Un mar de irrelevancia
En Amusing Ourselves to Death (1985), Neil Postman comparó la visión de George Orwell y Aldous Huxley sobre la tecnología y su impacto en el pensamiento (y la vida) humanos. Escribió:
Según su perspectiva [la de Huxley], la gente llegará a amar su opresión, a adorar las tecnologías que anulan su capacidad de pensar. Lo que Orwell temía era a quienes prohibirían los libros. Lo que Huxley temía era que no hubiera razón para prohibir un libro, pues no habría nadie que quisiera leerlo. Orwell temía a quienes nos privarían de información. Huxley temía a quienes nos darían tanto que nos reducirían a la pasividad y el egoísmo. Orwell temía que la verdad nos fuera ocultada. Huxley temía que la verdad se ahogara en un mar de irrelevancia.
Orwell imaginaba una cultura opresiva; Huxley, que la gente llegará a adorar las tecnologías que anulan su capacidad de pensar. Cuatro décadas después, la Inteligencia artificial generativa nos obliga a preguntarnos cuál de los dos acertó, y la respuesta es que puede que ambos describieran, las dos caras de un mismo proceso.
Empecemos por las cifras. Según Ahrefs, sobre una muestra de 900.000 páginas web nuevas en inglés detectadas en abril de 2025, el 74,2% contenía algún contenido generado por IA. Una estimación más conservadora, la del estudio de Stanford, Imperial College London y el Internet Archive publicado en 2026, sitúa en torno al 35% la proporción de sitios recién publicados a mediados de 2025 clasificados como generados o asistidos por máquina, una cifra que era prácticamente cero antes de que ChatGPT apareciera a finales de 2022. Y la empresa Graphite, midiendo sobre Common Crawl, informa que los artículos escritos por IA actualmente igualan a los humanos.
Que tres mediciones rigurosas arrojen 74%, 35% y un ‘empate técnico’ es la primera evidencia del fenómeno. No sabemos con precisión cuánto de internet es contenido sintético, porque los detectores producen falsos positivos, porque no existe una definición estándar de ‘generado por IA’ y porque medir esto a escala planetaria es realmente difícil. Pero incluso la estimación más baja describe la transformación más rápida en la naturaleza del ‘conocimiento explícito’ desde la invención de la imprenta.
Un océano de contenido trivial sepulta lo valioso. Cody Kommers y otros investigadores, en “Why Slop Matters” (2026), constatan que el contenido digital de muy baja calidad, repetitivo y superficial creado de forma automatizada mediante IA, considerado como basura, se ha convertido en una parte prolífica de nuestras economías creativas, informativas y culturales. Pero lo verdaderamente inquietante es lo que esa abundancia le hace a lo que contamina.
Andrew Peterson, en “AI and the Problem of Knowledge Collapse” (2024), acuñó el término ‘colapso del conocimiento’ para describir una reducción gradual de la calidad de la información accesible y una pérdida de conciencia sobre los puntos de vista alternativos o innovadores. Argumenta que los grandes modelos, entrenados sobre datos diversos, tienden homogenizar: amplifican lo común y minimizan lo disruptivo. A medida que internet se llena de contenidos sintéticos, las ideas comunes se refuerzan y las raras se vuelven invisibles. Trabajos recientes que miden la diversidad epistémica de los LLM documentan esta tendencia (Wright et al., 2025).
El mecanismo lo demostró Ilia Shumailov en “AI models collapse when trained on recursively generated data” (Nature, 2024). Entrenar modelos generativos con datos sintéticos produce una pérdida progresiva e irreversible de información; con cada ciclo de entrenamiento, las salidas tienden a ser promedios o refritos de lo común y lo innovador desaparece. Es como el proceso de reciclaje de papel: con cada ciclo, la calidad del papel disminuye a menos que se introduzca papel nuevo o de alta calidad.
El riesgo es estructural. Si entre un tercio y tres cuartas partes de la web nueva es sintética, la próxima generación de modelos corre el riesgo de entrenarse sobre una base de conocimiento empobrecida. Así las dos profecías convergen. El mar de irrelevancia de Huxley reduce el acceso a la verdad pronosticada por Orwell. La sobreabundancia de contenido trivial ahoga la creatividad y hace del conocimiento diverso algo cada vez más difícil de encontrar. Demasiado y demasiado poco son, en este caso, el mismo fenómeno visto por sus dos caras.
Para dimensionar la magnitud de la fractura hay que recuperar una distinción anterior a toda esta tecnología. Michael Polanyi, en The Tacit Dimension (1966), formuló la diferencia entre conocimiento tácito y explícito, y la condensó en una frase que la ingeniería contemporánea tiende a olvidar: sabemos más de lo que podemos decir. El conocimiento humano está encarnado, es personal y, en su capa más profunda, inarticulable. El conocimiento explícito, es el que reside en textos, manuales, bases de datos, procedimientos, que es apenas la punta visible del iceberg, ya que debajo yace una masa sumergida gigantesca de intuiciones, destrezas corporales, emociones y valores. Y esa masa sumergida es, precisamente, lo que la IA generativa no puede procesar, porque solo opera sobre lo que ya fue puesto en palabras.
Desde los años noventa, el modelo dominante para pensar cómo evoluciona el conocimiento ha sido el de Ikujiro Nonaka e Hirotaka Takeuchi en The Knowledge-Creating Company (1995). Su ciclo SECI describe una espiral de conversión entre lo tácito y lo explícito en cuatro movimientos: socialización (compartir conocimiento tácito por observación e imitación), externalización (traducirlo a palabras mediante metáforas y analogías), combinación (integrar conocimientos explícitos dispersos en un saber colectivo) e internalización (reincorporar ese saber colectivo a la experiencia tácita de cada persona). La creación de conocimiento, en este esquema, empieza y termina en el cuerpo.
