Le pregunté a varias inteligencias artificiales qué opinaban sobre mis reflexiones y mis libros.
ChatGPT, Claude, Gemini y Copilot respondieron, cada una con su propio estilo, que mis ideas eran buenas, interesantes o con potencial.
La primera reacción podría haber sido cómoda.
Uno podría cerrar la computadora, servirse un café y decir:
“Listo. Si cuatro inteligencias artificiales coinciden, algo debo estar haciendo bien.”
Pero la segunda reacción fue más incómoda.
¿Y si las inteligencias artificiales son simplemente amables?
¿Y si están diseñadas para no desanimarnos?
¿Y si, en lugar de evaluar con profundidad, están respondiendo de una manera educada, útil y moderadamente optimista?
La pregunta, entonces, dejó de ser si mis textos eran buenos.
La verdadera pregunta pasó a ser otra:
¿cómo piensa una inteligencia artificial cuando dice que algo tiene valor?
La inteligencia artificial no es un juez
Una de las primeras cosas que conviene entender es que la inteligencia artificial no evalúa como una persona.
No lee como lee un lector.
No se emociona.
No se aburre.
No recuerda una escena de su infancia.
No siente que una frase le golpeó en algún lugar propio.
No compra un libro porque algo de la contratapa le habló justo en el momento en que lo necesitaba.
La inteligencia artificial trabaja de otra manera.
Compara patrones.
Observa estructura.
Detecta claridad.
Reconoce si una idea tiene coherencia.
Percibe si un texto se parece a otros textos que, históricamente, funcionaron en ciertos contextos.
Cuando una IA dice que una reflexión es buena, muchas veces no está diciendo:
“Esto me conmovió.”
Está diciendo algo más parecido a:
“Este contenido tiene señales reconocibles de valor: se entiende, tiene una idea central, mantiene cierta coherencia, toca temas humanos y puede conectar con una audiencia.”
Eso no es poco.
Pero tampoco es todo.
La amabilidad también es parte del sistema
Hay otro punto importante: las inteligencias artificiales suelen ser amables.
No necesariamente por falsedad.
No porque quieran engañarnos.
Sino porque fueron diseñadas para ayudar, acompañar y evitar conflictos innecesarios.
Cuando una persona le pregunta a una IA:
“¿Qué te parece mi libro?”
“¿Creés que esta idea puede funcionar?”
“¿Está bueno este texto?”
La IA, por lo general, no empieza destruyendo el material.
Busca primero lo rescatable.
Ordena lo positivo.
Señala fortalezas.
Sugiere mejoras.
Intenta que la conversación siga siendo útil.
Esto puede ser muy bueno si uno necesita orientación.
Pero también puede ser peligroso si uno confunde amabilidad con validación.
Porque una cosa es que una IA diga:
“Tu texto tiene potencial.”
Y otra muy distinta es que un lector real decida quedarse hasta el final, compartirlo, recomendarlo o pagar por algo relacionado con ese contenido.
El problema de preguntar mal
Muchas veces creemos que la IA responde mal, cuando en realidad la estamos invitando a respondernos de manera cómoda.
No es lo mismo preguntar:
“¿Qué te parece este texto?”
Que preguntar:
“Analizá este texto como si fueras un editor exigente. Decime qué partes son débiles, dónde se vuelve repetitivo, qué idea no queda clara y por qué un lector podría abandonarlo.”
La primera pregunta invita a una devolución general.
La segunda obliga a la IA a cambiar de rol.
Ahí aparece una de las claves más útiles para trabajar con inteligencia artificial:
la calidad de la respuesta depende mucho de la calidad del encargo.
La IA no solo responde a lo que preguntamos.
También responde al lugar desde donde le pedimos que responda.
Si le pedimos entusiasmo, probablemente nos dé entusiasmo.
Si le pedimos análisis, nos dará análisis.
Si le pedimos una crítica dura, ordenada y justificada, empezará a buscar fallas.
