---
title: "¿Por qué la supuesta creatividad de la inteligencia artificial nos está llevando a un pensamiento idéntico?"
description: "Los modelos de lenguaje generan ideas aparentemente originales, pero colectivamente repetitivas amenazando la diversidad del pensamiento humano."
url: https://www.actualidadenpsicologia.com/creatividad-ia-pensamiento-identico/
date: 2026-07-21
modified: 2026-07-21
author: "Redacción"
image: https://www.actualidadenpsicologia.com/wp-content/uploads/creatividad-ia-pensamiento-identico_Dp_118246380_L.webp
categories: ["Avances en psicología"]
tags: ["Ciberpsicología", "Creatividad", "Inteligencia Artificial", "Investigación"]
type: post
lang: es
---

# ¿Por qué la supuesta creatividad de la inteligencia artificial nos está llevando a un pensamiento idéntico?

En los últimos años, los modelos de lenguaje a gran escala (*LLMs*, por sus siglas en inglés) se han posicionado como asistentes idóneos para el proceso creativo. Ya sea para redactar historias, estructurar código o generar ideas de negocio, millones de usuarios recurren a la IA confiando en su capacidad de generar propuestas novedosas. Pero, *¿qué ocurre si la supuesta "originalidad" de la IA es únicamente un efecto óptico y, en realidad, todas las computadoras están teniendo exactamente la misma idea?*

Un estudio publicado por Wenger y Kenett (2026) abordó esta inquietud analizando no solo un modelo aislado (como ChatGPT), sino una amplia gama de arquitecturas abiertas y cerradas para determinar si la falta de variedad es un defecto de una herramienta específica o un rasgo intrínseco de la IA generativa.

Para comprender este fenómeno, conviene desarmar cómo mide la psicología cognitiva la capacidad creativa. Tradicionalmente, la creatividad verbal se evalúa mediante dos pilares:

- **Pensamiento divergente:** La habilidad de generar múltiples soluciones a partir de un solo punto de partida, medida habitualmente con la Tarea de Usos Alternativos (AUT, por sus siglas en inglés).
- **Pensamiento asociativo:** La capacidad de navegar por la memoria y conectar conceptos lejanos entre sí, evaluada mediante tareas como la Tarea de Asociación Divergente (DAT) o el Flujo Hacia Adelante (FF).

En estas pruebas, la **originalidad individual** se calcula midiendo la *distancia semántica* entre el estímulo inicial y la respuesta. Piensa en la distancia semántica como la trayectoria de un viaje mental: si te digo "libro" y respondes "leer", la distancia es corta; si respondes "aislante acústico para paredes", has recorrido una distancia semántica mucho mayor.

A primera vista, los modelos de lenguaje parecen dominar este juego. Cuando evalúas a ChatGPT, Gemini o Llama de forma aislada, suelen obtener puntuaciones de distancia semántica más altas que el humano promedio. Parecen máquinas de ideas originales.

Sin embargo, Wenger y Kenett introdujeron un métrica poblacional crucial: la **variabilidad inter-respuesta**. Siguiendo nuestra analogía del viaje, los modelos de inteligencia artificial efectivamente viajan muy lejos del punto de origen, pero *todos aterrizan exactamente en el mismo destino*. La inteligencia artificial no está explorando un mapa amplio de posibilidades; está ejecutando la misma desviación estadística una y otra vez.

![¿Por qué la supuesta creatividad de la inteligencia artificial nos está llevando a un pensamiento idéntico?](https://www.actualidadenpsicologia.com/wp-content/uploads/Creatividad-humanos-vs-modelos-llm-1024x571.webp)

## Una monocultura algorítmica revelada por los datos

El equipo de investigación analizó las respuestas de 102 participantes humanos y las comparó con las de 22 modelos de lenguaje de familias arquitectónicas independientes (como OpenAI, Google, Meta, Anthropic y Mistral). Los resultados dibujaron un patrón inequívoco:

### 1. Superioridad individual frente a pobreza colectiva

En la prueba AUT, los modelos de lenguaje superaron ligeramente a los humanos en originalidad individual (*u = 0.711$ vs. u = 0.696*). Sin embargo, al medir la variabilidad poblacional entre modelos, la diversidad semántica de la IA se desplomó a *u = 0.459*, en comparación con el demostrado por los humanos.

