Los modelos de IA se están comiendo sus propios datos de entrenamiento, y el resultado es un ciclo de degradación que los investigadores llaman “colapso de modelos”. Imagina un ecosistema donde los residuos de unos organismos se convierten en el alimento de otros — pero esos residuos son cada vez más tóxicos. Eso es lo que está ocurriendo con la IA generativa y el contenido sintético que inunda internet.
El fenómeno tiene dos caras inseparables. Por un lado, una avalancha de contenido sintético —artículos, imágenes, videos, comentarios, investigaciones académicas— está inundando la web a una escala que los investigadores apenas comienzan a cuantificar. Por el otro, los modelos de IA que se entrenan con esos mismos datos sintéticos empiezan a mostrar signos de degradación progresiva, un proceso que la literatura académica ha bautizado como model collapse (colapso de modelos). La paradoja es tan inquietante como inevitable: cuanta más IA usamos para generar contenido, peores podrían volverse los modelos que entrenamos con ese contenido.
Este artículo explora la evidencia disponible, los mecanismos detrás del fenómeno y las implicaciones para el futuro de la información digital.
La inundación silenciosa
La magnitud del problema es difícil de aprehender. En 2024, un equipo de investigación de Amazon Web Services AI Labs analizó una muestra de más de seis mil millones de oraciones extraídas de Common Crawl —el repositorio que funciona como columna vertebral de muchos datasets de entrenamiento de IA— y encontró que más del 57% de las oraciones estaban traducidas automáticamente, con una calidad particularmente baja en aquellas que habían pasado por múltiples idiomas. Esto no es tráfico invisible: es la materia prima con la que se están entrenando los modelos de lenguaje más avanzados del planeta.
El fenómeno no se limita a traducciones automáticas. En 2023, University College London estimó que más de 60.000 artículos académicos —superando el 1% de todas las publicaciones globales de ese año— fueron probablemente escritos con asistencia de modelos de lenguaje. El Instituto para la IA Centrada en el Ser Humano de Stanford (Stanford HAI) elevó aún más la cifra: alrededor del 17.5% de los artículos de ciencias de la computación y el 16.9% de las revisiones por pares incorporan contenido generado por IA.
En el ámbito del periodismo, la red Pravda —una constelación de sitios de desinformación— llegó a publicar hasta 10.000 artículos diarios, muchos de ellos generados por IA, según un informe de 2025 del American Sunlight Project. El objetivo declarado: infiltrar narrativas prorrusas en los datos de entrenamiento de los modelos de lenguaje del mundo.
La señal más clara de que el problema ha alcanzado una masa crítica quizá sea la decisión de Robyn Speer, creadora de wordfreq —una base de datos de frecuencias de palabras utilizada por lingüistas computacionales— de abandonar el proyecto en septiembre de 2024. Su explicación fue brutalmente directa: «la IA generativa ha contaminado los datos».
La era del «slop»
El fenómeno es tan ubicuo que ya tiene nombre propio. La palabra «slop» (que podríamos traducir como «bodrio» o «contenido chatarra») fue seleccionada como la Palabra del Año 2025 tanto por Merriam-Webster como por la American Dialect Society. The New York Times lo define como el equivalente digital del spam: «contenido de IA chapucero o no deseado en redes sociales, arte, libros y resultados de búsqueda».
Los ejemplos son difíciles de olvidar. En 2024, imágenes generadas por IA del llamado «Shrimp Jesus» —representaciones de Cristo fusionadas con gambas— se volvieron virales en Facebook, acumulando cientos de miles de interacciones. El motor detrás de este fenómeno no es ideológico sino económico: creadores de países en desarrollo producen imágenes de bajo esfuerzo apuntando a audiencias estadounidenses para maximizar ingresos publicitarios. Un estudiante de medicina en India declaró a la prensa que ganaba miles de dólares al mes con imágenes generadas por IA en Instagram.
El colapso de modelos: cuando la IA se envenena a sí misma
Si el contenido sintético solo fuera ruido de fondo, sería un problema menor. Pero no lo es: ese mismo contenido está reingresando en los pipelines de entrenamiento de los modelos que lo generaron, y las consecuencias son preocupantes.
En 2024, un equipo liderado por Ilia Shumailov publicó en la revista Nature un artículo que acuñó el término «model collapse». El hallazgo central es contraintuitivo pero profundamente lógico: cuando un modelo de IA se entrena exclusivamente con datos generados por otro modelo de IA, su calidad se degrada. Y si ese proceso se repite —cada nuevo modelo entrenado sobre la producción del anterior— la degradación se acelera hasta un colapso completo.
