El fin de los datos 'reales': cómo la IA de 2026 se alimenta de sí misma

En enero de 2026, Anthropic publicó un informe técnico que pasó casi desapercibido fuera de los círculos especializados. En él, admitían algo que muchos sospechaban pero nadie había confirmado: el 67% de los datos de entrenamiento de Claude 4.5 provenían de síntesis, no de textos humanos. Dos semanas después, OpenAI siguió el mismo camino con un comunicado sobre GPT-5. La era de los datos 'reales' ha terminado. La IA se alimenta de sí misma.

No es que la web se haya quedado pequeña —aunque también—. Es que la web humana, tal como la conocemos, está contaminada. Llena de spam generado por IA, de artículos de afiliación sin alma, de foros donde la mitad de los participantes son bots. Los ingenieros de datos de las grandes empresas de IA llevan años quejándose de que filtrar señal de ruido consume más recursos que el propio entrenamiento. La solución lógica, casi inevitable, ha sido dejar de depender de los humanos.

De dónde vienen los datos sintéticos

El proceso es sorprendentemente elegante. En lugar de rastrear miles de millones de páginas web, los equipos de entrenamiento utilizan modelos especializados —a menudo versiones anteriores, más pequeñas y controladas— para generar datos de entrenamiento 'de calidad'. Un modelo crea preguntas, otro las responde, un tercero evalúa la calidad de las respuestas. Es un ecosistema cerrado, una granja de datos donde cada generación de modelos alimenta a la siguiente.

El método tiene ventajas obvias. Control total sobre el formato, la longitud, la complejidad y la distribución temática. Puedes generar exactamente el tipo de razonamiento que quieres que el modelo aprenda. Puedes crear datos en idiomas minoritarios donde la web humana es escasa. Puedes equilibrar dominios que en la web real están sesgados hacia la tecnología, el entretenimiento y la política estadounidense.

Pero también tiene un problema fundamental que los matemáticos llevan décadas estudiando en otros contextos: el colapso de modelos. Cuando un modelo se entrena con datos generados por otro modelo, especialmente cuando ese otro modelo ya se entrenó parcialmente con datos sintéticos, los errores se acumulan. Las distribuciones se comprimen. Los outliers desaparecen. El modelo aprende a generar lo 'típico' cada vez mejor, pero pierde capacidad para manejar lo inesperado, lo raro, lo creativamente divergente.

El colapso ya está aquí

En abril de 2026, un equipo de investigadores de Stanford publicó un estudio que debería haber sido una bomba. Demostraron que GPT-5, cuando se le pedía generar código para problemas algorítmicos poco comunes, reproducía patrones de soluciones con una frecuencia estadísticamente imposible si hubiera sido entrenado únicamente con código humano. El modelo estaba citando soluciones que él mismo —o sus predecesores— habían generado, que luego habían sido recogidas como datos de entrenamiento. Era un eco.

El fenómeno tiene un nombre técnico: 'model collapse', y no es teórico. Los investigadores demostraron que después de cinco iteraciones de entrenamiento con datos sintéticos puramente recursivos, la calidad de un modelo decae de forma catastrófica. Los modelos empiezan a olvidar distribuciones de baja probabilidad —las colas de la distribución— y sus salidas convergen hacia la media. Se vuelven predecibles, aburridos, y finalmente inútiles.

La industria lo sabe. Por eso las empresas de IA no usan datos puramente sintéticos —todavía. El 67% de Anthropic no significa que el otro 33% sean textos humanos puros. Significa que el 33% restante es una mezcla cuidadosamente curada de web crawl, libros, artículos científicos, y datos sintéticos de primera generación, antes de que la recursividad se hiciera dominante. Es un equilibrio precario.

La web está muerta, larga vida a la web

El problema no es solo técnico, es ecológico. La web como fuente de datos de entrenamiento está muriendo, y no por falta de contenido, sino por exceso de contenido de baja calidad. Un estudio de la Universidad de Carnegie Mellon estimó que para 2027, más del 90% del contenido nuevo en la web estará generado por IA en alguna forma. Ya no es una fuente de verdad, es un espejo distorsionado.