La diferencia arrojó una magnitud de efecto descomunal (*d = 1.8, t(308) = 12.6, p < 0.001*). En métricas de ciencias de la conducta, un tamaño de efecto superior a $0.8$ se considera masivo, lo que confirma que la repetición entre modelos no es un azar, sino una constante estructural.

### 2. El callejón sin salida de la "temperatura"

Se suele asumir que ajustar la "temperatura" de un modelo (el parámetro que controla la aleatoriedad de sus selecciones de palabras) resuelve la falta de variedad. Wenger y Kenett probaron temperaturas desde *0.5* hasta *2.0. A T = 2.0*. A  la variabilidad entre modelos alcanzó niveles humanos (*u = 0.672*), pero a costa de la coherencia: los textos se convirtieron rápidamente en incoherencias sintácticas e inventos léxicos inservibles. No existe un punto medio donde la IA gane imaginación sin perder la lógica básica requerida para completar la tarea.

### 3. La trampa del *prompting*

¿Puede un comando persuasivo corregir el problema? Los investigadores probaron *prompts* del sistema crecientemente agresivos, incentivando al modelo a ser "lo más audaz y original posible". Aunque el *prompting* elevó la originalidad individual del modelo a *u = 0.754*, la variabilidad colectiva apenas se movió a *u = 0.551*, manteniéndose abismalmente lejos de la diversidad humana (*u = 0.699*).

Esto significa que da igual qué modelo utilices o qué tan elaborado sea tu *prompt*; si recurres a un LLM como socio creativo para una campaña publicitaria, un guion o un diseño de producto, estás recibiendo la misma idea "original" que millones de personas más están obteniendo en ese preciso instante.

 

El diseño del estudio cuidó de forma exhaustiva las posibles variables confusoras. Para garantizar que la baja variabilidad de la IA no fuera un mero artefacto de cómo estructuran sus oraciones (uso recurrente de ciertas conjugaciones o gramáticas), los autores realizaron controles experimentales aislando la estructura sintáctica de la sustancia semántica. La homogeneidad se mantuvo firme.

Asimismo, al analizar modelos pertenecientes a la misma familia (como la serie Llama 3), la similitud entre respuestas fue aún más pronunciada.

## Límites del estudio

### Modelos alineados frente a modelos locales

El trabajo evaluó modelos accesibles vía API pública. Estos modelos pasan por un proceso de alineación por refuerzo (RLHF) para garantizar respuestas seguras y útiles. Investigaciones previas sugieren que la alineación reduce la aleatoriedad. Es posible que modelos *open-weight* sin alinear muestren dinámicas distintas, aunque los modelos comerciales representan la aplastante mayoría del uso real.

### La validez de las pruebas humanas en IA

Existe un debate sobre si las pruebas de lápiz y papel diseñadas para la cognición humana son herramientas legítimas para evaluar redes neuronales. Los autores aclaran que no buscan medir la "creatividad intrínseca" de la IA como constructo mental, sino la propiedad empírica de sus distribuciones de salida frente a estímulos verbales.

## ¿Hacia un estrechamiento del horizonte cultural humano?

Si la creatividad prospera gracias a la heterogeneidad y el choque de perspectivas disímiles, la adopción masiva de LLMs como herramientas de lluvias de ideas corre el riesgo de crear un ciclo de retroalimentación empobrecedor.

Al delegar la fase exploratoria del pensamiento a motores estadísticos, nos arriesgamos a converger hacia una "media dorada" bastante predecible. La verdadera innovación humana no surge únicamente de calcular distancias entre palabras en un mapa vectorial; está arraigada en la corporalidad, las intenciones, la biografía individual y las experiencias vividas, factores que ningún modelo de lenguaje posee.

Quizás la lección más valiosa que nos deja el trabajo de **Wenger y Kenett (2026**) es que la IA no debe sustituir el caos fértil de la mente humana, sino actuar, en todo caso, como un espejo frente al cual contrastar nuestras desviaciones más auténticas.

## Fuentes y recursos de información

**Wenger, E. & Kenett, Y. (2026).** Large language models are homogeneously creative. *PNAS Nexus*, 5, (3). DOI: [10.1093/pnasnexus/pgag042](https://doi.org/10.1093/pnasnexus/pgag042)