La saturación de basura algorítmica en la web encendió las alarmas de las tecnológicas. La información real creada por personas reales aumenta su valor.
La proliferación masiva de contenidos generados de forma automatizada comenzó a alterar la estructura misma de la web pública y encendió las alarmas en las principales empresas tecnológicas del mundo.
A diferencia del optimismo ciego que dominó la industria tras el lanzamiento de ChatGPT, los laboratorios de desarrollo se chocaron de frente con un límite que pocos anticiparon: la materia prima para entrenar a los sistemas del futuro empezó a envenenarse. La internet abierta, que durante dos décadas funcionó como una cantera infinita y gratuita de lenguaje humano, hoy se encuentra saturada de textos genéricos, resúmenes automatizados y sitios de noticias falsas creados en serie para captar clics. El fenómeno, bautizado en la jerga de Silicon Valley como AI slop o basura algorítmica, dejó de ser un simple incordio para los usuarios y se transformó en una amenaza directa para los propios algoritmos.
Los números que manejan los centros de investigación explican la urgencia. Un informe presentado por el instituto Epoch AI proyectó que el volumen total de texto público de alta calidad —unos 300.000.000.000.000 de palabras acumuladas a lo largo de la historia en libros, artículos, ensayos y código— comenzaría a agotarse de manera efectiva para el entrenamiento entre 2026 y 2032. El ritmo voraz con el que los nuevos modelos absorben información superó por completo la capacidad de la humanidad para producir nuevo conocimiento publicado en la red.
El problema de fondo no es únicamente la escasez de volumen, sino la degradación de la calidad. Cuando un sistema se entrena leyendo textos producidos por otro sistema similar, el lenguaje empieza a perder su riqueza y a reproducir fallas en bucle.
En julio de 2024, un equipo internacional de científicos publicó en la revista Nature un trabajo decisivo sobre este proceso. Encabezado por Ilia Shumailov, investigador del Departamento de Ciencias de la Computación de la Universidad de Oxford, el estudio demostró que la realimentación entre máquinas conduce inevitablemente al "colapso del modelo". Al eliminar los sesgos particulares, la ironía, el humor local y las rarezas del habla real, el software tiende a converger en un promedio insípido e incoherente.
En sus conclusiones, Shumailov fue categórico respecto a esta dinámica: "El aprendizaje indiscriminado a partir de datos producidos por otros modelos causa un proceso degenerativo en el que, con el tiempo, los sistemas olvidan la verdadera distribución subyacente de la realidad".
El proceso equivale a sacar la fotocopia de una fotocopia. En las primeras pasadas la pérdida de nitidez resulta imperceptible, pero al cabo de unas pocas generaciones la imagen se vuelve una mancha ilegible. Para la inteligencia artificial, esa pérdida de nitidez se traduce en alucinaciones más frecuentes, vacíos conceptuales y una incapacidad manifiesta para razonar sobre situaciones poco comunes.
Frente a este escenario, la industria tecnológica inició un viraje estratégico para aislar sus bases de datos del material producido tras la masificación de las herramientas generativas. El valor comercial de todo lo escrito, grabado o codificado por personas antes de 2023 experimentó una revalorización sin precedentes.
Tamay Besiroglu, investigador asociado en Epoch AI y coautor de los informes sobre la disponibilidad de información, sintetizó la magnitud del cuello de botella técnico: "Si se empiezan a alcanzar los límites de la cantidad de datos disponibles, ya no se pueden escalar los modelos de manera eficiente, y el escalado ha sido el mecanismo más importante para expandir sus capacidades".
Para garantizar la pureza de la materia prima, los grandes jugadores de la industria desplegaron una doble ofensiva. Por un lado, los ingenieros pasaron a priorizar el blindaje temporal mediante el uso de datasets cerrados con fecha de corte en 2022, lo que asegura que ningún párrafo haya sido digerido previamente por un bot. Por otro lado, las compañías pusieron la chequera sobre la mesa y empezaron a negociar acuerdos multimillonarios con dueños de archivos históricos y comunidades que cuentan con una moderación humana activa.
En esa línea, plataformas como OpenAI y Google cerraron contratos por cifras que superan los 60.000.000 de dólares anuales para acceder en tiempo real y de forma exclusiva a las discusiones de foros como Reddit, así como a las hemerotecas de grupos editoriales de primera línea como Financial Times, Axel Springer o News Corp. Lo que buscan no es cantidad de texto, sino la garantía de que detrás de cada oración hay un cerebro humano pensando, argumentando o corrigiendo a otro.
A medida que el agua limpia de la web abierta se vuelve un bien escaso, los laboratorios intentan desarrollar rutas alternativas para sostener el crecimiento de sus herramientas. Una de las vías en las que más recursos se están invirtiendo es la generación de datos sintéticos bajo estricto control. A diferencia del contenido basura que flota en las redes, estos textos e itinerarios lógicos son creados por máquinas pero auditados por especialistas humanos o por programas de verificación matemática antes de integrarse al motor de aprendizaje.
Por otro lado, la atención se trasladó hacia el ámbito privado. Los repositorios de datos corporativos, las historias clínicas anonimizadas, los archivos judiciales y las transcripciones de conferencias académicas representan un océano de información valiosa que jamás llegó a publicarse en internet. Sin embargo, el acceso a este tipo de material choca de frente con regulaciones severas sobre privacidad y propiedad intelectual en casi todo el mundo.
