Cómo enseñar a un modelo de lenguaje a escribir como una redacción humana sin que se note la diferencia

El prompt «escribe como un periodista» no funciona. Es lo primero que descubre cualquiera que haya intentado usar modelos de lenguaje para generar contenido para un medio concreto. El texto sale fluido, correcto y a veces incluso atractivo, pero no suena a la publicación deseada. Suena a ChatGPT haciéndose pasar por periodista. De resolver justo este problema se encargó un equipo de desarrolladores cuyo detallado análisis técnico ha aparecido en Habr.

La autora del post, Lena, para quien es la primera publicación en la plataforma, describe la tarea con una honestidad desarmante. El objetivo no era que el modelo escribiera «bien». Era que el texto no se pudiera distinguir de uno escrito por una redacción concreta: un portal urbano concreto, un canal de Telegram concreto, una publicación de nicho concreta. La diferencia entre ambas formulaciones es un abismo en el que caen la mayoría de los intentos de automatizar contenido.

¿Por qué es tan difícil? El estilo de una publicación no es un conjunto de reglas que se pueda escribir en un prompt de sistema. Son cientos de patrones implícitos: la longitud de las frases, la frecuencia de giros coloquiales, la preferencia por ciertas construcciones sintácticas, las formas características de abrir y cerrar párrafos e incluso «imperfecciones» típicas, como la costumbre de una redacción de abusar de las rayas o de poner punto tras cada elemento de una lista. Por defecto, los modelos de lenguaje promedian todo esto hasta lograr un «texto bueno medio» que no pertenece a nadie.

El enfoque ingenuo, un prompt detallado que describe el estilo, choca con un techo casi de inmediato. Se puede escribir: «usa frases cortas, tono coloquial, empieza con una pregunta provocadora». El modelo cumplirá las instrucciones con obediencia, pero el resultado será una caricatura, no una imitación. Es como pedirle a un actor que interprete a una «persona triste»: mostrará el estereotipo de la tristeza, no a una persona triste concreta. Un prompt de estilo describe el género, no la voz.

El siguiente paso lógico son los ejemplos few-shot, en los que se da al modelo varios textos modelo de la publicación objetivo directamente en el contexto de la consulta. Funciona claramente mejor, pero crea nuevos problemas. La ventana de contexto no es infinita y, cuantos más ejemplos se cargan, menos espacio queda para la tarea en sí. Además, el modelo empieza a copiar frases y datos concretos de los ejemplos en lugar de abstraer el estilo. Memoriza la superficie, no la estructura.

La solución que realmente funciona, a la que llega el equipo, está en la intersección de varios enfoques. El fine-tuning sobre un corpus de textos de la publicación permite que el modelo «absorba» los patrones estilísticos en los pesos y no en el contexto. Pero aquí también hay trampas: hacen falta datos suficientes, un filtrado cuidadoso y, lo más interesante, métricas que midan la similitud estilística y no solo la calidad del texto. Los benchmarks estándar, como la perplejidad o el BLEU, aquí no sirven. El equipo desarrolló métricas propias que analizan la distribución de longitudes de frase, la diversidad léxica, la frecuencia de marcadores estilísticos y otros parámetros que, en conjunto, crean la «huella» de una publicación.

Este caso interesa más allá de lo técnico. Plantea una pregunta fundamental sobre el futuro de los medios: si se puede enseñar a un modelo a imitar el estilo de una redacción sin que se note, ¿qué significa eso para el propio concepto de voz editorial? Por un lado, es una potente herramienta de escalado: una redacción pequeña puede generar más contenido conservando su coherencia estilística. Por otro, difumina la frontera entre autoría e imitación. Si el lector no distingue el texto de un modelo del de un periodista, ¿quién es el autor?

Hay también un aspecto práctico. El mercado de contenidos ya está inundado de textos genéricos de IA que suenan todos igual. Las publicaciones capaces de conservar una voz propia, aunque sea con modelos muy bien ajustados, obtienen una ventaja competitiva. La paradoja es que una tecnología que amenaza con volver anónimo el contenido puede convertirse en una herramienta para preservar su individualidad.

La publicación en Habr es, en esencia, la documentación abierta de un enfoque que muchas empresas de medios desarrollan a puerta cerrada, y esa apertura es lo que la hace valiosa. La imitación estilística solo se complicará a medida que las publicaciones exijan a las herramientas de IA no solo competencia, sino carácter. Quienes aprendan a resolver este problema de forma sistemática, y no reescribiendo prompts sin fin, marcarán el estándar de calidad del contenido de IA en los próximos años.