Estudio revela que los principales chatbots ofrecen un conocimiento más estrecho y homogéneo que Google

Investigadores de la Universidad de Copenhague han completado la prueba comparativa más exhaustiva de modelos de lenguaje grande (LLM) realizada hasta la fecha. Evaluaron 27 LLM destacados en 155 temas distintos, generando 200 formulaciones de consulta para cada tema. El experimento produjo aproximadamente 70 millones de declaraciones individuales, lo que permitió al equipo cuantificar cuán amplio es el abanico de conocimientos que extrae cada modelo.

El hallazgo central es contundente: todos los LLM analizados ofrecen menos diversidad epistémica que una búsqueda convencional en Google. Incluso el modelo con mejor desempeño, identificado como GPT‑5, sigue quedando por detrás de Google en al menos un 18,7 % en cuanto a la variedad de información que puede presentar.

Crecimiento de la diversidad en los últimos tres años

Contrario a la narrativa popular de una inevitable reducción de la amplitud del conocimiento, el estudio muestra un aumento sustancial de la diversidad epistémica entre los LLM durante los últimos tres años. Esta tendencia al alza, sin embargo, no cierra la brecha con los motores de búsqueda, que continúan superando a los chatbots en todos los aspectos.

La mejora es desigual. Los sistemas de generación aumentada por recuperación (RAG), que combinan un modelo de lenguaje con la recuperación de documentos externos, muestran un aumento medible en la diversidad. En contraste, los modelos más grandes —aquellos con mayor número de parámetros— son paradójicamente menos diversos que sus contrapartes más pequeñas.

Sesgo lingüístico y riesgo de colapso del conocimiento

Un segundo problema, más sutil, surge del análisis del conocimiento paramétrico: el inglés domina las representaciones internas de todos los modelos evaluados, incluso cuando la consulta se refiere a temas específicos de países que no hablan inglés. Esta inclinación lingüística reduce la visibilidad de fuentes locales y perspectivas culturales.

Los autores atribuyen este sesgo a la forma en que los LLM comprimen enormes corpus de entrenamiento. Al priorizar los patrones más frecuentes, los modelos filtran de manera inherente la información menos común. Si los futuros flujos de entrenamiento incorporan texto generado por otras IAs —práctica que ya está ganando terreno— el fenómeno conocido como "colapso del conocimiento" podría acelerarse, homogenizando aún más la base de conocimientos.

Propuestas de solución y herramientas de medición

Para mitigar estos riesgos, los investigadores introdujeron una métrica cuantitativa para evaluar la diversidad epistémica en las respuestas de los chatbots. Instan a los desarrolladores de IA a adoptar esta medida como referencia estándar durante la evaluación de modelos.

En paralelo, recomiendan que los usuarios finales consulten múltiples fuentes de información en lugar de depender exclusivamente del resumen de un solo chatbot. Este hábito ayuda a preservar una visión más amplia del tema tratado.

• Adoptar la nueva métrica de diversidad epistémica en las pruebas de modelos
• Incorporar datos diversos y multilingües durante el entrenamiento
• Limitar la proporción de texto generado por IA en los conjuntos de entrenamiento
• Fomentar arquitecturas aumentadas por recuperación para una mejor cobertura

El estudio aún no observa un "colapso del conocimiento" concreto en la generación actual de chatbots, pero advierte que la trayectoria dependerá en gran medida de las prácticas de entrenamiento. El progreso desigual entre lenguas y tipos de modelo sugiere que, sin una intervención deliberada, la brecha con los motores de búsqueda podría mantenerse o incluso ampliarse.

Para las organizaciones hispanohablantes, la implicación práctica es clara: aunque los chatbots pueden acelerar la recuperación rutinaria de información, no deben sustituir a las estrategias de búsqueda exhaustivas. Se aconseja a los responsables de decisiones contrastar los resultados de los chatbots con búsquedas tradicionales y mantener un conjunto diversificado de fuentes de conocimiento, sobre todo al operar en contextos multilingües o regionales.

Conclusiones y recomendaciones finales

En síntesis, la investigación de Copenhague confirma que, pese a los avances recientes, los chatbots siguen ofreciendo una visión más estrecha que la que permite una búsqueda en Google. La adopción de métricas de diversidad epistémica, la incorporación de datos multilingües y el fomento de arquitecturas RAG aparecen como pasos clave para cerrar esa brecha y evitar una eventual homogenización del saber.