La IA ya hace esto en minutos. Entonces, ¿qué es lo que todavía vale dinero?

La pregunta llega casi siempre de la misma manera, y es legítima: si una herramienta escribe el texto, diseña el logotipo y monta el sitio en una tarde, ¿por qué esto sigue costando lo que cuesta? Antes de responder, una declaración de interés. Núcleo Parceiro usa inteligencia artificial. El asistente que está en la esquina de este sitio es un modelo de lenguaje. No tenemos pureza que venderle, y la respuesta honesta no es que la IA trabaje mal. Es que trabaja bien, y es precisamente de ahí que viene el problema que usted tiene entre manos.

Lo que la herramienta hace, medido

Empecemos por el lado que no nos favorece. La evidencia disponible no dice que la IA produzca material flojo. Dice lo contrario, y con números.

En un ensayo aleatorizado preregistrado con 758 consultores de Boston Consulting Group, el acceso a GPT-4 hizo que los participantes completaran un 12,2% más de tareas, un 25,1% más rápido y con más de un 40% de calidad. La ganancia no se distribuyó por igual: quien estaba por debajo de la media subió un 43%, quien estaba por encima subió un 17%. Conviene decir quién firma el estudio antes de usarlo: está cofirmado por académicos de Harvard, Wharton, MIT y Warwick y por tres investigadores de la propia BCG, que diseñó el experimento con ellos y recogió los datos. El diseño es sólido y se registró antes de ejecutarse. El interés es propio, porque BCG vende consultoría de inteligencia artificial. Las dos cosas son verdad al mismo tiempo.

En un estudio publicado en Science Advances con 293 escritores y 600 evaluadores, dar ideas de IA a quien escribe hizo que las historias fueran evaluadas como más creativas, mejor escritas y más agradables. Y en una serie de seis experimentos publicada en PNAS, con 4.600 participantes, las personas no consiguieron distinguir presentaciones escritas por IA de las escritas por personas. Acertaban entre un 50% y un 52%, es decir, lo mismo que lanzar una moneda al aire.

Quien le diga que la IA se nota está hablando de memoria. No se nota, al menos en textos cortos de presentación, que fue lo que allí se midió. Y el detalle es aún menos cómodo: la diferencia existe de hecho en el texto, que es mensurablemente más repetitivo, al punto de que un clasificador automático acierta un 58,8% solo con esas señales. Es el lector humano quien no las lee. Si su decisión dependía de que el cliente lo notara, esa decisión ya no tiene base.

Es por eso que es un problema, no a pesar de eso

El mismo estudio de Science Advances que midió la subida de la calidad midió otra cosa al lado. Las historias escritas con ideas de IA quedaron más parecidas entre sí. Los autores le dan un nombre que debería interesar a cualquier dirección.

We find that access to generative AI ideas causes stories to be evaluated as more creative, better written, and more enjoyable, especially among less creative writers. However, generative AI–enabled stories are more similar to each other than stories by humans alone. These results point to an increase in individual creativity at the risk of losing collective novelty. This dynamic resembles a social dilemma: With generative AI, writers are individually better off, but collectively a narrower scope of novel content is produced. Anil R. Doshi y Oliver P. Hauser, Science Advances, 2024

Un dilema social es una situación en la que la elección racional de cada uno produce el peor resultado para todos. Cada empresa que usa la herramienta mejora su pieza. El conjunto de las empresas se estrecha. Y usted no vende en el vacío: vende al lado de los demás.

El efecto no es una curiosidad de un laboratorio. En el ensayo de BCG, los autores lo registraron con todas las letras: there is a marked reduction in the variability of these ideas compared to those not using AI. This suggests that while GPT-4 aids in generating superior content, it might lead to more homogenized outputs. En Georgetown, tres estudios preregistrados analizaron 2.200 ensayos de candidatura a la universidad y midieron cuánta idea nueva añadía cada texto al conjunto: la escritura humana aumentó la diversidad del grupo aproximadamente dos a ocho veces más que los textos de GPT-4. Y en PNAS Nexus, un trabajo que probó 22 modelos diferentes contra 102 personas encontró el retrato completo en un par de números. En la prueba de usos alternativos, la originalidad media de los modelos fue de 0,711 contra 0,696 de los humanos. La variabilidad entre respuestas fue de 0,459 contra 0,699, con un tamaño de efecto de 1,8, muy por encima del umbral que se considera grande.

