La IA no deja de inventar historias sobre Elias Thorne, un vigilante de faro que nunca existió, y los expertos acaban de encontrar la razón

La confianza ciega en respuestas automáticas hace que muchos errores pasen como si fueran certezas, incluso cuando la herramienta que responde falla más de lo que se percibe. Esa sensación de precisión se construye con textos fluidos y seguros, lo que lleva a aceptar datos sin comprobarlos y a repetirlos como válidos en contextos cotidianos.

Al mismo tiempo, esa misma tecnología tiende a repetir fórmulas, estructuras y elecciones narrativas hasta que se vuelven previsibles, como si siempre girara alrededor de los mismos recursos. Ese doble fenómeno, la credibilidad que se le otorga y la repetición de patrones, termina dejando rastros que permiten observar cómo funcionan realmente estos sistemas.

Un estudio destapó los patrones que repiten las inteligencias artificiales

Un estudio reciente analizó miles de relatos generados por modelos de lenguaje y encontró una repetición llamativa de nombres, escenarios y profesiones en las historias. La investigación, desarrollada por expertos de la Universidad de Cornell y difundida en arXiv, señala que distintos sistemas producen textos con estructuras muy similares, incluso cuando se les pide creatividad.

El equipo examinó más de 20.000 relatos generados por varias inteligencias artificiales para detectar regularidades. En lugar de una variedad amplia de personajes y situaciones, el conjunto mostraba una tendencia clara a repetir los mismos elementos. Ese volumen de textos permitió ver que no se trataba de coincidencias aisladas, sino de un comportamiento sistemático.

Dentro de ese conjunto aparecía un grupo reducido de palabras que se repetía en el 88% de las historias. Entre ellas estaban nombres como Elias, Mara o Elara, junto a profesiones como farero, relojero o bibliotecario. También se repetían escenarios concretos, con el faro como uno de los más frecuentes, presente en más de la mitad de los relatos analizados.

El caso del nombre Elias resulta especialmente llamativo porque aparece en más de una cuarta parte de las historias generadas. Esa presencia contrasta con su escasa aparición en la literatura real, donde su uso es mucho menos habitual. La diferencia llevó a los investigadores a descartar que el origen estuviera en libros o relatos humanos ampliamente difundidos.

La explicación apunta a cómo se entrenan y ajustan estos sistemas. Por un lado, el proceso de alineación limita el tipo de contenido que pueden generar, ya que se evita el uso de personajes protegidos por derechos o temas problemáticos. Esa restricción reduce el abanico de referencias disponibles y empuja a los modelos hacia opciones seguras y repetibles.

A esto se suma el aprendizaje basado en preferencias de usuarios, que refuerza ciertas respuestas frente a otras. Cuando las personas eligen historias similares entre varias opciones, el sistema aprende que ese tipo de relato es el que debe repetir.

Las máquinas terminaron aprendiendo de textos creados por otras máquinas

Ese proceso termina creando un bucle en el que las mismas ideas se refuerzan una y otra vez. La consecuencia es lo que se conoce como mode collapse, un fenómeno en el que la diversidad de resultados se reduce hasta que casi todo sigue una misma fórmula. En lugar de ampliar posibilidades, el sistema se encierra en patrones que ya funcionaron antes, lo que limita su capacidad para generar variaciones reales.

Con el tiempo, esa repetición no se queda dentro de los sistemas, sino que empieza a aparecer fuera de ellos. Según informó 404 Media, el nombre Elias Thorne pasó de ser un personaje recurrente en relatos generados por IA a figurar como autor de libros, músico o creador de contenidos en distintas plataformas. El ingeniero de software Daniel May detectó que las búsquedas de ese nombre crecieron con rapidez en 2026, lo que indica que el fenómeno saltó al espacio público.

Esa expansión tiene que ver con el hecho de que parte de los datos que alimentan a las inteligencias artificiales procede de contenido generado por otras máquinas. Cuando esos textos vuelven a entrar en los sistemas de entrenamiento, se refuerzan los mismos patrones una vez más. Así se forma un circuito cerrado en el que las máquinas aprenden de sus propias creaciones, lo que reduce aún más la variedad de resultados.

El resultado final es un entorno en el que la repetición gana terreno frente a la diversidad. Las historias parecen distintas en la superficie, pero comparten estructuras, nombres y escenarios de forma constante. Esa uniformidad muestra un límite claro: sin nuevas fuentes de información o sin cambios en los procesos de entrenamiento, la producción tiende a parecerse cada vez más a sí misma, como si todas las historias partieran del mismo punto y volvieran siempre al mismo lugar.

Podés leer la noticia haciendo clic acá