Por qué dos empresas que usan la misma IA entregan la misma respuesta

¿Qué ocurre cuando todos responden con la misma IA?

Una respuesta a una licitación, un cuestionario de seguridad, un cuestionario de due diligence (el DDQ que un cliente le dirige antes de confiarle un contrato): son documentos puestos en competencia. Se leen uno al lado del otro, por el mismo evaluador, para decidir entre empresas que responden a las mismas preguntas. Todo lo que las hace parecidas trabaja en su contra.

Ahora bien, la IA generativa de uso general, la que sus equipos ya usan para ir más rápido, tiene un efecto documentado sobre los textos producidos por personas distintas: los acerca. No es una impresión, es un resultado medido en tres campos de investigación distintos.

La escritura asistida. En un experimento controlado sobre relatos cortos, los textos escritos con la ayuda de ideas generadas por una IA fueron juzgados individualmente más creativos y mejor escritos, pero se parecían más entre sí que los escritos sin ayuda: una ganancia para cada autor, una pérdida de diversidad para el conjunto (Anil R. Doshi y Oliver P. Hauser, *Science Advances*, 2024). Un segundo experimento, sobre ensayos argumentativos, midió que escribir con un modelo de lenguaje ajustado por retroalimentación humana aumenta la similitud entre los textos de autores distintos y reduce la diversidad del contenido, un efecto que proviene del texto poco variado que el modelo aporta a cada uno (Vishakh Padmakumar y He He, ICLR 2024).

La decisión asistida. Cuando decisores independientes se apoyan en el mismo algoritmo, sus decisiones se alinean, y la calidad del conjunto puede bajar aunque cada decisión individual mejore: los investigadores llaman a esto monocultivo algorítmico (Jon Kleinberg y Manish Raghavan, *PNAS*, 2021). Compartir un mismo modelo fundacional entre sistemas distintos homogeneiza los resultados obtenidos por las mismas personas de un sistema a otro (Rishi Bommasani et al., NeurIPS 2022).

La respuesta en competencia. Lo que vale para relatos, ensayos y decisiones vale, por construcción, para respuestas que se comparan. Varias empresas que redactan su memoria técnica con el mismo generador entregan documentos con los mismos esquemas, los mismos giros, los mismos compromisos genéricos. El evaluador no lee respuestas distintas; lee variantes de una sola, y decide sobre lo que queda: el precio, o el proveedor saliente.

¿Por qué una instancia privada produce el efecto contrario?

La convergencia proviene de un mecanismo preciso: el mismo modelo, entrenado con el mismo corpus, corregido por la retroalimentación de un número muy grande de usuarios, atrae cada texto hacia el mismo centro. Una instancia privada invierte cada uno de estos tres términos.

En la plataforma Optivalue.ai, que edita este sitio, esta instancia privada moviliza 85 agentes especializados, 72 para su oficio, 12 para su sector, y un bibliotecario que estructura su saber. A lo largo de las solicitudes, usted no dispone de la misma herramienta que sus competidores. Dispone de la suya.

El punto que importa: no es una promesa de velocidad ni de precisión. Es una propiedad de estructura. Un modelo que solo aprende de una organización no puede acercarla a las demás.

El matiz que lo aclara todo

Para un borrador, una nota interna, una síntesis que nadie firmará, la IA genérica sigue siendo la herramienta adecuada, y la convergencia no cuesta nada ahí: nadie compara sus notas internas con las de sus competidores. Un borrador no compromete a nadie. Su respuesta, sí.

La cuestión de la convergencia solo se plantea en el momento en que el documento se pone en competencia ante los ojos de un tercero que decide. Es ahí, y solo ahí, donde una IA que aprende únicamente de usted cambia el resultado.

Tres preguntas que marcan la línea

Para saber si la herramienta que usa, o que le proponen, le aleja o le acerca a sus competidores:

1. ¿De dónde viene el texto? Si la respuesta es «del modelo», sus competidores tienen acceso al mismo. Si la respuesta es «de sus documentos, citados por página», nadie más tiene esos documentos.
2. ¿Adónde van sus correcciones? Si mejoran un modelo compartido, benefician a todos, incluidos los que responden a la misma licitación. Si permanecen en su instancia, solo le benefician a usted.
3. ¿Obtendrían dos empresas del mismo sector la misma respuesta a la misma pregunta? Con un modelo compartido, sí, con algunas palabras de diferencia. Con una instancia privada, no: cada una cita su propio referencial.

Preguntas frecuentes

¿No se puede «personalizar» una IA genérica con nuestros documentos? Puede leer sus documentos durante una conversación. Pero el modelo sigue siendo el de todos, sus correcciones van a todos, y su estilo es el de la mayoría. La personalización superficial no cambia el mecanismo de convergencia descrito por los estudios citados.

¿«Divergir» significa responder peor? No. Divergir significa responder desde sus propias pruebas, en el contexto de su lector, con sus propios compromisos. Es lo que busca el evaluador: una respuesta específica para la licitación, no una respuesta plausible en general.

¿Usan realmente nuestros competidores la misma IA que nosotros? Los modelos generativos de uso general los emplean habitualmente las empresas que responden a licitaciones. Dos proveedores que responden a una misma licitación pueden, por tanto, escribir, sin saberlo, con el mismo modelo genérico, mientras que una instancia privada solo aprende de sus propios documentos.

¿Qué ocurre con nuestro referencial si cambiamos de herramienta? Una instancia privada digna de tal nombre prevé la restitución de sus datos en un formato reutilizable, la eliminación fechada de todo lo que deriva de ellos, y un certificado. Su referencial le pertenece a usted.

¿Depende este mecanismo de un aprendizaje automático sobre nuestros datos? Se apoya, ante todo, en dos elementos disponibles: su referencial como única fuente de redacción, y sus correcciones, que permanecen en su instancia. Son estas dos propiedades las que provocan la divergencia. Deliberadamente, ninguna cifra de velocidad o de precisión se asocia a este argumento.

Redactado por el equipo de cumplimiento y preventa de Optivalue.ai. Última revisión: 5 de septiembre de 2026.

Versión Markdown