Cuando la IA corrige nuestra voz
Las herramientas capaces de hacer un texto más correcto, fluido y convencional pueden estar produciendo, al mismo tiempo, un efecto menos visible: reducir determinadas formas medibles de diversidad lingüística. Un estudio publicado en Nature Human Behaviour permite empezar a cuantificar ese fenómeno, aunque sus resultados están lejos de demostrar que las máquinas estén uniformando la cultura humana.
Existe una paradoja en el corazón de la escritura asistida por inteligencia artificial. Cuanto mejor funciona una herramienta destinada a corregir una frase, ordenar un argumento o pulir un párrafo, más probable parece que el usuario considere satisfactoria su intervención; pero precisamente esa eficacia plantea una pregunta que hasta hace poco pertenecía más a la filosofía del lenguaje que a la investigación empírica: si millones de personas recurren a sistemas construidos sobre grandes distribuciones estadísticas del lenguaje para mejorar su manera de expresarse, ¿puede aumentar la corrección individual mientras disminuye, en determinadas dimensiones, la diversidad colectiva?
Un trabajo publicado el 24 de agosto de 2026 en Nature Human Behaviour, firmado por Zhivar Sourati y otros nueve investigadores vinculados a distintas unidades de la University of Southern California, aporta una respuesta parcial y cuidadosamente delimitada. El estudio, titulado The shrinking landscape of linguistic diversity in the age of large language models, analiza siete conjuntos de datos y más de 880.000 textos mediante varios experimentos y observaciones temporales. Su resultado más llamativo es también el que exige mayor precisión: en determinados experimentos en los que grandes modelos de lenguaje revisaron o «pulieron» textos humanos, la variabilidad de ciertas métricas de complejidad lingüística descendió aproximadamente entre un 21% y un 50%, dependiendo del corpus, de la medida empleada y del modelo utilizado.
La diferencia entre esta formulación y afirmar que «la IA ha reducido un 50% la diversidad del lenguaje» no es retórica. Es la diferencia entre describir lo que demuestra un experimento y convertir un resultado concreto en una afirmación universal que los datos no sostienen.
Qué han medido realmente los investigadores
Hablar de «diversidad lingüística» puede inducir a imaginar inmediatamente dialectos, identidades nacionales, tradiciones literarias o diferencias culturales. El estudio trabaja en un terreno más preciso. Intenta observar la variedad presente en determinados rasgos cuantificables del lenguaje mediante herramientas estadísticas capaces de detectar hasta qué punto un conjunto de textos presenta mayor dispersión o mayor concentración en sus elecciones léxicas y estructurales.
Entre las medidas utilizadas aparecen la entropía de Shannon, el índice de Simpson, la relación entre tipos y palabras —type-token ratio—, los hapax legomena y la longitud media de las dependencias sintácticas. No es necesario conocer sus fórmulas para comprender qué buscan. La entropía de Shannon permite describir, en términos generales, hasta qué punto las opciones observadas se distribuyen de manera diversa o se concentran en unas pocas formas recurrentes. El índice de Simpson ofrece otra manera de aproximarse a la diversidad o concentración de una distribución. La type-token ratio compara la cantidad de formas léxicas diferentes con el volumen total de palabras y sirve, por tanto, como indicador de variedad léxica. Los hapax legomena son formas que aparecen una sola vez dentro del conjunto examinado, mientras que la longitud de las dependencias permite aproximarse a características de la estructura sintáctica.
Ninguna de estas métricas equivale, por sí misma, a «la riqueza del lenguaje». Mucho menos a la riqueza de una cultura. Lo que proporcionan es algo más limitado y, precisamente por ello, científicamente útil: maneras reproducibles de observar si ciertos rasgos lingüísticos presentan más o menos variabilidad antes y después de una intervención.
Los autores aplicaron este enfoque a materiales muy distintos: ensayos, respuestas a dilemas morales, conversaciones empáticas, intervenciones del Congreso de Estados Unidos, resúmenes de arXiv, textos de Reddit y noticias locales de Patch. En los experimentos de reescritura, el resultado general fue una reducción apreciable de la variabilidad en varias de las medidas analizadas. Es decir, después de pasar por los modelos, determinados textos tendían estadísticamente a parecerse más entre sí en ciertos rasgos que antes de la intervención.
Eso sí es un resultado experimental. Y merece atención.