Shumailov y sus colegas describieron dos etapas. La primera es sutil: el modelo pierde información sobre las colas de la distribución —los datos minoritarios, las excepciones, lo poco frecuente. Esta pérdida es difícil de detectar porque el rendimiento general puede incluso parecer estable o mejorar. Pero en la segunda etapa, el daño se vuelve evidente: el modelo empieza a confundir conceptos, pierde varianza y su producción se vuelve indistinguible de ruido repetitivo.
Los mecanismos detrás del colapso son tres: errores de aproximación funcional (el modelo no puede representar perfectamente la distribución subyacente), errores de muestreo (las muestras sintéticas no capturan la verdadera diversidad de los datos originales) y errores de aprendizaje (el modelo refuerza sus propias alucinaciones). En modelos complejos como los grandes modelos de lenguaje, estos errores se combinan y aceleran mutuamente.
¿Es inevitable?
No todo el mundo está de acuerdo en que el colapso de modelos sea una amenaza existencial inminente. Investigaciones más recientes sugieren que si los datos sintéticos se acumulan junto con datos generados por humanos (en lugar de reemplazarlos por completo), el colapso puede evitarse. Estos investigadores argumentan que ese escenario mixto es más realista que el experimento controlado de Shumailov.
Sin embargo, la advertencia es clara: la Wikipedia sobre IA generativa lo resume sin ambages: «Entrenar un modelo de IA exclusivamente con la salida de otro modelo de IA produce un modelo de menor calidad. Repetir este proceso lleva a una degradación progresiva y, finalmente, a un colapso del modelo tras múltiples iteraciones.»
Las soluciones propuestas incluyen detectores de contenido generado por IA y sistemas de marcas de agua (watermarking) que permitan identificar y filtrar el contenido sintético de los conjuntos de entrenamiento. Pero ambos enfoques enfrentan desafíos técnicos y prácticos considerables: los detectores pueden ser engañados, y las marcas de agua pueden eliminarse.
Google y la crisis de calidad en la búsqueda
Ninguna plataforma encarna mejor la contradicción de esta crisis que Google. Por un lado, la empresa ha sido una de las primeras en reconocer públicamente el problema. En 2024, un portavoz de Google admitió que los resultados de búsqueda estaban siendo «inundados con sitios web que parecen creados para motores de búsqueda en lugar de para personas» y señaló explícitamente el papel de la IA generativa en la proliferación de ese contenido. La compañía lanzó su «Helpful Content Update» (Actualización de Contenido Útil) específicamente para combatir el contenido generado por IA de baja calidad.
Pero al mismo tiempo, Google ha integrado profundamente la IA generativa en su propio producto estrella. Los AI Overviews (originalmente lanzados como Search Generative Experience en mayo de 2023) aparecían en más del 48% de las consultas de búsqueda en marzo de 2026, un incremento del 58% interanual. Cuando los AI Overviews y los fragmentos destacados aparecen juntos, ocupan aproximadamente el 67% de la pantalla en escritorio y el 76% en móvil, empujando los resultados orgánicos muy por debajo del pliegue.
La función fue ampliamente criticada por sus inexactitudes. En mayo de 2024, Google se vio forzada a restringir temporalmente la herramienta después de que esta recomendara a los usuarios «comer rocas» y «aplicar pegamento en la pizza». En 2025, Chegg demandó a Alphabet por los AI Overviews, alegando infracción de derechos de autor y pérdida de tráfico. Ese mismo año, la Comisión Europea anunció una investigación para determinar si los AI Overviews violaban la legislación de competencia.
La situación ha llevado a críticos a describir Google como un «pueblo de Potemkin» digital: la web indexable es mucho más pequeña de lo que parece, y el contenido generado por IA reduce la capacidad de encontrar información de calidad. Un estudio de 2025 confirmó que el contenido sintético dificulta la recuperación de información de alta calidad y degrada los índices de los motores de búsqueda.
La Dead Internet Theory: de teoría conspirativa a fenómeno documentado
Uno de los giros más inesperados de esta historia es que una teoría que hasta hace poco era considerada fringe —la Dead Internet Theory o Teoría del Internet Muerto— ha ido ganando credibilidad en espacios académicos y tecnológicos.
La teoría original postulaba que internet consiste principalmente en actividad automatizada y contenido generado por bots, posiblemente coordinado por agencias gubernamentales. La versión conspirativa nunca ha sido verificada, pero un número creciente de investigadores ha propuesto una versión más moderada (leaner version) que elimina los elementos conspirativos y se centra en la evidencia observable: contenido generado algorítmicamente, dificultad para distinguir entre interacciones humanas y automatizadas, y una erosión progresiva de la confianza en el ecosistema digital.
Los datos de respaldo son contundentes. El Informe de Tráfico de Bots de Imperva de 2023 encontró que el 49.6% de todo el tráfico de internet era automatizado, un 2% más que el año anterior, atribuido en parte al scraping de datos para entrenamiento de IA.
