Google y OpenAI chocan con un límite: qué pasa si se acaba el texto humano en internet

La principal vulnerabilidad de la IA generativa es que vive del texto humano y, al mismo tiempo, destruye las condiciones en las que ese texto se produce. Los buscadores, los chatbots y los resúmenes de IA prometen al usuario una respuesta rápida sin entrar en ningún sitio web, y con ello reducen los ingresos de quienes crean el material original. A corto plazo, los modelos ganan en comodidad. A largo plazo, corren el riesgo de quedarse sin una base de entrenamiento de calidad y empezar a aprender de sus propios reflejos.

El primer problema es la economía de las publicaciones. Desde que Google lanzó AI Overviews en mayo de 2024, el buscador responde cada vez más directamente en la página de resultados, sin enviar al lector a la fuente original. Según datos de Chartbeat que Axios publicó el 17 de marzo de 2026, los sitios pequeños, con entre 1 y 10 mil visitas diarias, perdieron cerca del 60% de sus visitas desde buscadores en dos años.

Los medios medianos cayeron un 47% y los grandes, un 22%. Un estudio de Pew Research Center del 22 de julio de 2025 mostró un efecto similar en el comportamiento de los usuarios: cuando los resultados incluyen un resumen de IA, la gente hace clic en los enlaces tradicionales con mucha menos frecuencia. Para los medios, los foros, los blogs de nicho y los autores independientes, no se trata de una métrica abstracta, sino de un golpe directo a la publicidad, las suscripciones y las ganas de seguir escribiendo.

El segundo problema son los propios datos. Los grandes modelos de lenguaje crecieron al principio con enormes volúmenes de texto de internet. En sistemas tempranos como GPT-3, la mayor parte del corpus de entrenamiento procedía de la web y de fuentes relacionadas.

Pero la cantidad de contenido humano de calidad no es infinita. En junio de 2024, investigadores de Epoch AI estimaron que, al ritmo de escalado de entonces, la industria podría toparse con el límite del texto público disponible y apto para entrenar en algún momento entre 2026 y 2032. Por eso los grandes actores empezaron a firmar acuerdos con Reddit, editoriales y otros dueños de grandes archivos: el acceso a los datos pasó de ser un detalle técnico a un activo estratégico.

En este contexto, la tentación de recurrir a datos sintéticos parece casi inevitable. Si falta texto real, resulta lógico pedirle a un modelo que genere material para el siguiente. El problema es que este esquema deteriora poco a poco la calidad.

Un trabajo publicado en Nature el 25 de julio de 2024 describe el efecto del colapso de modelos (model collapse): cuando se entrena de forma recursiva con datos generados por máquinas, los modelos empiezan a perder hechos poco frecuentes, a aplanar patrones complejos y a amplificar los errores y sesgos que ya tenían. Es como fotocopiar una y otra vez la misma página: el sentido general aún se ve, pero los detalles se desvanecen en cada iteración. Incluso OpenAI ha reconocido públicamente que los datos sintéticos pueden ayudar en casos puntuales, pero no parecen un sustituto completo de un corpus humano diverso.

Hay otra trampa: separar el texto humano del texto de máquina es en la práctica mucho más difícil de lo que parece. Los detectores de contenido de IA aún se equivocan, sobre todo con textos cortos, editados o de estilo neutro. Algunos estudios han mostrado un alto porcentaje de falsos positivos en textos de personas cuya lengua materna no es el inglés.

Eso significa que a la industria le costará simplemente «limpiar internet» y quedarse solo con datos humanos fiables. Además, evaluaciones académicas recientes ya constatan que la proporción de ayuda de IA en las nuevas publicaciones crece rápido y que el contenido en línea se vuelve más uniforme en su significado y más aséptico en su tono. Es decir, el problema no es solo la cantidad de texto, sino también su diversidad.

Si este ciclo no se rompe, internet empezará a funcionar peor para todos los implicados. Los autores publicarán con menos frecuencia materiales en profundidad, porque cada vez es más difícil monetizarlos. Las plataformas seguirán llenando los resultados de resúmenes breves de IA, ahorrando el clic al usuario pero empobreciendo el ecosistema de fuentes. Y los desarrolladores de modelos recibirán cada vez más contenido de segunda mano que suena seguro, pero aporta menos conocimiento nuevo.

La salida parece estar no en generar todavía más, sino en mantener los incentivos para la escritura humana: pagar licencias, atribuir con transparencia, usar con más cuidado los resúmenes de IA y anteponer la calidad de los datos a la mera escala. De lo contrario, la IA acabará de verdad en una trampa que ella misma construyó.