Un experimento no es una historia de la sociedad
El trabajo contiene, sin embargo, una segunda clase de evidencia que conviene no mezclar con la primera. Además de intervenir directamente sobre textos y comparar el antes y el después, los investigadores examinaron grandes series temporales de Reddit, arXiv y medios locales. Los tres grandes corpus utilizados en esta parte reúnen aproximadamente 778.000 documentos.
En ellos aparecen transformaciones a lo largo del tiempo compatibles con una presencia creciente de escritura asistida por inteligencia artificial. La formulación «compatibles con» resulta esencial. En el experimento de reescritura existe una intervención identificable: se introduce un texto, un modelo lo modifica y después se comparan determinados rasgos. En la observación histórica de millones de textos publicados a lo largo del tiempo no existe semejante control. La escritura puede cambiar por numerosas razones y la coincidencia temporal con la difusión de los grandes modelos de lenguaje no permite atribuirles automáticamente toda la evolución detectada.
El estudio, por tanto, contiene una evidencia causal acotada y una evidencia observacional más abierta. En situaciones experimentales concretas, la intervención del modelo cambia las métricas de diversidad examinadas. En los grandes corpus públicos existen, además, tendencias compatibles con una creciente influencia de la escritura asistida. Pasar de esas dos afirmaciones a sostener que «la sociedad está escribiendo cada vez más igual por culpa de la IA» supondría recorrer una distancia que la investigación no ha demostrado.
La cautela no disminuye la importancia del hallazgo. La sitúa en el lugar correcto.
La máquina que mejora también selecciona
La cuestión intelectualmente más fértil aparece cuando se considera qué significa «mejorar» un texto. Un asistente lingüístico no necesita imponer deliberadamente un estilo uniforme para producir convergencia. Basta con que, al resolver de manera repetida problemas parecidos —una frase poco clara, una transición brusca, una formulación extraña, una construcción poco habitual—, tienda a escoger soluciones estadísticamente recurrentes.
Desde el punto de vista del usuario, el resultado puede ser indiscutiblemente beneficioso. Una frase confusa puede convertirse en clara; un párrafo desordenado, en coherente; una explicación torpe, en inteligible. El problema no reside en negar esas mejoras, sino en advertir que una optimización local puede tener consecuencias agregadas distintas de las que percibe quien utiliza la herramienta.
Una peculiaridad lingüística puede ser un error. También puede ser una huella personal. Dos fenómenos superficialmente parecidos —apartarse de la norma— pueden representar, en un caso, una deficiencia que merece corrección y, en otro, una singularidad expresiva que merece conservarse. Los modelos no resuelven por sí solos esa distinción filosófica. El estudio tampoco afirma que aquello que desaparece sea necesariamente valioso. Una reducción de variabilidad podría eliminar ruido, reiteraciones o construcciones deficientes; podría asimismo atenuar rasgos idiosincrásicos. Determinar qué parte corresponde a cada fenómeno continúa siendo una pregunta abierta.
Ahí se encuentra uno de los límites más importantes de cualquier lectura cultural de los resultados: medir convergencia no equivale a valorar moral o estéticamente aquello que converge.
Lo que cambia para quien escribe
Para un estudiante, un investigador, un profesional o un escritor, la consecuencia inmediata del trabajo no debería ser el rechazo de los asistentes de inteligencia artificial, sino una comprensión más rigurosa de lo que significa delegar parte de la expresión. La herramienta no se limita necesariamente a corregir errores objetivos; puede introducir patrones de redacción compartidos con otros usuarios que reciben correcciones semejantes.
Esto importa particularmente cuando se confunde corrección con neutralidad. Una frase transformada por un modelo puede resultar más convencional sin ser por ello la única formulación correcta. Una estructura puede ser más frecuente sin ser intelectualmente superior. Una palabra puede ser más habitual sin expresar mejor exactamente aquello que el autor quería decir.
Cuanto mayor sea la confianza depositada en la propuesta automática, mayor será, presumiblemente, la importancia de distinguir entre la ayuda que resuelve un problema y la intervención que sustituye una decisión expresiva. El propio estudio deja abierta una cuestión decisiva: no sabemos todavía con precisión cómo varía el efecto según el grado de dependencia del asistente, ni si se reproduce de igual manera en otras lenguas, ni qué ocurre cuando quienes utilizan estas herramientas son escritores expertos en lugar de usuarios ocasionales.