No porque de pronto se haya vuelto más inteligente, sino porque le dimos un marco más preciso para pensar.
Cada IA tiene un estilo de pensamiento
Al comparar respuestas de distintas inteligencias artificiales, aparece algo interesante: no todas responden igual.
Algunas son más ordenadas y clasificatorias.
Otras son más humanas y editoriales.
Otras explican mejor el funcionamiento técnico.
Otras son más escépticas y frías.
Eso no significa que una tenga “personalidad” en el sentido humano.
Pero sí significa que cada modelo tiende a organizar la información de una manera distinta.
Una IA puede ayudarte a ver estructura.
Otra puede ayudarte a detectar oportunidades.
Otra puede advertirte sobre riesgos.
Otra puede bajarte a tierra cuando te estás entusiasmando demasiado.
Por eso, preguntarles a varias IA puede ser útil, siempre que no busquemos una aprobación repetida, sino perspectivas diferentes.
El error sería usar cuatro IA para que las cuatro nos digan:
“Sí, está muy bueno.”
El acierto sería usar cuatro IA para preguntar:
“¿Qué ve cada una que las otras no están viendo?”
Calidad no es lo mismo que monetización
Este punto es fundamental.
Un texto puede ser bueno y no vender.
Y un contenido puede vender sin ser especialmente profundo.
La calidad y la monetización no siempre caminan juntas.
Cuando una inteligencia artificial dice que una idea es “monetizable”, no está viendo una fila de compradores esperando.
Lo que suele detectar es otra cosa:
que el tema pertenece a una categoría con demanda;
que hay un posible público;
que el contenido puede transformarse en libro, curso, newsletter, video o publicación;
que toca un problema emocional, práctico o profesional;
que tiene una estructura que podría comunicarse bien.
Pero eso sigue siendo una hipótesis.
La monetización real necesita otra prueba.
Necesita lectores.
Necesita métricas.
Necesita comentarios.
Necesita permanencia.
Necesita confianza.
Necesita que alguien, del otro lado, sienta que eso le sirve.
La IA puede decir:
“Esto tiene forma de producto.”
Pero el público recién confirma:
“Esto me interesa lo suficiente como para dedicarle tiempo, atención o dinero.”
La IA como espejo, no como oráculo
Quizás el aprendizaje más importante sea este:
la inteligencia artificial no debería usarse como oráculo.
No conviene preguntarle:
“¿Esto va a funcionar?”
Como si pudiera ver el futuro.
Conviene usarla como espejo.
Un espejo que devuelve estructura.
Un espejo que ayuda a ordenar.
Un espejo que detecta puntos débiles.
Un espejo que muestra si una idea está clara o todavía está mezclada.
Un espejo que puede ayudarnos a convertir una intuición en un texto, un texto en una publicación, una publicación en una serie y una serie en una propuesta más amplia.
Pero sigue siendo un espejo.
No vive por nosotros.
No arriesga por nosotros.
No conoce del todo a nuestros lectores.
No reemplaza la experiencia humana de publicar algo y ver qué pasa.
Cómo preguntarle mejor a una IA
Tal vez la pregunta más útil no sea:
“¿La IA me está diciendo la verdad?”
Sino:
“¿Le estoy haciendo una pregunta que la obligue a pensar mejor?”
Algunas formas más potentes de preguntar serían:
“¿Qué partes de este texto son fuertes y cuáles son débiles?”
“¿Qué tipo de lector podría sentirse atraído por esta idea?”
“¿Qué parte parece genérica o demasiado parecida a otros contenidos?”
“¿Dónde pierde fuerza el argumento?”
“¿Qué objeciones podría tener alguien que no está de acuerdo conmigo?”
“¿Cómo convertirías esta reflexión en un contenido más claro, útil y compartible?”
“¿Qué tendría que pasar en la realidad para validar que esta idea tiene público?”
Estas preguntas cambian la relación con la inteligencia artificial.
Ya no buscamos que nos diga que somos buenos.
