Cómo Gemini llevó un blog de IA al mode collapse y obligó a rehacer el generador de temas

Un prompt creativo abierto resultó ser un mal editor: en lugar de aportar variedad, llevó sin que nadie lo notara la sección de los viernes del blog de IA al mode collapse. Durante cuatro semanas seguidas, el LLM propuso en esencia la misma «pregunta polémica sobre IA», cambiando apenas la formulación, y esto solo se hizo evidente cuando los textos, idénticos en significado, formaron una cadena.

El problema no apareció de inmediato precisamente porque cada publicación, por separado, parecía aceptable. La primera semana el tema parecía oportuno, la segunda simplemente parecido, y en la tercera la repetición aún podía atribuirse a la casualidad. Pero en la cuarta quedó claro que el modelo no busca ángulos nuevos, sino que da vueltas alrededor del mismo patrón. Para una redacción, este es un tipo de fallo especialmente incómodo: localmente la calidad se mantiene, pero a nivel de sistema el contenido empieza a duplicarse.

Al principio se intentó buscar la solución en el propio prompt. La lógica era comprensible: si el modelo se atasca en una tesis, hay que reforzar los requisitos de diversidad, añadir restricciones, pedir nuevos enfoques o prohibir las repeticiones. Pero estas medidas ayudaron solo de forma cosmética. Cambiaban las formulaciones y el tono, pero el núcleo de la idea seguía igual. Es una observación importante para quien use LLM en flujos de contenido: una petición abierta del tipo «inventa un tema interesante» no garantiza una variedad real, aunque las respuestas parezcan frescas.

Durante el análisis resultó que parte del problema no estaba solo en el prompt engineering, sino también en la propia configuración de Gemini. Esa capa se pasó por alto al principio, pese a que influye directamente en la distribución de las respuestas y en la tendencia del modelo a repetir plantillas seguras. En sistemas así, el error rara vez vive en un único lugar: el prompt, los parámetros de generación y la lógica general del pipeline se refuerzan entre sí. Por eso, intentar «rematar la cura» con una única formulación mágica suele enmascarar el síntoma sin eliminar la causa.

La situación reveló además otro problema práctico de la automatización editorial: la revisión manual habitual no detecta estos fallos si se miran las piezas una a una. Hace falta control a nivel de serie: comparar los temas de un mes, comprobar la cercanía semántica, llevar un registro de los enfoques ya publicados y, al menos, una métrica sencilla de diversidad. De lo contrario, el modelo seguirá produciendo textos «normales» que, en conjunto, diluyen la sección y dan la impresión de que el blog discute una y otra vez consigo mismo sobre una sola cuestión.

Tras cuatro rondas de experimentos, el equipo llegó a una conclusión más terrenal: la generación de temas es mejor no dejarla por completo al criterio del modelo. En lugar del abierto «inventa una pregunta», el generador pasó a una rotación determinista de un conjunto de temas recopilado y editado de antemano. Este enfoque resulta menos vistoso en términos de «creatividad», pero ofrece lo que una redacción realmente necesita: cobertura predecible de distintos asuntos, ausencia de bucles y control del equilibrio temático. Para corregirlo no hicieron falta ni fine-tuning, ni RAG, ni migrar a otro modelo.

La conclusión principal es sencilla: si un LLM está integrado en un proceso editorial regular, hay que evaluarlo no por una respuesta acertada, sino por una serie de entregas. En tareas aplicadas, el mode collapse a menudo no se ve como una avería brusca, sino como un estrechamiento lento del rango de ideas, perceptible solo a distancia. Por eso, en secciones fijas, generadores de temas y otros escenarios recurrentes funciona mejor, en lugar de la máxima libertad del modelo, una combinación de lista curada, rotación estricta y comprobación periódica de repeticiones semánticas. Conviene tomar las decisiones con antelación, antes de que la repetición se convierta en un hábito editorial arraigado.