamente la búsqueda, comparación y evaluación de información.
Además, desarrollaron un método para medir la diversidad informativa de los modelos, con la intención de que pueda utilizarse para evaluar futuros sistemas.
La facilidad para obtener una respuesta, por tanto, no elimina una habilidad esencial para aprender: buscar más allá de una sola fuente y comprender que conocer un tema también implica encontrarse con perspectivas diferentes.
