Mark Williams-Cook publicó esta semana en Search Engine Journal un artículo con un argumento que vale la pena desarrollar más allá de como él lo plantea. La tesis central: los LLMs tienen dos modos de fallo opuestos. Donde son débiles, producen errores que cualquier persona detectaría. Donde son fuertes, hacen algo más silencioso y más caro: arrastran todo el contenido que producen hacia la media de lo que ya existe.
Williams-Cook lo llama el problema de la convergencia. Shared data, shared incentives, fast feedback loops: cuando todos los actores de una categoría usan los mismos modelos entrenados con los mismos datos optimizando para las mismas métricas, el resultado no son estrategias diferenciadas sino la misma estrategia en distintos colores de marca.
El argumento es correcto. Pero creo que el diagnóstico apunta al sitio equivocado.
El problema no es la IA. Es el prompt.
Williams-Cook cita varios estudios que documentan este efecto de homogeneización: investigadores de Columbia y MIT que encontraron que delegar decisiones identitarias a LLMs desplaza las elecciones hacia las opciones más populares, un estudio en Science Advances que muestra que la IA mejora la creatividad individual pero reduce la diversidad colectiva del contenido. La conclusión implícita es que la herramienta en sí genera convergencia.
Desde mi opinión, el problema no es la herramienta sino lo que se le da. Un prompt genérico —»escríbeme un artículo sobre los beneficios del SEO local»— produce contenido genérico porque la información de entrada es la misma que tiene cualquier otro usuario del mismo modelo. Pero un prompt que incorpora datos propios, experiencia de primera mano, perspectiva construida sobre años de trabajo con clientes reales, produce algo que ningún otro usuario puede replicar aunque use exactamente el mismo modelo.
La convergencia no viene de la IA. Viene de usar la IA sin aportarle nada que solo tú puedes aportar.
Dicho de forma más directa: si vas a publicar un artículo que cualquier persona puede generar con un prompt estándar, no lo publiques. No porque esté mal escrito, sino porque no existe ninguna razón para que alguien lo lea en tu web y no en otra. Pero si ese mismo modelo trabaja con datos que tú has recopilado, con observaciones de tus propios clientes, con una posición editorial que has desarrollado a lo largo de años, entonces el output es tuyo aunque la herramienta sea la misma que usa todo el mundo.
El ejemplo del MSPaint y por qué no demuestra lo que parece
Para ilustrar el valor de lo hecho a mano frente a lo generado por IA, Williams-Cook describe su propio experimento en LinkedIn: lleva meses publicando consejos de SEO acompañados de dibujos hechos literalmente en MS Paint, el programa de pintura básico de Windows. Dibujos objetivamente malos. Monigotes con etiquetas, flechas torcidas, sin ningún acabado visual. Uno de esos posts llegó a 35.000 impresiones y casi 450 reacciones, y los comentarios recurrentes eran del tipo «se nota que lo has hecho tú, se siente cercano».
Su conclusión: en un feed saturado de imágenes generadas con IA, todas con la misma estética de equipo diverso sonriendo frente a dashboards holográficos, algo claramente hecho a mano destaca por contraste.
El argumento tiene lógica, pero la explicación es más simple: ser transgresor siempre ha generado visibilidad, independientemente de la herramienta. En lengua hispana llevamos tiempo viendo el mismo fenómeno con canales de YouTube que usan un estilo de ilustración deliberadamente rudimentario y han construido audiencias enormes. Lo que funciona no es lo hecho a mano per se, sino lo que rompe el patrón dominante en ese momento. Si mañana todo el mundo empieza a publicar dibujos en Paint, la IA generará dibujos en Paint y alguien con una fotografía hiperrealista será quien destaque. El medio no es el mensaje. La ruptura del patrón es el mensaje.
Y esa ruptura no requiere renunciar a la IA. Requiere usarla de forma que el output no sea predecible.
Dónde sí tiene razón Williams-Cook
La parte más útil del artículo es la distinción entre usos donde ser mediocre no tiene coste y usos donde la mediocridad es fatal.
Para trabajo de commodity —resumir una reunión, corregir alt texts a escala, redactar una respuesta educada a un cliente difícil, estructurar un informe interno— los LLMs son excelentes y el coste de que el output sea el promedio de lo que haría cualquier otro es cero. Nadie elige una marca por la calidad de sus resúmenes internos.
Para todo lo que tiene que diferenciarte —el posicionamiento de marca, el ángulo editorial de un artículo, la voz con la que hablas a tu audiencia, la perspectiva que ofreces sobre un tema que todo el mundo está cubriendo— el riesgo de convergencia es real. No porque la IA no pueda escribir bien, sino porque puede escribir mejor que la mayoría de personas que no son periodistas o copywriters de formación, y precisamente por eso tiende a producir el mejor texto promedio, no el texto más distintivo.
La solución no es escribir sin IA. Es escribir con IA aportando lo que solo tú tienes: los datos que has recopilado, las conclusiones que has extraído de tu experiencia, las posiciones que has desarrollado y que alguien podría rebatirte. Eso es lo que ningún prompt estándar puede replicar.
La pregunta que cada equipo de contenidos debería hacerse
Williams-Cook termina su artículo con una recomendación práctica: usar el output del modelo como baseline para deliberadamente divergir de él. Pedir la respuesta estándar, luego preguntar qué haría solo tu marca, luego preguntar cuál sería la respuesta opuesta.
Es un ejercicio útil, pero hay una pregunta más directa: ¿existe alguna razón por la que este contenido solo puede venir de nosotros? Si la respuesta es no, el contenido es wallpaper, independientemente de quién o qué lo haya escrito. Si la respuesta es sí, entonces la IA es simplemente la herramienta más eficiente para articularlo.
El problema de convergencia es real. Pero su causa no es la IA. Es la ausencia de algo genuinamente propio que aportarle.
