La "voz de IA" tiene un costo medible
Los chatbots de IA a menudo producen prosa que se siente... extraña. Un estudio reciente de investigadores de NYU y UT Austin cuantificó esta intuición, midiendo estructuras de oraciones asociadas con un mayor esfuerzo de procesamiento humano en los resultados de 14 modelos de IA destacados. Este análisis revela un costo medible de la omnipresente "voz de IA".
Los investigadores emplearon spaCy, una biblioteca de Python de código abierto, para analizar las dependencias gramaticales en diversos textos generados por IA. Recopilaron conversaciones, ensayos y sesiones de programación de modelos que incluyen Claude Opus 5/5.5, la familia GPT-5.6, GLM-5, Kimi K2.5, Llama y OLMo. Esto les permitió identificar patrones en la longitud y estructura de las dependencias.
Luego evaluaron estos patrones frente a los hallazgos de psicolingüistas, quienes han estudiado durante mucho tiempo cómo características lingüísticas específicas afectan el tiempo de lectura y la comprensión humana. Estas características incluyen:
- Sustantivos apilados (p. ej., "presupuesto de paciencia del lector")
- Dependencias sintácticas largas
- Omisión de palabras opcionales como "que"
- Verbos animados con sujetos inanimados
Si bien el estudio mide meticulosamente la prevalencia de estas características lingüísticas, es crucial aclarar lo que está en juego. El análisis identifica características vinculadas a una lectura más lenta o que requiere más esfuerzo; no prueba directamente que cada lector tenga dificultades con cada oración generada por IA. Los hallazgos indican un sesgo sistemático hacia la complejidad, no una incomprensión universal.
Seis pequeños hábitos hacen que los lectores se esfuercen más
Los psicolingüistas identificaron seis patrones específicos que hacen que los cerebros humanos trabajen más. Los modelos de IA emplean estos de manera desproporcionada, obligando a los lectores a analizar oraciones como: "La oración convoluta que estás leyendo actualmente está consumiendo silenciosamente su propio presupuesto de paciencia del lector". Este ejemplo combina un sustantivo apilado ("presupuesto de paciencia del lector") con un sujeto inanimado realizando una acción animada ("oración... consumiendo").
Otros patrones comunes incluyen largas brechas entre palabras vinculadas gramaticalmente, combinaciones de palabras poco frecuentes y cláusulas reducidas: oraciones donde se omite un "que" opcional (p. ej., "el libro que escribió el profesor" en lugar de "el libro que el profesor escribió"). Los verbos denominales, que convierten sustantivos en verbos (p. ej., "calendárizalo"), también aumentan el esfuerzo de procesamiento.
Para confirmar que los modelos de IA eligieron estas frases menos comunes, los investigadores realizaron una traducción de ida y vuelta de japonés a inglés utilizando NLLB-200 de Meta. Este proceso conserva el significado pero reescribe las oraciones en estructuras más convencionales. Si un patrón desaparecía después de la traducción, indicaba que el resultado original de la IA era innecesariamente convoluto.
Para casi todos los modelos de frontera, estos patrones difíciles desaparecieron después de la traducción, lo que demuestra que los modelos gravitan hacia construcciones más difíciles de leer incluso cuando hay alternativas más simples disponibles. Los modelos más pequeños como Llama mostraron una adopción mínima de estos hábitos, pero la familia OLMo exhibió una tendencia más fuerte con cada etapa de entrenamiento.
El incentivo de entrenamiento que se esconde a plena vista
Los mecanismos propuestos para esta "voz" de IA apuntan a incentivos posteriores al entrenamiento. Los modelos que se someten a un entrenamiento adicional en tareas como matemáticas, programación y razonamiento a menudo son recompensados únicamente por las respuestas correctas, con poco énfasis en la legibilidad de la explicación. Además, los estrictos token budgets pueden favorecer inadvertidamente una redacción comprimida y densa, a medida que los modelos aprenden a transmitir la máxima información con el mínimo número de palabras.