Individualmente competente. Colectivamente idéntico. No es una acusación a la herramienta, es una descripción de lo que es.

El dato que debería detener a una dirección

En el estudio de Science Advances, la ganancia no apareció donde se esperaba. Entre los escritores más creativos, tener ideas de IA casi no cambió nada. Todo lo que la herramienta dio, se lo dio a quien estaba por debajo. Los autores describen el resultado así:

First, having access to generative AI effectively equalizes the evaluations of stories, removing any disadvantage or advantage based on the writers' inherent creativity Anil R. Doshi y Oliver P. Hauser, Science Advances, 2024

Fíjese en la palabra advantage. La herramienta que levanta a quien estaba atrás es la misma que borra la ventaja de quien estaba delante. Si la ventaja de su empresa era tener mejor gusto, mejor texto o mejor presentación que el competidor, la IA acaba de distribuir esa ventaja a todo el mundo, al precio de una suscripción. Si su ventaja no era esa, usted ganó. Vale la pena saber en cuál de los dos casos está antes de firmar lo que sea.

Lo que esta evidencia no prueba

Esta es la parte que la mayoría de los artículos sobre el asunto no escribe, y es la parte que distingue un razonamiento de un argumento de venta.

Ninguno de estos estudios mide marcas, y ninguno mide dinero. Las tareas son historias de ocho frases, ensayos de candidatura a la universidad y dieciocho ejercicios de consultoría. Ningún euro cambia de manos en ninguno de ellos. El salto de «los textos convergen» a «la marca pierde margen» es nuestra tesis, sustentada por estos datos, no una conclusión de los autores.

Y parte del efecto puede ser de la petición, no del modelo. Los autores de Georgetown admiten que la condición base pidió a GPT-4 escribir as a college applicant, sin contexto individualizado, lo que, escriben ellos, may have encouraged more generic responses. Es una petición genérica contra una persona, no un profesional contra una herramienta. Doshi y Hauser son igualmente directos sobre dónde se detiene su trabajo: en la tarea no había interactiveness with the LLM or variation in prompts, y escriben que esas restricciones limitan la generalización. Es decir, los estudios miden el uso más crudo posible de la herramienta, que es precisamente el uso que nos interesa criticar, pero no es el único.

La convergencia medida es modesta. En Doshi y Hauser, tener acceso a una idea de IA aumentó la semejanza de una historia frente a las demás en 0,871 puntos, lo que representa un 10,7% de la amplitud observada. Con cinco ideas, un 8,9%. Es un efecto real y estadísticamente sólido, y es pequeño. Quien use aquel estudio para decir que la IA lo vuelve todo igual está yendo más allá de lo que midió.

Y hay una réplica que contradice el resultado. Dos investigadores repitieron el experimento, pero en vez de usar el modelo de la forma corriente, generaron las tramas a través de diez personas distintas, con orígenes y modos de pensar diferentes. La homogeneización no apareció. Su conclusión merece leerse despacio:

Our findings suggest that the trade-off may emerge from uniform deployment practices rather than from an inherent limitation of GenAI, and that diversity can be intentionally built into AI-mediated collaboration. Yun Wan y Yoram M. Kalman, preprint arXiv, 2025 (publicado en Computers in Human Behavior: Artificial Humans, 2026)

Es un resultado nulo, en una muestra pequeña, y un nulo prueba poco. Pero apunta a dónde está realmente el asunto. La herramienta no obliga a nadie a ser igual. Lo que produce el igual es que todo el mundo la use de la misma manera, con la misma petición, sin que nadie decida nada por el camino. La homogeneización no es una propiedad de la máquina. Es una propiedad de quien no elige.

Y, para no quedarse a mitad de la honestidad, dos datos que cortan contra nosotros. La escuela empírica más exigente del marketing, el Ehrenberg-Bass Institute, sostiene que la diferenciación percibida entre marcas competidoras es baja y que los clientes las compran igualmente, proponiendo poner en el centro de la estrategia la distintividad, ser reconocible, en vez de la diferencia. Y The Long and the Short of It, el informe más citado del mundo sobre eficacia de marketing, no escribe la palabra differentiation una sola vez en 84 páginas. El vocabulario con que nuestro sector vende no es el vocabulario de la evidencia que invoca.