Pero quizá lo más revelador sea quién está reconociendo el fenómeno. En septiembre de 2025, Sam Altman, CEO de OpenAI, tuiteó: «nunca me tomé en serio la Dead Internet Theory, pero parece que realmente hay muchas cuentas de Twitter manejadas por LLM ahora». El tuit se volvió viral. Un mes después, Alexis Ohanian, cofundador de Reddit, declaró en TechCrunch Disrupt que «la Dead Internet Theory es real».
En enero de 2025, Connor Hayes, vicepresidente de producto de IA generativa en Meta, declaró que la compañía esperaba que las cuentas de IA «existan en nuestras plataformas, más o menos como lo hacen las cuentas humanas… Tendrán biografías y fotos de perfil». Las cuentas se eliminaron rápidamente tras la reacción pública, pero la dirección estratégica quedó clara.
El caso más dramático fue el de Digg. La plataforma fue relanzada en enero de 2026 por Alexis Ohanian y Kevin Rose, pero cerró en marzo de 2026 debido a un «problema de bots sin precedentes». En mayo de 2026, Digg fue relanzada de nuevo… como un agregador de noticias de IA.
Incluso el mundo académico ha tomado nota. Hal Berghel, en un artículo de 2026 en la revista Computer, ha desarrollado un marco académico para la versión moderada de la teoría. Yoshija Walter publicó en 2024 un artículo académico titulado «Artificial influencers and the dead internet theory». El lingüista Adam Aleksic dijo a Time en 2025 que la teoría «solía ser una teoría conspirativa de lunáticos, pero cada vez parece más real».
El ciclo vicioso
Lo más preocupante de esta crisis no es ninguno de estos fenómenos por separado, sino su interconexión. Los cuatro procesos se refuerzan mutuamente en un bucle de retroalimentación:
- El contenido generado por IA inunda internet, contaminando los datos de entrenamiento, los índices de búsqueda y las plataformas sociales.
- La calidad de la búsqueda se degrada, ya que el contenido sintético compite con el legítimo y las interfaces generativas (AI Overviews) canibalizan el tráfico orgánico.
- El colapso de modelos amenaza el futuro de la IA, a medida que los nuevos modelos se entrenan con datos cada vez más sintéticos.
- La Dead Internet Theory gana credibilidad, porque la combinación de tráfico automatizado, contenido chatarra y curación algorítmica hace cada vez más difícil encontrar interacción humana genuina.
La preocupación central es que este ciclo podría volverse autosostenible: más contenido de IA → modelos peores → contenido de IA aún peor → colapso de modelos más rápido → aún más datos sintéticos → aún más difícil para los humanos encontrar información de calidad.
¿Hay salida?
Las soluciones existen en teoría pero son esquivas en la práctica. La más inmediata es la detección y filtrado de contenido sintético en los conjuntos de entrenamiento, combinada con sistemas de marcas de agua que permitan rastrear el origen de los datos. Sin embargo, ninguno de estos mecanismos es infalible, y su eficacia depende de una adopción generalizada que aún no se ha producido.
Otra línea de investigación apuesta por preservar y priorizar el contenido generado por humanos, creando repositorios curados que sirvan como refugio seguro para el entrenamiento de modelos. Iniciativas como el Common Corpus —un conjunto de datos masivo de dominio público— apuntan en esta dirección.
Pero quizá la solución más importante sea la menos técnica: reconocer que el problema existe. Durante años, la industria de la IA ha operado bajo el supuesto implícito de que los datos de entrenamiento eran un recurso infinito y renovable. La evidencia sugiere lo contrario. El contenido generado por humanos —conversaciones reales, textos escritos con intención comunicativa genuina, conocimiento producido con rigor— es un recurso finito y valioso. Tratarlo como si fuera inagotable es la receta más segura para agotarlo.
Para saber más
- Shumailov, I. et al. (2024). «AI models collapse when trained on recursively generated data.» Nature, 631, 755–759. — El artículo fundacional sobre model collapse.
- Imperva. (2023). Bad Bot Report 2023. — El 49.6% del tráfico de internet es automatizado.
- Walter, Y. (2024). «Artificial influencers and the dead internet theory.» AI & Society. — Marco académico para la DIT.
- Berghel, H. (2026). «The Leaner Dead Internet Theory.» Computer, 59(1). — Versión no conspirativa de la teoría.
- Amazon Web Services AI Labs. (2024). Análisis de Common Crawl: 57%+ de oraciones traducidas automáticamente.
- University College London / Stanford HAI. (2023–2024). Estimaciones de uso de IA en publicaciones académicas.
- American Sunlight Project. (2025). Informe sobre la red Pravda y contenido generado por IA.