Los grandes modelos de lenguaje (LLM) como ChatGPT, Claude o Gemini se han convertido en asistentes omnipresentes en la vida profesional y personal. Sin embargo, su éxito también ha revelado una debilidad estructural: tienden a caer en un “groupthink” digital, repitiendo respuestas similares y predecibles. Un experimento simple ilustra el problema: al pedir a cualquier chatbot un número aleatorio entre 1 y 10, la mayoría responde “7”. Al solicitar otro número, la respuesta suele ser “3” o “4”, y así sucesivamente. No es una coincidencia, sino el reflejo de cómo los LLM aprenden a optimizar la probabilidad de palabras basándose en enormes corpus donde ciertos patrones aparecen con mayor frecuencia.
Esta homogeneidad se vuelve crítica cuando se espera que la IA sea creativa, genere ideas novedosas o proponga soluciones fuera de lo convencional. En campos como la investigación científica, el diseño de productos o la generación de contenido artístico, la capacidad de romper con lo esperado es tan valiosa como la precisión factual. La cuestión, entonces, es ¿cómo se puede escapar de ese “groove” de pensamiento grupal sin sacrificar la calidad y la coherencia?
Una startup emergente, denominada DivergentAI, ha puesto el foco en esta problemática. Fundada por ex‑investigadores de DeepMind y OpenAI, la compañía propone una arquitectura híbrida que combina los LLM tradicionales con módulos de “perturbación estocástica”. En lugar de confiar únicamente en la distribución de probabilidad aprendida, estos módulos introducen ruido controlado y estrategias de búsqueda de espacio de soluciones que favorecen respuestas menos comunes pero potencialmente más útiles.
¿Cómo funciona la propuesta?
Inyección de ruido estructurado: antes de generar la respuesta final, el modelo inserta pequeñas variaciones en los embeddings de entrada. Estas variaciones están diseñadas para explorar regiones menos pobladas del espacio semántico, evitando la trampa de los “picos” de alta probabilidad que conducen a respuestas repetitivas.
Mecanismo de “exploración‑explotación”: inspirado en algoritmos de refuerzo, el sistema evalúa múltiples candidatos generados y selecciona aquellos que maximizan una métrica de novedad sin perder coherencia.
Feedback humano‑in‑the‑loop: durante la fase de entrenamiento, evaluadores expertos califican la originalidad de las respuestas, alimentando al modelo con un “signal” de creatividad que refina la penalización de la monotonía.
El resultado, según los primeros benchmarks internos de DivergentAI, es una reducción del 30 % en la frecuencia de respuestas idénticas a preguntas triviales y un aumento del 45 % en la diversidad de ideas propuestas en tareas de brainstorming.
Implicaciones para la industria
El enfoque de DivergentAI llega en un momento crucial. Grandes corporaciones ya están integrando LLM en sus flujos de trabajo: desde la generación automática de código en plataformas como GitHub Copilot, hasta la redacción de informes de negocio en suites de productividad. Si estos sistemas siguen entregando respuestas que el usuario ya ha visto cientos de veces, el valor percibido disminuye y la confianza en la IA se erosiona.
Además, la regulación emergente en la Unión Europea y América Latina exige transparencia sobre los sesgos de los modelos. La “creatividad controlada” que propone DivergentAI no solo mejora la experiencia del usuario, sino que también abre la puerta a auditorías más detalladas sobre cómo y por qué se generan determinadas respuestas.
Desafíos y críticas
No todo es entusiasmo. Algunos expertos advierten que introducir ruido puede comprometer la precisión, especialmente en dominios críticos como la medicina o el derecho, donde la exactitud es prioritaria. Asimismo, la medida de “novedad” sigue siendo subjetiva; lo que para un analista resulta creativo, para otro puede ser irrelevante o incluso confuso.
Otro punto de tensión es el costo computacional. Generar múltiples candidatos y evaluarlos bajo un esquema de exploración‑explotación requiere más recursos que la generación directa tradicional, lo que podría encarecer su despliegue a gran escala.
¿Qué sigue?
DivergentAI planea lanzar una versión beta pública a finales de este año, enfocada inicialmente en aplicaciones de generación de contenido de marketing y diseño de producto. Si la comunidad tecnológica adopta estas técnicas, podríamos estar frente a una nueva generación de LLM que no solo respondan correctamente, sino que también sorprendan y expandan los límites de la creatividad humana‑artificial.
En última instancia, la cuestión no es solo técnica, sino filosófica: ¿Queremos que la IA sea una réplica fiel de la información existente, o una compañera capaz de pensar fuera de los patrones establecidos? La apuesta de DivergentAI es clara: la segunda opción es la que definirá el futuro de la inteligencia artificial generativa.