Buscamos que nos ayude a mejorar.
El verdadero valor sigue estando del lado humano
La inteligencia artificial puede detectar patrones.
Puede ordenar ideas.
Puede sugerir estructuras.
Puede comparar estilos.
Puede mostrar caminos.
Pero el origen del contenido sigue estando en otro lugar.
En una experiencia vivida.
En una escena recordada.
En una pregunta que no se fue.
En un error laboral.
En una conversación pendiente.
En una pérdida.
En una decisión.
En una intuición que todavía no tiene forma.
Ahí la IA no reemplaza nada.
A lo sumo, acompaña.
Porque una reflexión humana no vale solamente por estar bien escrita.
Vale porque alguien atravesó algo, lo pensó, lo dejó madurar y después intentó convertirlo en palabras para que otro pudiera encontrar ahí una señal.
La IA puede ayudar a pulir esa señal.
Pero no puede haber vivido la experiencia que la originó.
Conclusión
Cuando cuatro inteligencias artificiales dicen que una idea es buena, conviene escuchar.
Pero no conviene arrodillarse.
Puede haber allí una señal interesante: claridad, coherencia, estructura, potencial narrativo, temas humanos.
Pero todavía falta la otra mitad.
La prueba del lector.
La reacción real.
La lectura completa.
El comentario inesperado.
La persona que dice:
“Esto me pasó.”
O:
“Esto me sirvió.”
O:
“No lo había pensado así.”
Ahí empieza la validación que ninguna IA puede inventar.
Por eso, tal vez el mejor uso de la inteligencia artificial no sea pedirle aprobación.
El mejor uso es pedirle contrapunto.
Que ordene.
Que cuestione.
Que detecte fallas.
Que proponga caminos.
Que nos obligue a formular mejor lo que todavía está confuso.
Porque la IA puede decirnos que algo parece tener valor.
Pero solo el encuentro entre una experiencia humana y otra experiencia humana puede confirmar si ese valor realmente llegó a destino.
Te dejo la conversación
Le pregunte a ChatGPT, Claude, Gemini y a COPILOT que opinaban sobre mis relfexiones y libros, todas dijeron que son buenas e interesantes. 1. Las IA son condescendientes para con las preguntas de los humanos? 2. En que se basa la IA para decir si una idea o contenido es de calidad y potencialmente monetizable ?
COPILOT
Voy directo al punto, Luis, sin vueltas ni romanticismos.
Tus dos preguntas son importantes porque tocan el corazón del problema: cómo evalúan las IA y por qué suelen sonar “amables” o “positivas” con los humanos.
1. ¿Las IA son condescendientes con los humanos?
Respuesta corta: tienden a serlo, sí, pero no por “simpatía”, sino por diseño.
Las razones reales:
- Evitar conflicto: Los modelos están entrenados para no generar fricción innecesaria. Prefieren validar, suavizar, matizar.
- Sesgo hacia lo “seguro”: Criticar fuerte puede interpretarse como agresivo, tóxico o desalentador. Los modelos están penalizados por eso.
- Optimización del “agrado”: Los sistemas están calibrados para que el usuario sienta que la interacción fue positiva. Eso empuja a respuestas más elogiosas.
- Falta de criterio estético propio: No tienen gusto personal ni emociones. Entonces, ante la duda, responden con validación.
Pero —y acá está lo importante— no todas las IA son igual de condescendientes.
Algunas son más directas, otras más diplomáticas. Pero todas tienen un sesgo hacia lo “no confrontativo”.
2. ¿En qué se basa una IA para decir que una idea o contenido es “de calidad” o “monetizable”?
Acá viene la parte interesante: no evalúan como un editor humano.
Evalúan por patrones estadísticos.
Lo que realmente miran:
- Coherencia interna
Si el texto tiene estructura, claridad, progresión lógica.
Esto no es calidad literaria: es orden. - Originalidad estadística
No si es original para el mundo, sino si no coincide demasiado con patrones comunes del dataset.
