La IA conversacional homogeneiza el lenguaje y erosiona la diversidad lingüística
Un amplio estudio, basado en el análisis de más de 880 000 textos, concluye que la adopción generalizada de herramientas de IA conversacional en tareas de asistencia a la escritura está erosionando de manera acelerada la diversidad lingüística. El estudio señala que estas herramientas priorizan la legibilidad uniforme sobre la autenticidad individual, lo que genera una uniformidad estilística que silencia la pluralidad sociocultural y neutraliza el valor del lenguaje como reflejo de la mente humana.
La investigación –The shrinking landscape of linguistic diversity in the age of large language models- publicada en la revista Nature Human Behaviour, examina cómo la adopción masiva como asistentes de redacción de modelos grandes de lenguaje (LLM, por sus siglas en inglés), como ChatGPT o Gemini, está transformando de manera profunda la expresión escrita humana. La investigación viene a demostrar que aunque estas herramientas optimizan la legibilidad y la corrección gramatical de los textos, también provocan una pérdida sistemática de la diversidad lingüística y una homogeneización estilística que desdibuja las huellas identitarias y psicológicas propias del lenguaje natural.
Para fundamentar estas afirmaciones, el equipo de investigación diseñó un sólido marco metodológico que combinaba métodos observacionales y experimentales a gran escala. El estudio evaluó más de 880 000 textos, que reflejan diferentes dominios de la comunicación humana. Los textos procedían de entornos tan diversos como foros de discusión en Reddit, artículos periodísticos locales (Patch News), prepublicaciones académicas en arXiv y discursos de carácter político o institucional.
En la vertiente experimental, los investigadores seleccionaron miles de textos redactados originalmente por seres humanos y utilizaron tres de los LLM comerciales y de código abierto más representativos del mercado actual: GPT-3.5, Llama 3 (70B) y Gemini Pro. A estos modelos se les instruyó mediante diferentes configuraciones de instrucciones (prompts) para realizar tareas habituales de edición, tales como pulir el texto, corregir el estilo o reescribir los textos originales manteniendo el significado subyacente. Posteriormente, se aplicaron técnicas avanzadas de procesamiento de lenguaje natural (PLN) y clasificadores computacionales para medir las variaciones en métricas de complejidad léxica, sintáctica y predictibilidad estadística entre las versiones humanas y las versiones modificadas por las inteligencias artificiales.
Las herramientas de IA tienden a conservar el concepto, pero uniformizan el estilo
Los hallazgos del estudio establecen una clara disociación entre la preservación del contenido informativo y la transformación de la estructura formal del texto. En lo que respecta a lo que se mantiene, la investigación arrojó que en el 87% de los casos analizados, los textos originales y sus versiones editadas por inteligencia artificial obtuvieron puntuaciones de similitud semántica superiores al 95%. Esto demuestra que los LLM son muy eficaces a la hora de preservar el núcleo conceptual, el argumento central y los datos objetivos de la comunicación original.
Por el contrario, el componente que sufre una alteración drástica es la dimensión estilística. El estudio cuantificó este fenómeno, hallando que la intervención de los LLM reduce la varianza de la complejidad de la escritura en un rango estadísticamente significativo de entre el 21% y el 50%. Este dato pone de manifiesto una fuerte convergencia lingüística, es decir, independientemente de la formación académica, el origen geográfico o el estilo original del autor, el texto resultante tiende a desplazarse hacia un estándar estilístico común y predecible, que viene dictado por las distribuciones de probabilidad del modelo de IA.
Pérdida de la identidad lingüística
De acuerdo con esta investigación, podríamos decir que la escritura asistida por algoritmos borra de manera sistemática la «huella dactilar lingüística» de los individuos, y esto puede tener consecuencias significativas en todas las evaluaciones basadas en la interpretación del lenguaje, desde la tutoría psicopedagógica al análisis de la salud mental.
Históricamente, el lenguaje humano no ha sido solo un vector de transferencia de información, sino también un reflejo de la individualidad, moldeado por modismos personales, elecciones léxicas infrecuentes y estructuras sintácticas propias que denotan la creatividad y la experiencia de vida del hablante.