Es sobre esta base donde Markus Peschl, filósofo de las ciencias cognitivas de la Universidad de Viena, formula en “Human innovation and the creative agency of the world in the age of generative AI” (2024) el diagnóstico más profundo. Sostiene que, la producción global de conocimiento afronta un desafío sistémico: un sistema que retroalimenta la reserva común de saber con copias de sí mismo poco o nada creativas terminará por estancar la generación de conocimiento válido y original. Es el reciclaje de papel elevado a escala civilizatoria.
Peschl explica por qué la máquina no puede reemplazarnos en la creación de conocimiento novedoso. Se apoya en las teorías de la cognición 4E (la mente es encarnada, situada, enactuada y extendida) y en la Material Engagement Theory. Afirma que el conocimiento genuinamente nuevo no se extrae de patrones estadísticos del pasado, sino que emerge de un cuerpo que da sentido al mundo interactuando material y proactivamente con él. Un modelo entrenado solo sobre lo ya escrito recombina el pasado con fluidez asombrosa, pero no puede percibir lo que todavía no existe. De ahí su conclusión: hay que volver a poner al ser humano creativo dentro del ciclo, y para ello diseñar enabling spaces, arquitecturas físicas, sociales y cognitivas deliberadamente construidas para que emerja conocimiento nuevo.
Lo notable es que, casi al mismo tiempo y desde la gestión del conocimiento, tres investigadores han dibujado los planos de esos espacios. En “Möbius Strip Model for Augmenting Organizational Knowledge Creation Dynamics by Integrating Human and Artificial Knowledge” (Sustainability, 2026), Constantin Bratianu, Ruxandra Bejinaru y Doina Banciu comparten el mismo diagnóstico: el conocimiento artificial no es conocimiento en el sentido clásico. No es una creencia verdadera justificada, no opera sobre significados sino sobre distribuciones estadísticas de palabras, es sintáctico y no semántico, y carece de vínculo directo con la realidad, por lo que no converge hacia verdad alguna; es, además, exclusivamente racional, huérfano de las dimensiones emocional y espiritual del saber humano.
En lugar de fundir sin criterio lo humano y lo artificial, los separan en dos ciclos que solo comparten un punto. Conservan intacto el ciclo SECI para el conocimiento humano y construyen en paralelo uno propio para el artificial, al que llaman CASH: combinación (la interacción entre personas y máquina), artificialización (selección y curación de los datos que alimentan los algoritmos), sintetización (entrenamiento de los modelos para generar patrones) y humanización (traducción de la respuesta de la máquina a lenguaje comprensible). El acoplamiento entre ambos tipos de conocimiento ocurre exclusivamente en la etapa de combinación. Ya que es la única que maneja conocimiento puramente explícito y, por tanto, la única frontera donde la interacción hombre-máquina no contamina el núcleo tácito. Los dos ciclos forman una figura de una cara y un borde: una cinta de Möbius por la que el conocimiento fluye de manera continua sin que lo humano y lo artificial se confundan. Es, el enabling space de Peschl a la escala organizacional. Una arquitectura que protege el conocimiento humano encarnado aislándolo del artificial y deja que la máquina intervenga solo donde es más útil y menos peligrosa.
Y, sin embargo, mientras la teoría concluye que hay que reforzar el eslabón humano, la economía lo está expulsando. Business Insider vio caer su tráfico de búsqueda orgánica un 55% entre 2022 y 2025, lo que provocó recortes de personal; The New York Times vio bajar la cuota de la búsqueda en su tráfico del 44% al 37%. Estamos retirando al agente humano del ciclo de creación de conocimiento a escala planetaria en el preciso momento en que la teoría y la evidencia nos dice lo contrario.
Tenemos una internet que se sintetiza a sí misma a una velocidad sin precedentes; un mecanismo por el cual esa abundancia, lejos de enriquecer el conocimiento, lo trivializa. Tanto la propuesta filosófica como la organizativa, coinciden en la urgencia de reservar a los humanos las fases tácitas (la socialización, la intuición, el juicio de valor, el pensamiento crítico, la percepción de lo que aún no existe) y a las máquinas las fases explícitas de combinación y síntesis a gran escala. La lección es abandonar la fantasía de una IA que ‘aumenta’ cada fase del trabajo intelectual y adoptar, en su lugar, una división del trabajo epistémico que proteja deliberadamente el lugar donde el pensamiento humano destaca. Una cultura que suprime el disenso, la fricción en nombre del promedio, no se vuelve más sabia; se vuelve más plana.
Ese es, al final, lo que Huxley anticipó: no que una máquina nos censure, sino que nos imite tan bien y a tal escala que dejemos de distinguir el pensamiento vivo de su reflejo estadístico, y, peor aún que dejemos de producirlo por falta de estímulo para hacerlo. Un espejo que solo se mira a sí mismo no inventa nada: repite lo que tiene delante hasta vaciarlo de sentido. La tarea es asegurar que la red conserve rincones donde el pensamiento humano pueda seguir naciendo. Orwell temía que nos arrebataran lo que tememos. Huxley, temía que nos arruinara lo que amamos. En palabras de Peschl:
Tenemos que fortalecer nuestras capacidades creativas yendo más allá de la recombinación del conocimiento existente, y (re)aprender a interactuar con el mundo real en el sentido de una epistemología comprometida.