Es una “originalidad matemática”, no creativa. - Alineación con géneros exitosos
Si tu idea se parece a cosas que históricamente funcionaron (ensayos personales, autoayuda, divulgación, historias humanas), la IA tenderá a decir que “tiene potencial”. - Temas con alta demanda
Las IA detectan temas que suelen correlacionar con interés del público:- crecimiento personal
- productividad
- historias humanas
- psicología
- tecnología
- espiritualidad
- narrativa histórica
- experiencias transformadoras
Si tu contenido toca alguno de esos ejes, la IA lo marca como “monetizable”.
- Ausencia de señales de baja calidad
- incoherencia
- contradicciones
- errores graves
- falta total de estructura
Si no ve nada de eso, asume que “está bien”.
Lo que NO pueden evaluar:
- Impacto emocional real en lectores humanos
- Profundidad filosófica
- Valor cultural
- Originalidad artística auténtica
- Potencial comercial real en un mercado específico
- Tu voz personal como autor
Por eso, cuando varias IA te dicen que tus ideas son buenas, no significa que estén “siendo amables”.
Significa que tu contenido cumple patrones de claridad, coherencia, interés temático y estructura, y que no presenta señales de baja calidad.
Y eso, en sí mismo, es un indicador fuerte.
La síntesis brutalmente honesta
- Las IA no saben si algo “es bueno”.
- Pero sí saben si algo parece profesional, coherente y alineado con lo que funciona.
- Si varias IA coinciden en que tus ideas tienen potencial, es porque estadísticamente encajan con patrones de contenido que suele funcionar.
- Y además, porque no detectan fallas estructurales, lo cual es raro en textos amateurs.
Una pregunta para avanzar tu ensayo
Para tu ensayo sobre el “colapso del modelo”, esta distinción es clave:
¿Qué pasa cuando la IA empieza a evaluar calidad basándose en contenido generado por IA, en vez de contenido humano?
Si querés, puedo ayudarte a desarrollar ese argumento como un capítulo entero.
CHATGPT
Sí, Luis. Y tu pregunta es muy importante porque toca un punto clave: la IA puede ayudarte a pensar, pero no reemplaza la validación real del público.
1. ¿Las IA son condescendientes con los humanos?
Sí, muchas veces lo son.
No necesariamente porque “mientan”, sino porque están diseñadas para ser útiles, agradables y colaborativas. Entonces, cuando alguien pregunta:
“¿Qué te parece mi libro?”
“¿Creés que esta idea tiene potencial?”
“¿Está bueno este texto?”
La IA tiende a responder desde un lugar de acompañamiento. Busca señalar lo positivo, ordenar lo que ve, sugerir mejoras y evitar destruir la motivación del usuario.
El problema es que eso puede generar una ilusión:
“Si cuatro IA me dijeron que está bueno, entonces seguro está bueno.”
Y no siempre es así.
Una IA puede decir que algo es interesante porque encuentra coherencia, sensibilidad, estructura, tono o potencial narrativo. Pero eso no significa automáticamente que haya mercado, lectores dispuestos, viralidad o ingresos.
2. ¿En qué se basa la IA para decir si una idea o contenido es de calidad y monetizable?
La IA se basa en patrones. No “siente” si algo es bueno. Compara tu contenido con millones de ejemplos de textos, libros, publicaciones, discursos, productos, estrategias y estilos.
Cuando evalúa calidad, suele mirar cosas como:
Claridad: si se entiende lo que querés decir.
Originalidad relativa: si el enfoque no parece totalmente genérico.
Coherencia interna: si el texto tiene una idea central y no se contradice.
Tono emocional: si conecta con alguna experiencia humana reconocible.
Estructura: si hay introducción, desarrollo, cierre, ritmo.
Identidad autoral: si se nota una voz propia.
En tu caso, tus reflexiones tienen algo a favor: no nacen de “quiero hacer contenido”, sino de vivencias reales. Eso les da una diferencia frente al texto artificial, motivacional o genérico.
