Identificar el sabor a IA
Cualquier lector atento lo percibe después de unos párrafos: hay algo demasiado limpio, demasiado equilibrado, demasiado correcto. El texto generado por IA tiene un sabor reconocible, una especie de firma involuntaria que delata su origen. Antes de corregirlo, necesitas saber exactamente qué lo causa.
Narrar en lugar de mostrar
El problema más frecuente es que la IA cuenta en lugar de mostrar. En vez de construir una escena donde el lector experimente la emoción a través de acciones, diálogos y detalles sensoriales, el modelo opta por declaraciones abstractas: «María sentía una profunda tristeza» en lugar de «María apretó el borde de la mesa hasta que los nudillos se le pusieron blancos». La diferencia es enorme. La primera frase informa; la segunda hace que el lector sienta.
Finales positivos forzados
Los modelos de lenguaje tienen un sesgo estadístico hacia las resoluciones optimistas. Esto se debe a que los datos de entrenamiento contienen una proporción considerable de narrativas que terminan bien. El resultado práctico es que tus capítulos tienden a cerrarse con una nota esperanzadora incluso cuando la historia no lo justifica. Un thriller oscuro que de repente ofrece consuelo en el último párrafo pierde toda credibilidad.
Clichés de vocabulario
Hay palabras y expresiones que la IA sobreutiliza de forma sistemática. «Resonar», «profundamente», «sin duda», «un torbellino de emociones», «una mezcla de sentimientos». Estas muletas léxicas aparecen con una frecuencia que ningún autor humano reproduciría. Son el equivalente verbal de una imagen de stock: técnicamente correctas pero completamente impersonales.
Cuantificar el sabor a IA
La intuición es útil, pero las métricas son mejores. Si quieres eliminar el efecto mecánico de forma sistemática, necesitas formas objetivas de medirlo.
Naturalidad (Naturalness Score)
Esta métrica evalúa cuánto se parece un fragmento de texto a la escritura humana en términos de distribución léxica y estructura sintáctica. Se calcula comparando la distribución de n-gramas del texto generado con un corpus de referencia humano. Una puntuación baja indica que el texto se desvía significativamente de los patrones naturales del idioma.
Perplejidad (Perplexity)
La perplejidad mide cuán predecible es un texto para un modelo de lenguaje. Un texto con perplejidad muy baja es demasiado predecible, lo que se traduce en prosa genérica y sin sorpresas. Un texto con perplejidad excesivamente alta resulta incoherente. El rango ideal para ficción se sitúa entre los valores de un ensayo académico (predecible) y un poema experimental (impredecible).
MTLD (Measure of Textual Lexical Diversity)
MTLD cuantifica la diversidad del vocabulario de forma más robusta que el simple ratio type-token. Calcula la longitud media de secuencias consecutivas de texto que mantienen un nivel de diversidad léxica determinado. Un MTLD bajo indica que el texto recicla las mismas palabras constantemente, que es exactamente lo que ocurre con los clichés de vocabulario de la IA.
ReviewEval
Se trata de una evaluación mediante otro modelo de lenguaje que actúa como lector crítico. Le proporcionas el texto y le pides que identifique fragmentos que suenen mecánicos, repetitivos o artificiales. No es una ciencia exacta, pero es sorprendentemente eficaz para detectar patrones que la lectura humana pasa por alto después de varias horas frente al manuscrito.
Estrategias de des-mecanización
Identificar y medir el problema es solo la mitad del trabajo. Aquí tienes las técnicas que realmente transforman la prosa generada en algo que suena humano.
Anclaje con ejemplos y palabras prohibidas (Few-shot anchoring)
La técnica más efectiva para cambiar el registro de la IA es proporcionarle muestras concretas del estilo que deseas. Incluye dos o tres párrafos de un autor cuyo tono quieras emular, no para copiar su voz sino para establecer un ancla estilística que aleje al modelo de sus patrones por defecto. Complementa esto con una lista explícita de palabras y expresiones prohibidas: todos esos clichés que identificaste en la fase de diagnóstico. La combinación de ejemplos positivos y restricciones negativas produce resultados notablemente mejores que cualquiera de las dos estrategias por separado.
Ventana de contexto deslizante (Sliding window context)
Un problema recurrente en la generación de capítulos largos es la pérdida de coherencia. La IA olvida detalles establecidos páginas atrás. La solución es implementar una ventana de contexto deslizante: en cada generación, incluyes un resumen actualizado de la trama, los últimos párrafos generados y las notas de personaje relevantes. Esto mantiene la consistencia sin desperdiciar tokens en contexto irrelevante.
Temperatura y penalizaciones (Temperature 0.7-0.9 + penalties)
La temperatura controla el grado de aleatoriedad en la selección de palabras. Valores entre 0.7 y 0.9 ofrecen el mejor equilibrio entre creatividad y coherencia para ficción. Por debajo de 0.7, la prosa se vuelve predecible y genérica. Por encima de 0.9, pierde el hilo. Combina esto con penalizaciones de frecuencia y presencia: la penalización de frecuencia reduce la probabilidad de repetir palabras que ya han aparecido muchas veces, y la penalización de presencia desincentiva la reutilización de cualquier palabra ya mencionada. Juntas, fuerzan al modelo a buscar vocabulario más variado.
Inyección de persona y emoción (Persona/emotion injection)
Dale al modelo una identidad narrativa concreta. No le pidas simplemente que escriba un capítulo; dile que es un narrador cínico que desconfía de los finales felices, o una voz lírica obsesionada con los detalles sensoriales. Añade instrucciones emocionales específicas para cada escena: «Este párrafo debe transmitir agotamiento contenido, no tristeza explícita». Cuanto más precisa sea la directriz emocional, menos probable es que el modelo recurra a sus respuestas genéricas por defecto.
La creación curatorial: el autor como director
Eliminar el sabor a IA no consiste en un solo truco sino en un proceso iterativo. Generas, mides, corriges, vuelves a generar. El escritor que trabaja con IA no es un mecanógrafo que delega; es un director que selecciona, moldea y refina. Cada decisión editorial, cada palabra sustituida, cada escena reescrita añade la capa de intención humana que separa un texto mecánico de una obra con voz propia.
Este enfoque curatorial es exactamente la filosofía detrás de StoryLord. La plataforma te ofrece las herramientas de generación y tú aportas la visión, el criterio y la sensibilidad que ningún modelo puede replicar. El resultado es ficción que aprovecha la velocidad de la IA sin sacrificar la autenticidad de la voz humana.
Si quieres experimentar con estas técnicas en un entorno diseñado para escritores, prueba StoryLord y comprueba la diferencia que hace un flujo de trabajo pensado para la creación curatorial.