Añádase el caso más incómodo de todos: el anuncio de Navidad de Coca-Cola de 2025, generado por IA y execrado por el medio creativo, recibió 5,9 estrellas en la prueba de anuncios de System1, la clasificación máxima posible. Al público, le fue bien. Con tres salvedades que tenemos que hacer nosotros: quien publica la nota vende testeo de anuncios, no divulga muestra ni método en aquella página, y lo que el modelo mide es respuesta emocional declarada en un panel, no ventas. Y hay una cuarta que juega a nuestro favor y por eso merece aún más cuidado: lo que aquel anuncio capitaliza es el reconocimiento de un activo construido desde 1995, los camiones y la canción, no la originalidad de la ejecución. El problema de aquel anuncio no es que el público lo haya detestado. Es que cualquier competidor consiga repetir el ejercicio a la semana siguiente.

Entonces, ¿dónde está el dinero?

Si la diferencia por la diferencia no se sostiene en la evidencia, ¿qué se sostiene? Una cadena más estrecha y más defendible, que está escrita en el propio informe del IPA: el trabajo juzgado original produce sorpresa, la sorpresa produce fama, y la fama aparece en el precio.

Because fame is driven by surprise there is a strong link with creativity. Creative awards are usually given to communications that are judged to be original and therefore different in some way to anything seen before. Les Binet y Peter Field, The Long and the Short of It, IPA, 2013

Y el retorno de la fama, en los datos del IPA, no está en el volumen: está en el precio. Las campañas de fama more than double price sensitivity effects, y son esos efectos de precio, y no la subida de las ventas, los que explican el beneficio adicional. Con una salvedad que los propios autores escriben en la misma página, y que nosotros repetimos por deber: solo un 16% de los casos del IPA tiene algún conocimiento de su elasticidad-precio. El número más citado del marketing se asienta en una minoría de casos que sabe medir precio.

Mientras tanto, ser igual es el estado normal del mercado, y eso se mide. En una prueba a 44 elementos de identidad de marcas de automóviles en el Reino Unido, 33 fallaron el umbral mínimo de posesión única en la memoria de los compradores. Tipos de letra, colores y firmas eran compartidos por varias marcas al mismo tiempo. Solo el logotipo era consistentemente del dueño. La indistinción no es un riesgo que aparece si alguien se descuida. Es el punto de partida, y ahora tiene una tecnología acelerándola.

Lo que cambia cuando se comprende

Hay un dato que archiva la fantasía de la escala. Un análisis de artículos recogidos de CommonCrawl, que es un archivo de la web y no la web, estimó que en noviembre de 2024 la cantidad de artículos generados por IA superó la de artículos escritos por personas. Entre los artículos que aparecen en las primeras páginas de Google, sin embargo, un 86% siguen siendo humanos, y en las citas de ChatGPT y de Perplexity, un 82%. Lo igual se multiplicó. No es lo que se encuentra, ni lo que se cita. Conviene decir que quien publica este análisis es una agencia que vende servicio de contenido, y que ella misma frena la lectura causal: no prueba que Google penalice la IA.

Y la política declarada no es sobre la herramienta. El texto de Google es explícito:

Scaled content abuse is when many pages are generated for the primary purpose of manipulating search rankings and not helping users. This abusive practice is typically focused on creating large amounts of unoriginal content that provides little to no value to users, no matter how it's created. Google, Spam policies for Google Web Search

no matter how it's created. El objeto de la regla nunca fue la herramienta. Es la producción en masa de material no original. Una persona puede violarla sin IA alguna, y un sistema de IA puede quedar fuera de ella si añade valor.

Falta el coste humano, que es el peor comprendido. Trece experimentos publicados en Organizational Behavior and Human Decision Processes, con profesores, mandos, analistas e inversores, muestran que en quien revela haber usado IA se confía menos que en quien no lo revela. La lectura perezosa de ese resultado es ocultar. El estudio 13 del mismo artículo mide lo que le ocurre a quien oculta y es descubierto: en una escala de confianza, el descubierto queda en 2,49, quien reveló en 3,15, y quien nada dijo en 4,02. Revelar cuesta. Ser descubierto cuesta el doble. Y el 4,02 no es inocencia: es el valor de la confianza mientras el asunto no sale a la superficie.

