Por qué los textos de IA irritan a los lectores de Habr y cómo editarlos a mano

Habr AI ha publicado una columna sobre por qué los textos generados por redes neuronales irritan incluso sin errores evidentes. El autor no analiza fallos de los modelos, sino los rasgos editoriales del texto sintético que hacen que el lector pierda la atención y la confianza.

Por qué resulta tan irritante

La tesis principal es sencilla: al lector no le molesta que se haya usado IA, sino la confianza vacía del texto. Una red neuronal puede montar un material ordenado, sin fallos evidentes, con estructura pareja y transiciones lógicas, y aun así no transmitir la sensación de un pensamiento real. No discute directamente con el lector, pero actúa todo el tiempo como si ya lo hubiera explicado todo. Por eso, incluso un párrafo correcto en la forma suena sospechoso.

El autor lo formula con dureza:

la red neuronal escribe con demasiada frecuencia un texto que parece

un texto, pero no se siente como un pensamiento.

El problema aparece muy rápido. Tras dos o tres pantallas, ese texto empieza a cansar: la atención resbala por los párrafos y en la memoria solo quedan palabras genéricas. En lugar de un argumento, el lector recibe una imitación pulida de pericia. Para el público técnico es especialmente doloroso, porque detecta enseguida cuándo un material se arma con fórmulas seguras pero no se apoya en experiencia, observación o una postura clara del autor. El lector ve la forma, pero no ve el soporte que hay debajo.

Dónde se rompe el texto

La columna enumera los rasgos típicos por los que un borrador de IA empieza a irritar mucho antes del final. No se trata solo de tópicos. Lo que peor funciona son las introducciones largas, la estructura universal y el intento de sonar contundente sin suficientes datos concretos. Si un párrafo puede reducirse a la mitad sin perder sentido, si los subtítulos se pueden intercambiar con facilidad y las conclusiones parecen definitivas donde el tema aún es discutible, el lector lo nota casi al instante. El texto parece armado, pero no avanza hacia una idea nueva.

• Un largo calentamiento en lugar de ir al grano
• Un esqueleto de subtítulos universales
• Un ritmo de párrafos demasiado uniforme
• Palabras genéricas sin hechos ni escenarios
• Un tono categórico sin matices

El autor destaca aparte el regusto de «traducción». Muchos textos están escritos formalmente en ruso, pero suenan como una presentación en inglés mal adaptada. En Habr eso se detecta especialmente rápido: el público local lee mucho, tolera mal la paja y nota si el autor entiende el tema o solo arma un texto verosímil con palabras conocidas. Por eso el esquema «generar, retocar un poco y publicar» funciona cada vez peor en esta plataforma.

Cómo se corrige

El autor escribe que casi nunca considera un borrador de IA como un artículo terminado. Para él es materia prima de la que aún hay que sacar un texto legible. El primer paso es quitar todo el calentamiento rutinario y abrir con un hecho, un conflicto, una observación o una conclusión. Después se reconstruye la lógica: no «qué es, cómo funciona, por qué importa», sino un orden que de verdad conduzca el pensamiento. Los subtítulos también se reescriben casi siempre, porque no deben dividir el texto, sino impulsarlo.

A continuación llega una edición más dura. Se eliminan muletillas como «aspecto importante» y «abre nuevas posibilidades», se devuelve concreción a cada afirmación general, se rompe el ritmo estéril de párrafos idénticos y se reduce la rotundidad artificial. Si un modelo promete ahorrar tiempo, hay que mostrar dónde exactamente; si un servicio supuestamente resuelve mejor las tareas complejas, hace falta contexto y comparación. La «humanización» cosmética no sirve aquí: un texto sintético débil suele ser más fácil de reescribir desde cero que de pulir superficialmente.

Qué significa

La columna fija bien el límite de utilidad de los modelos generativos: aceleran la fase de borrador, ayudan a arrancar y a esbozar una estructura, pero no sustituyen al editor. Para medios, blogs corporativos y equipos de contenido es una señal directa: la calidad de una publicación no depende de si se puede detectar la IA, sino de si el texto tiene densidad de pensamiento, datos concretos, una entonación normal y respeto por el lector. De lo contrario, incluso un material gramaticalmente impecable se convierte pronto en ruido irritante que parece convincente, pero no deja nada tras la lectura.