Los investigadores probaron esta hipótesis directamente. Entrenaron un modelo Qwen 2.5 1.5B de parámetros utilizando GRPO para convertir descripciones de eventos en JSON a oraciones en inglés, introduciendo una pequeña penalización por cada token adicional. Incluso esta penalización menor llevó al modelo a elegir constantemente construcciones más cortas, omitiendo a menudo el "that" opcional más del 98% de las veces en algunas ejecuciones. Este comportamiento surgió incluso en tipos de oraciones en las que el modelo no fue entrenado explícitamente, lo que demuestra cómo la economía de tokens puede moldear las preferencias sintácticas.
El comportamiento del modelo varió significativamente. El estudio encontró poco de esta tendencia "más densa" en las salidas de Llama. Por el contrario, los modelos OLMo mostraron salidas progresivamente más densas a lo largo de sus etapas de entrenamiento, siendo la versión ajustada para el razonamiento la que exhibió la preferencia más fuerte por estas estructuras cognitivamente exigentes. Estos hallazgos ofrecen una prueba sólida de que los objetivos posteriores al entrenamiento, particularmente aquellos que recompensan la concisión sobre la claridad, contribuyen al problema de la voz de la IA. Para más información sobre los detalles del estudio, consulte Why is AI-generated language so hard to understand?.
¿Te está gustando? Recibe uno así en tu bandeja cada mañana.
un correo al día · date de baja en dos clics · sin rastreadores de terceros
La escritura clara es una elección que los laboratorios pueden recompensar
Resulta alentador que el comportamiento del modelo pueda cambiar: Claude Opus 5.5 obtuvo una puntuación más baja que Opus 5 en 19 de los 21 indicadores de dificultad medidos. Esto sugiere que los laboratorios pueden recompensar activamente una comunicación más clara, demostrando que la prosa complicada no es un rasgo inmutable.
Para orientar a la IA hacia una producción más accesible, la ingeniería de prompts debe solicitar explícitamente plain English, menos sustantivos apilados y el uso de conectores explícitos cuando sea útil. Priorice distancias cortas entre palabras vinculadas gramaticalmente, como sujetos y verbos, para facilitar el procesamiento.
Fundamentalmente, la claridad debe evaluarse independientemente de la exactitud factual durante el entrenamiento y el ajuste fino del modelo. Esto garantiza que la legibilidad no se convierta en una preocupación secundaria frente a la precisión, lo que, como destacan los investigadores de la NYU y la UT Austin, puede conducir al problema del "presupuesto de paciencia del lector".
En entornos de alto riesgo (como revisiones de código, diagnósticos médicos o informes financieros), el texto denso generado por IA impone una carga indebida a los revisores humanos. Una pasada de reescritura dedicada a la claridad puede mitigar esto, pero asegúrese siempre de que se preserve el significado y se vuelva a verificar la precisión. La escritura clara es una elección de diseño, no un accidente.
Preguntas frecuentes
¿Por qué los modelos de IA producen oraciones difíciles de leer?
El estudio sugiere que los incentivos posteriores al entrenamiento pueden recompensar respuestas concisas y densas en información sin recompensar adecuadamente la claridad.
¿Qué patrones de oraciones hacen que la escritura de la IA sea más difícil de leer?
Los ejemplos incluyen sustantivos apilados, grandes espacios entre palabras relacionadas, combinaciones de palabras inusuales, conectores omitidos y sujetos inanimados realizando acciones animadas.
¿La investigación demostró que todos los modelos de IA escriben de esta manera?
No. Los investigadores encontraron diferencias entre modelos, tareas y etapas de entrenamiento; algunos modelos probados mostraron tendencias más débiles que otros.
¿Cómo pueden los equipos hacer que la escritura de la IA sea más clara?
Solicite un lenguaje sencillo, pida a los modelos que mantengan las palabras relacionadas cerca y utilice una pasada de edición separada centrada en la legibilidad.