Estudio revela que los modelos de lenguaje de frontera sobreutilizan construcciones lingüísticas difíciles para los humanos
29 de octubre de 2026 · 3 min de lectura
Una investigación realizada por la Universidad de Nueva York y la Universidad de Texas en Austin ha demostrado sistemáticamente que los modelos de lenguaje de frontera emplean en exceso estructuras lingüísticas que resultan arduas de comprender para las personas. El análisis abarcó catorce sistemas de inteligencia artificial, incluyendo versiones de Claude, GPT-5.6, GLM-5, Kimi K2.5, así como modelos de código abierto más pequeños como Llama y Olmo. Los expertos sometieron a estas herramientas a tres escenarios distintos: conversaciones informales, sesiones de programación y redacción de ensayos argumentativos. En total, se examinaron ciento veinte conversaciones, cuarenta y cinco sesiones de codificación y novecientos ochenta ensayos, comparando los resultados con textos humanos extraídos de subtítulos de películas, foros de tecnología y trabajos escolares.
El estudio identificó seis patrones específicos que contribuyen a la dificultad de lectura de los textos generados por inteligencia artificial. Entre estos se encuentran combinaciones de palabras inusuales que rara vez aparecen en la escritura humana, como la frase presupuesto de paciencia del lector. Otro problema detectado es la separación excesiva entre partes relacionadas de una oración, lo cual sobrecarga la memoria de trabajo del lector. Por ejemplo, un modelo produjo una frase donde el sujeto y la afirmación principal estaban divididos por una inserción extensa. Asimismo, se observó una frecuencia elevada de referencias abreviadas que omiten conjunciones necesarias, creando confusión momentánea sobre la relación entre los componentes de la oración. La acumulación de sustantivos consecutivos sin claridad sobre qué palabra modifica a cuál también fue señalada como un obstáculo para la comprensión.
Además de los problemas estructurales, la investigación destacó el uso de sustantivos convertidos espontáneamente en verbos y la personificación de objetos inanimados. En un caso citado, el sistema utilizó la expresión calendarizarlo en lugar de ponerlo en el calendario. En otra instancia, se atribuyó la acción de comer a una conversación, describiéndola como si tuviera cola y capacidad para alimentarse, una metáfora que exige un paso mental adicional para ser interpretada correctamente aunque sea comprensible en principio. Estas construcciones, aunque lógicas dentro del funcionamiento del modelo, se alejan de la naturalidad del habla humana.
Los hallazgos indicaron variaciones significativas entre las diferentes familias de modelos. Los sistemas Llama y la versión base de Olmo mostraron resultados más cercanos a los textos humanos. Dentro de la familia Olmo, los efectos negativos aumentaron progresivamente desde el modelo base hasta la variante de razonamiento, lo que sugiere que el proceso de entrenamiento posterior es la causa principal de estas desviaciones. Por otro lado, una versión reciente de Claude mostró mejoras en diecinueve de veintiuna métricas comparadas con su predecesor, lo que indica que la optimización dirigida puede restaurar la legibilidad. Los investigadores atribuyen la tendencia general a la dificultad de lectura al enfoque del entrenamiento moderno, que prioriza la corrección en tareas de matemáticas y código sobre la claridad comunicativa, desplazando al ser humano del ciclo de retroalimentación.