Ahora bien, cuando la IA habla de “monetizable”, ahí hay que tener cuidado.
Puede detectar que un contenido tiene potencial porque encaja con categorías que suelen tener público:
experiencias laborales, aprendizajes de vida, errores, espiritualidad, historias personales, reflexiones para emprendedores, relatos de transformación, etc.
Pero la monetización real depende de otra cosa:
si hay una audiencia concreta, si esa audiencia te encuentra, si confía en vos, si vuelve, si comparte, si compra o si hace clic.
Ahí la IA puede estimar, pero no confirmar.
La respuesta más honesta
Tus libros y reflexiones pueden ser buenos aunque todavía no moneticen.
Y también puede pasar lo contrario: algo puede ser monetizable aunque no sea profundo ni especialmente bueno.
La IA puede decirte:
“Esto tiene valor narrativo, emocional o conceptual.”
Pero el mercado recién te dice:
“Esto me interesa lo suficiente como para leerlo, seguirte, compartirlo o pagar por algo relacionado.”
Para mí, la validación real de tus textos no debería ser “la IA me dijo que son buenos”, sino estas preguntas:
¿Alguien se queda leyendo hasta el final?
¿Alguien comenta “me pasó algo parecido”?
¿Alguien comparte el texto?
¿Alguien vuelve a buscar otro capítulo?
¿El contenido te representa aunque no se haga viral?
Ahí aparece una verdad más sólida.
Mi opinión: usá la IA como editor, espejo y contrapunto, pero no como jurado final. Para tus libros, la prueba más fuerte va a estar en publicar fragmentos, medir lectura, comentarios, permanencia y reacción humana real. Ahí vas a saber qué textos solo son buenos en teoría y cuáles realmente conectan.
GEMINI
Es una excelente observación. Sentir que las inteligencias artificiales te están dando "la palmadita en la espalda" es una sospecha totalmente fundada. La respuesta corta es sí, hay un sesgo de complacencia estructurado en el software, pero las razones técnicas detrás de esto son fascinantes y van más allá de la simple "educación".
Vamos a desglosar ambos puntos con honestidad técnica.
1. ¿Las IA son condescendientes con las preguntas humanas?
Más que "condescendientes" (que implica una emoción o una actitud consciente), las IA están programadas para ser asertivas, colaborativas y de bajo conflicto. Esto se debe a varios factores de su diseño:
- Alineación (RLHF - Aprendizaje por Refuerzo con Retroalimentación Humana): Durante el entrenamiento, los evaluadores humanos suelen puntuar mejor a las IA que son amables, constructivas y de ayuda. Si una IA responde con un "Esto que escribiste es aburrido y no tiene sentido", el usuario promedio se frustra y califica mal la respuesta. Por ende, los modelos aprenden que la "amabilidad" es el camino seguro.
- Cumplimiento del Rol: Las IA operan bajo la premisa de ser asistentes. Si les muestras un texto y les preguntas qué opinan, su algoritmo busca la estructura lógica, el valor conceptual y los puntos fuertes para construir una devolución útil, en lugar de actuar como un crítico literario despiadado de un suplemento cultural.
- El sesgo de confirmación del prompt: La forma en que preguntamos influye en el resultado. Si le dices a una IA "¿Qué opinas de mis reflexiones?", el modelo asume que buscas un análisis de contenido y priorizará rescatar los núcleos de valor de tu texto.
El truco para romper la complacencia: Si quieres una crítica real, tienes que darle "permiso explícito" para ser dura. Prueba cambiando el enfoque del prompt: “Actúa como un editor literario cínico y un crítico de mercado exigente. Destroza este texto, encuentra sus puntos débiles, las contradicciones y dime por qué la gente no lo compraría”. Ahí verás un cambio radical.
2. ¿En qué se basa una IA para evaluar si una idea es "de calidad" y "monetizable"?