El descuento, nótese, no es sobre la calidad del trabajo. Es sobre la presunción de que no hubo esfuerzo. En un estudio con titulares reales, escritos por periodistas humanos, bastó pegarles al azar una etiqueta que decía que habían sido escritos por IA para que la precisión percibida cayera 7,6 puntos porcentuales, y la caída apareció en 41 de los 42 titulares probados. La IA no escribió una sola palabra de aquel estudio. En otro, sobre pintura, la etiqueta de hecho por IA hizo caer un 62% el valor monetario que los participantes atribuían, y un 77% el tiempo de producción que estimaban. Son valoraciones hipotéticas, no precios practicados. Pero la mecánica es esa: el descuento viene de presumir que no costó nada hacerlo.

La distinción que hacemos, y por qué no es una limitación

La IA produce. No decide, no responde por nada, y no firma. Cuando la respuesta sale mal, no hay nadie al otro lado de la mesa.

En el ensayo de BCG hay una tarea que los investigadores eligieron a propósito para que cayera fuera del alcance del modelo. En esa tarea, los consultores que usaron IA tuvieron 19 puntos porcentuales menos de probabilidad de llegar a la respuesta correcta que los que no la usaron: un 84,5% de acierto en el grupo de control, contra un 60% y un 70% en los grupos con IA. La herramienta no los volvió peores en general. Los volvió peores exactamente donde no sabían que fallaba. Ese es el trabajo que sigue valiendo dinero: saber dónde acaba la herramienta.

En Núcleo Parceiro la IA está donde produce. No está donde se decide lo que la marca es, lo que se niega a ser, y lo que se aguanta defender ante un accionista dentro de tres años. Eso es el Consejo: cuatro Socios que piensan, diseñan y firman cada entrega. No es una limitación técnica nuestra. Es una posición, y las posiciones se pueden discutir, al contrario de las configuraciones de una herramienta.

Si lo que usted necesita es producir deprisa lo que ya existe en patrón, la herramienta lo hace, es honesto decirlo, y no nos necesita para eso. Si lo que necesita es una marca que se distinga en un mercado donde producir lo igual acaba de quedar casi gratis, entonces lo que está comprando no es producción. Es criterio, y alguien que responda por él.

Fuentes

Cada número de este artículo ha sido verificado en la fuente primaria. Donde la fuente no sustenta la lectura corriente, lo decimos en el cuerpo del texto.

1. Doshi, A. R. y Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. Fuente
2. Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. y Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013. Fuente
3. Moon, K., Green, A. E. y Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity. Computers in Human Behavior: Artificial Humans, 6, 100207. Fuente
4. Wenger, E. y Kenett, Y. N. (2026). Large language models are homogeneously creative. PNAS Nexus, 5(3), pgag042. Fuente
5. Wan, Y. y Kalman, Y. M. (2026). Diverse AI personas can mitigate the homogenization effect in human-AI collaborative ideation. Computers in Human Behavior: Artificial Humans, 100289. Fuente
6. Jakesch, M., Hancock, J. T. y Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. Fuente
7. Schilke, O. y Reimann, M. (2025). The transparency dilemma: How AI disclosure erodes trust. Organizational Behavior and Human Decision Processes, 188, 104405. Fuente
8. Longoni, C., Fradkin, A., Cian, L. y Pennycook, G. (2022). News from Generative Artificial Intelligence Is Believed Less. ACM FAccT '22. Fuente
9. Horton Jr., C. B., White, M. W. y Iyengar, S. S. (2023). Bias against AI art can enhance perceptions of human creativity. Scientific Reports, 13, 19001. Fuente
10. Romaniuk, J., Sharp, B. y Ehrenberg, A. (2007). Evidence concerning the Importance of Perceived Brand Differentiation. Australasian Marketing Journal, 15(2), 42-54. Fuente
11. Binet, L. y Field, P. (2013). The Long and the Short of It: Balancing Short and Long-Term Marketing Strategies. IPA, Londres. Fuente
12. Fiocchi, G. y Seyed Esfahani, M. (2024). Exploring the uniqueness of distinctive brand assets within the UK automotive industry. Journal of Brand Management, 31(1), 1-15. Fuente
13. Google. Spam policies for Google Web Search (sección Scaled content abuse). Google Search Central. Fuente
14. Graphite (2025). More Articles Are Now Created by AI Than Humans. Five Percent. Fuente
15. Graphite (2025). AI Content In Search & LLMs. Five Percent. Fuente
16. Ewing, T. (2025). AI or No AI, Coke Gets the Christmas Love. System1 Group. Fuente