Muchos lectores lo han notado de manera anecdótica: el texto escrito por modelos de IA parece cada vez más denso, forzado y extrañamente agotador de analizar, incluso cuando es gramaticalmente perfecto. Una nueva preimpresión publicada en arXiv aporta datos lingüísticos concretos detrás de esa intuición y propone una explicación de por qué está sucediendo.
El estudio, "¿Por qué es tan difícil de entender el lenguaje generado por IA?", fue presentado el 21 de octubre por los investigadores Thomas Hikaru Clark, Matias B. Martin y Kyle Mahowald. Basándose en un corpus novedoso de texto generado por IA en diversos dominios, los autores analizaron un conjunto de características psicolingüísticas que están bien establecidas en la literatura como marcadores de dificultad de procesamiento para los lectores humanos, incluidas cláusulas relativas a objetos, dependencias sintácticas largas y n-gramas de baja frecuencia. Para más contexto sobre esta historia, consulta nuestra noticias de IA.
Lo que midieron los investigadores
La psicolingüística sabe desde hace tiempo que leer no todas las frases cuesta lo mismo. Las cláusulas relativas al objeto ("el senador al que atacó el periodista...") tardan considerablemente más en procesarse que las relativas al sujeto. Las largas dependencias entre palabras obligan a los lectores a retener más material en la memoria. Las secuencias de palabras raras requieren más esfuerzo para recuperarlas e integrarlas. Estas características sirven como regla para medir qué tan difícil es realmente entender un texto, a diferencia de qué tan sofisticado suena.
Los investigadores compararon la escritura generada por IA con dos líneas de base: texto escrito por humanos y paráfrasis producidas mediante traducción de ida y vuelta, un control diseñado para separar las peculiaridades genuinas del modelo del sabor genérico de la prosa formal o mecánica.
Ese control importa. Los escépticos podrían argumentar razonablemente que el texto de IA simplemente se lee como un escrito comercial o técnico (formal, impersonal y con muchos sustantivos) en lugar de exhibir una patología distinta. La traducción de ida y vuelta produce texto con un registro similar, pulido y ligeramente antinatural, sin ningún entrenamiento en un modelo de lenguaje detrás. Si los modelos de IA aún superan esa línea de base en las medidas de dificultad de procesamiento, la diferencia tendría que provenir de algo específico en cómo los propios modelos aprendieron a escribir. Eso, en esencia, es lo que encontró el estudio.
Lo que encontraron
Los resultados fueron consistentes en todos los ámbitos. En comparación con la escritura humana, los nueve modelos fronterizos y cercanos a la frontera examinados en el estudio (un grupo que incluye sistemas de las familias GPT-5.6, Claude, Llama, DeepSeek y Qwen) tomaron decisiones considerablemente más difíciles:
- Más temas inanimados combinados con verbos animados: el patrón de escritura característico de la IA en el que las abstracciones "profundizan", "subrayan" o "resaltan".
- Más n-gramas de baja frecuencia, es decir, secuencias de palabras inusuales que los escritores humanos rara vez producen.
- Dependencias sintácticas más largas, con sujetos y verbos separados por más material intermedio.
- Más sustantivos apilados y, en texto conversacional, más cláusulas relativas de objeto reducidas.
El estudio también documentó una variación sustancial entre las familias de modelos (no todos los modelos son igualmente difíciles de leer) y encontró que los modelos de IA usaban estas construcciones difíciles con más frecuencia que las paráfrasis de traducción de ida y vuelta, lo que indica que el efecto es específico de cómo se entrenan los modelos en lugar de un artefacto de registro formal.
Esa variación es silenciosamente uno de los resultados más útiles del artículo. Si la dificultad de lectura fuera una consecuencia inevitable de la escala o la capacidad, todos los sistemas fronterizos se agruparían. En cambio, la dispersión entre familias sugiere que las elecciones posteriores al entrenamiento (la combinación de datos, las señales de recompensa, el énfasis en dominios con mucho razonamiento) moldean visiblemente cómo la prosa de un modelo llega a un lector humano. En otras palabras, el texto de IA difícil de leer es un resultado del diseño, no un subproducto inevitable de la inteligencia.
La hipótesis de la densidad de información
¿Por qué los modelos derivarían hacia un lenguaje más duro? Los autores proponen y prueban una hipótesis: mientras que el lenguaje humano evolucionó y se aprende bajo presión para comunicarse con éxito, el texto generado por IA se optimiza cada vez más para otros objetivos (matemáticas, código y tareas de razonamiento) donde la presión es hacia la densidad de información en lugar de la facilidad de comprensión.
Un modelo recompensado por agrupar las respuestas correctas en menos fichas aprende hábitos que se trasladan a la prosa: comprimir el significado, preferir palabras precisas pero raras, incorporar más estructura por oración. El resultado es un texto que obtiene una buena puntuación en los puntos de referencia y al mismo tiempo se vuelve cada vez menos natural para los lectores humanos.
Para probar la idea, los investigadores realizaron un experimento de prueba de concepto: ajustaron un modelo de lenguaje con una penalización de longitud, lo que lo obligó a comprimir su salida. El comportamiento lingüístico del modelo divergió de los patrones humanos exactamente en la forma que predice la hipótesis, brindando apoyo causal a la idea de que la presión de optimización, no solo los datos, impulsa el cambio.
Por qué es importante
Los hallazgos resaltan lo que los autores llaman una desalineación entre las demandas de procesamiento lingüístico de los humanos y aquellas implícitamente preferidas por los grandes modelos lingüísticos. Esa desalineación tiene consecuencias prácticas. Los asistentes de inteligencia artificial que producen textos más difíciles de leer imponen un impuesto oculto a cada respuesta, y el efecto se agrava a medida que las personas dedican más tiempo a leer borradores, resúmenes y explicaciones generados por modelos.
Los autores argumentan que su marco apunta hacia posibles soluciones: formas de entrenar o ajustar modelos cuya producción respete los límites del procesamiento humano sin sacrificar la capacidad. El artículo es una preimpresión y aún no ha sido sometido a revisión por pares, pero su observación central ya está resonando: el trabajo subió a la portada de Hacker News el 24 de octubre, generando un debate activo sobre si el equilibrio entre el rendimiento del razonamiento y la prosa legible es fundamental o solucionable.
Por ahora, el estudio ofrece a los lectores un vocabulario validado para una frustración familiar. El texto no está empeorando por accidente: se está volviendo más denso por diseño.
Fuentes: arXiv:2610.29162, Discusión sobre Hacker News---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