Tampoco sabemos si la convergencia observada en inglés aparecerá de la misma manera en español o en ecosistemas lingüísticos con estructuras, tradiciones y relaciones sociolingüísticas diferentes. Generalizar antes de disponer de esa evidencia sería precisamente repetir el error que el propio trabajo invita a evitar.
De la estadística a la cultura
Existe, no obstante, una pregunta cultural legítima que puede formularse sin transformar una hipótesis en un hecho. Las lenguas nunca han sido estáticas. La educación, la imprenta, los medios de comunicación, las instituciones, las migraciones y las tecnologías han contribuido durante siglos a modificar vocabularios, normas y estilos. La aparición de sistemas capaces de intervenir directamente sobre la escritura cotidiana introduce una novedad de escala: una misma clase de intermediario lingüístico puede participar en millones de decisiones expresivas individuales.
Lo relevante no es imaginar una máquina que dicta cómo debemos escribir. Es comprender una dinámica mucho más silenciosa. Cada usuario conserva capacidad de decisión; cada modificación puede parecer insignificante; cada texto sigue siendo formalmente suyo. Pero si una multitud de personas acepta, de manera independiente, soluciones producidas por sistemas que comparten determinados patrones estadísticos, pequeñas decisiones semejantes pueden acumularse.
La investigación de Sourati y sus colegas no demuestra que ese proceso esté homogeneizando la cultura humana. Sí aporta evidencia significativa de que, bajo condiciones concretas, la intervención de grandes modelos puede reducir determinados tipos medibles de variabilidad lingüística. Esa diferencia debe preservarse porque constituye precisamente aquello que convierte el hallazgo en conocimiento y no en alarma.
Cuando tener voz propia deja de ser automático
Durante buena parte de la historia de la escritura, conservar una voz propia significaba en gran medida aprender a escribir: leer mucho, dominar una lengua, reconocer influencias, corregirse y adquirir progresivamente una forma de expresión. La asistencia lingüística automatizada introduce una tarea adicional. Ya no basta necesariamente con saber qué queremos decir; puede ser preciso decidir también qué parte de la manera de decirlo estamos dispuestos a delegar.
No existe en los datos una demostración de que los grandes modelos estén destruyendo la diversidad cultural, ni de que todos vayamos a terminar escribiendo igual. Tampoco existe fundamento para considerar irrelevante la convergencia observada. Entre ambos extremos aparece una cuestión más interesante: una tecnología puede mejorar innumerables textos individualmente y, al mismo tiempo, favorecer estadísticamente determinadas soluciones compartidas.
El desafío, por tanto, no consiste en decidir si la inteligencia artificial es buena o mala para el lenguaje. Consiste en aprender a distinguir la corrección de la uniformidad, la asistencia de la sustitución y la claridad de la renuncia involuntaria a la singularidad.
Quizá la consecuencia cultural más importante no pueda medirse todavía. En una época en la que escribir mejor puede resultar tan sencillo como aceptar una propuesta automática, conservar una voz propia puede dejar de ser únicamente el resultado espontáneo de nuestra manera de hablar y convertirse, cada vez más, en una competencia intelectual deliberada.
Bibliografía
Sourati, Zhivar et al., The shrinking landscape of linguistic diversity in the age of large language models, Nature Human Behaviour, publicado el 24 de agosto de 2026.
Sourati et al., material suplementario asociado al artículo.
Sourati et al., código y conjuntos de datos publicados por los autores cuando las licencias lo permiten.
Nature, Research Briefing asociado al trabajo.
PubMed, registro bibliográfico del artículo.
Lecturas recomendadas
El artículo original de Sourati et al., como referencia principal para comprender el diseño experimental, las métricas empleadas y los límites de los resultados.
El material suplementario del estudio, especialmente útil para examinar con mayor detalle los corpus, procedimientos y diferencias entre modelos.
Los trabajos de Zhang et al. citados por los autores sobre procesos de homogeneización mediante sistemas generativos.
Los estudios de Lee et al. citados en la investigación sobre efectos de la intervención de modelos de lenguaje en textos humanos.
Los trabajos de Wang et al. incorporados en la bibliografía del artículo sobre convergencia y señales identitarias.
La literatura de estilometría de Stamatatos citada por los investigadores, pertinente para comprender la relación entre rasgos lingüísticos, autoría e identidad.
Comentarios