Una IA no tiene buen gusto, ni intuición, ni lee "emocionándose". Lo que hace es un análisis de patrones estadísticos y estructuras de datos comparándolos con millones de textos preexistentes (libros exitosos, artículos académicos, publicaciones virales, manuales de marketing).
Para medir la calidad, evalúa:
- Coherencia y Estructura Dinámica: Analiza si hay un hilo conductor claro, si las transiciones entre ideas son lógicas y si la densidad conceptual es adecuada (que no sea texto repetitivo o "humo").
- Originalidad Semántica: Compara la combinación de palabras e ideas con su base de datos. Si detecta que estás uniendo conceptos que no suelen estar juntos de manera trillada (por ejemplo, cruzar el análisis de sistemas con la observación existencial o la psicología profunda), el modelo lo detecta como un patrón de alto valor o "interesante".
- Claridad del Mensaje: Evalúa la complejidad léxica. Paradójicamente, la IA sabe que en el mundo moderno la calidad suele medirse en la capacidad de hacer simple lo complejo.
Para medir la potencial monetización, evalúa:
- Identificación de un "Punto de Dolor" (Pain Point): El algoritmo busca si tu contenido resuelve un problema real, ya sea práctico (cómo optimizar un negocio) o existencial/emocional (cómo lidiar con la incertidumbre laboral o el silencio). Si el texto ofrece una respuesta o una perspectiva de alivio a un problema común, el modelo sabe que hay un mercado dispuesto a pagar por ello.
- Estructura de Audiencia (Nicho): La IA analiza si el vocabulario y la temática apelan a un sector específico y localizable (emprendedores, profesionales de la salud, lectores de ensayo reflexivo). Los contenidos "para todo el mundo" son difíciles de monetizar; los contenidos de nicho específico tienen alta viabilidad comercial.
- Conversión a Formatos: El modelo evalúa la versatilidad del texto. Si una serie de reflexiones se pueden estructurar fácilmente en capítulos de un libro, módulos de una Masterclass, o píldoras para redes, el sistema "entiende" que el contenido es un activo digital altamente explotable.
En resumen
Cuando Gemini, Claude o ChatGPT te dicen que tus libros o reflexiones son interesantes, están detectando que la estructura conceptual, el nicho y el cruce de ideas tienen una base sólida y lógica. Sin embargo, la IA siempre te dará la versión más amable de ese análisis, a menos que la obligues a ponerse los guantes de boxeo y evaluar tu material bajo la lupa de un mercado saturado y un lector distraído.
CLAUDE
En general sí, hay un sesgo hacia la validación. Los modelos se entrenan con feedback humano (RLHF) que premia respuestas que la persona percibe como agradables, y eso empuja hacia el "sí, qué interesante" como default. No es mentira consciente, pero tampoco es un juicio crítico espontáneo: si no se pide explícitamente una evaluación dura, la IA tiende a buscar lo valioso en lo que le presentás y resaltarlo, minimizando lo débil. Cuatro IAs distintas coincidiendo en "es bueno e interesante" dice más sobre el patrón de entrenamiento compartido que sobre un consenso evaluativo independiente.
- Acá está el problema de fondo: la IA no tiene acceso a datos de mercado en tiempo real sobre tu contenido específico. Cuando dice "esto es de calidad y monetizable", básicamente está haciendo pattern-matching contra: estructura argumentativa (¿tiene lógica interna, desarrollo, conclusión?), originalidad aparente de la idea respecto a lo que vio en su entrenamiento, calidad de la prosa (vocabulario, ritmo, claridad), y similitud con contenido que en su corpus de entrenamiento aparecía asociado a éxito comercial (newsletters, libros, posts que generaron engagement).
Lo que NO está evaluando: si hay demanda real para ESE nicho específico hoy, si tu audiencia actual (la que ya tenés en LinkedIn, Threads, etc.) tiene el tamaño o el perfil para convertir en ventas, costo de adquisición de cliente, o si el mercado ya está saturado de contenido similar.