La “homogeneización” del pensamiento colectivo, la “descarga cognitiva” y el uso pasivo de la IA acaparan los titulares de los medios en torno a los efectos de esta tecnología sobre el razonamiento humano y la creatividad.

En 2011, Sparrow, Liu y Wegner demostraron que, cuando las personas delegan procesos cognitivos en sistemas digitales, tienden a recordar menos y a depender más de fuentes externas. En este contexto, la comunidad científica expresa su preocupación por el riesgo de que las personas piensen y se comuniquen de manera uniforme, ya que aceptar las respuestas de la IA sin cuestionarlas hace que el conocimiento tienda al promedio. En el ámbito académico, esto se traduce en que los estudiantes delegan su capacidad de raciocinio y generan dependencia hacia esta herramienta desde edades tempranas, lo que reconfigura no solo cómo acceden al conocimiento, sino también cómo lo procesan y lo construyen.

Sin embargo, aquí aparece un punto central: la tecnología tiene un efecto amplificador, es decir, puede potenciar tanto la uniformidad como la originalidad. Contrario a lo que se cuestiona, sí existen técnicas para usar la IA como socio creativo, entre ellas la ingeniería de prompts, el ajuste de hiperparámetros y alternativas más sofisticadas, como el despliegue de modelos enriquecidos.

Para los usuarios que utilizan chatbots de IA diariamente, conviene recordar que la calidad de las respuestas depende de saber preguntar. En este sentido, la ingeniería de prompts adquiere protagonismo: si al redactar la instrucción seguimos buenas prácticas —como especificar el rol que consulta (roleplaying), añadir restricciones, forzar analogías o realizar iteraciones críticas—, aumentamos la varianza de los resultados y el modelo se aleja de respuestas genéricas. Esto resulta especialmente útil en etapas iniciales de exploración creativa, como lluvias de ideas o ejercicios de contraargumentación.

A nivel de desarrollo y trabajando directamente sobre capas estadísticas de la IA, la uniformidad deja de ser una propiedad fija y se vuelve una configuración personalizable. Es posible modificar hiperparámetros como temperature, top-p, frequency y presence penalty para obtener más aleatoriedad, diversidad y expandir el marco de respuesta. Con ello, diferentes usuarios pueden preguntar lo mismo, pero con límites creativos adaptados a su preferencia. Cabe señalar que esto tiene un enorme potencial en entornos académicos, ya que permite instaurar métodos avanzados de experimentación creativa desde la academia.

Por último, es acertado señalar que la preocupación acerca de los sesgos algorítmicos está fundamentada en el contexto actual de la IA, ya que los modelos más usados han sido entrenados bajo marcos de razonamiento específicos y carecen de variantes lingüísticas, étnicas, culturales y demográficas que abarquen la diversidad del conocimiento humano. Esto limita, indudablemente, las capacidades creativas de la tecnología.

De hecho, ante esta falta de diversidad, se han impulsado iniciativas privadas que capturan estas divergencias para ofrecer modelos enriquecidos, y también se discute sobre la autonomía de las naciones para desarrollar inteligencias artificiales que respondan a sus contextos regionales.

Actualmente, la IA sigue sin decidir si pensamos igual; quienes administramos la creatividad seguimos siendo nosotros: en cómo preguntamos, en cómo iteramos y configuramos, en la cantidad y calidad de fuentes que alimentan los modelos y, sobre todo, en lo que hacemos con los resultados.

Científica de Datos