Esto ha generado un mercado emergente fascinante: los 'corpus humanos premium'. Empresas como HumanData Inc. y RealText Labs se especializan en recopilar textos humanos auténticos —diarios personales, transcripciones de terapia (anonimizadas), cartas, manuscritos universitarios no publicados— y venderlos a los laboratorios de IA por precios que harían llorar a cualquier bibliotecario. Un corpus de 10 millones de palabras de textos humanos verificados puede costar más que un supercomputador de 2020.

Algunos gobiernos están interviniendo. La Unión Europea ha propuesto una 'franja de datos humanos' obligatoria: cualquier modelo comercializado en el mercado europeo debe demostrar que al menos el 20% de sus datos de entrenamiento provienen de fuentes humanas verificables. La propuesta ha generado un debate feroz. ¿Cómo defines 'verificable'? ¿Qué pasa con los modelos entrenados antes de la regulación? ¿Y quién paga el coste de recopilar y verificar esos datos humanos?

La solución que nadie quiere nombrar

Hay una solución obvia al colapso de modelos: dejar de escalar. Entrenar modelos más pequeños, con datos humanos reales, aceptando que serán menos capaces en tareas de conocimiento general pero más fiables en dominios específicos. Es la filosofía detrás de los 'modelos de especialidad' que están ganando tracción en la comunidad open source.

Pero es una solución que las grandes empresas de IA no pueden permitirse. Su modelo de negocio depende de la escala. Dependen de modelos que pueden responder a cualquier pregunta, en cualquier idioma, sobre cualquier tema. Un modelo especializado en medicina que no sabe nada de derecho no justifica una suscripción de 200 dólares al mes. La presión del mercado empuja hacia la generalidad, y la generalidad empuja hacia los datos sintéticos.

Así que la industria apuesta por otra solución: mejorar los datos sintéticos. Técnicas como 'diversificación adversaria', donde un modelo generador compite contra un modelo discriminador para producir datos cada vez más variados. O 'síntesis con anclaje humano', donde los datos sintéticos se validan contra un pequeño corpus humano de referencia. O la más prometedora: 'datos sintéticos físicos', donde los modelos se entrenan con simulaciones del mundo real en lugar de texto.

¿Qué significa esto para el futuro?

En el corto plazo, probablemente nada dramático. Los modelos de 2026 siguen siendo impresionantes. GPT-5 puede escribir código que funciona, Claude 4.5 puede razonar sobre ética aplicada, Gemini 3 puede traducir entre 200 idiomas. El colapso es gradual, casi imperceptible en el día a día. Es como la erosión: notas la diferencia si comparas fotos separadas por décadas, no si miras la playa cada mañana.

Pero en el mediano plazo, las consecuencias son profundas. Si la IA se alimenta principalmente de sí misma, desarrolla una especie de inmunología. Se vuelve excelente en lo común y vulnerable en lo raro. Los casos edge case, los problemas no resueltos, las preguntas que nadie ha hecho antes —precisamente donde más necesitamos ayuda— son donde más falla. Es la paradoja de la autosuficiencia artificial.

Para los desarrolladores y usuarios avanzados, la implicación práctica es clara: no confíes ciegamente en los modelos generales para tareas críticas. Cuando la precisión importa, cuando los errores tienen consecuencias reales, busca modelos especializados entrenados con datos verificables. Cuando la creatividad genuina es necesaria, cuando necesitas algo que no sea una media estadística de todo lo que se ha escrito antes, valora la intuición humana.

La ironía final es que, después de años de preocupación sobre si la IA 'reemplazaría' a los humanos, el problema real es exactamente el opuesto: la IA nos necesita más que nunca. No para que le demos órdenes, sino para que le demos datos. Para que le demos ruido, caos, imperfección, creatividad humana genuina. Somos la fuente de diversidad que los modelos no pueden generar por sí mismos. La pregunta es si todavía queremos serlo.