Cuando un LLM optimiza un texto, opera bajo principios de minimización del error y maximización de la fluidez normativa, lo que se traduce en la eliminación de giros lingüísticos inusuales o imperfecciones que constituyen, precisamente, la marca del estilo personal. Además, el estudio observó un sesgo de amplificación en el cual los modelos tienden a reforzar patrones lingüísticos asociados a características dominantes o mayoritarias presentes en sus datos de entrenamiento, mientras suprimen o penalizan las voces alternativas o los registros periféricos. El resultado es una neutralización de la heterogeneidad discursiva en favor de una uniformidad algorítmica.
Para demostrar esta pérdida de identidad, el equipo expuso los textos reescritos a clasificadores entrenados para inferir variables sociodemográficas y psicológicas de los autores. Mientras que en los textos puramente humanos estos modelos estadísticos lograban deducir con precisión la edad, el género, los rasgos de personalidad, la orientación política, los valores morales y los niveles de empatía del redactor, dicha capacidad predictiva decayó de forma drástica o se anuló por completo al procesar las versiones editadas por la IA. En palabras de los investigadores, cuando el LLM pule el texto, el contenido sobrevive, pero el autor desaparece.
Algunas consecuencias
Como se ha señalado anteriormente, la homogeneización del lenguaje plantea consecuencias serias para disciplinas aplicadas que dependen del análisis de la expresión lingüística para acceder a la mente humana, como la psicología clínica, la psicología educativa y la psiquiatría diagnóstica.
En la psicología educativa, la evaluación psicométrica y de las capacidades del aprendizaje se fundamenta en gran medida en la producción escrita de los estudiantes. El uso continuado de asistentes artificiales de redacción obstaculiza la identificación de trastornos específicos del aprendizaje, como la dislexia o el trastorno de la expresión escrita, ya que las herramientas enmascaran las dificultades subyacentes mediante una superficie textual homogénea y adaptada a la norma escolar. Asimismo, imposibilita la personalización de los procesos pedagógicos, dado que los educadores no pueden mapear con precisión el desarrollo de los patrones cognitivos y madurativos reales del alumnado si sus producciones escritas están mediadas por un estándar algorítmico impersonal.
En el caso de la psicología clínica y la salud mental, el análisis cuantitativo del lenguaje natural ha emergido en las últimas décadas como una herramienta diagnóstica no invasiva de altísimo valor. Por ejemplo, metodologías basadas en diccionarios computacionales permiten evaluar el estado afectivo y cognitivo de un paciente mediante el conteo y la correlación de pronombres, tiempos verbales y marcadores de carga emocional. Pequeñas variaciones en la estructura del discurso o el empobrecimiento léxico pueden ser indicadores tempranos de afecciones graves, que van desde episodios depresivos mayores y trastornos de ansiedad, hasta las fases iniciales del deterioro cognitivo y enfermedades neurodegenerativas. Si un paciente utiliza herramientas como ChatGPT para estructurar sus diarios personales, correos electrónicos o autoinformes terapéuticos con el fin de que suenen «más claros» o formales, los LLM enmascararán los biomarcadores lingüísticos de la disfunción cognitiva o las incoherencias asociadas a la patología, privando a los clínicos de un material fundamental para el diagnóstico temprano.
Por ello, los autores recuerdan a los profesionales de la evaluación psicológica y de la salud mental que deben ser conscientes de que los textos mediados por IA no constituyen un canal fiable para la interpretación y el diagnóstico de los estados mentales humanos, e insisten en la necesidad urgente de diseñar salvaguardas metodológicas y éticas.
Referencia
- Sourati, Z., Karimi-Malekabadi, F., Ozcan, M. et al. The shrinking landscape of linguistic diversity in the age of large language models. Nat. Hum. Behav. (2026). DOI: https://doi.org/10.1038/s41562-026-02550-0
Nota
- Como apoyo a la traducción y revisión del estudio se ha utilizado un asistente conversacional basado en IA.
