Introducción: los modelos de inteligencia artificial más avanzados desarrollan un estilo de escritura diferente al humano
Los modelos de inteligencia artificial más potentes pueden resolver problemas complejos, pero esa capacidad también parece estar transformando su manera de escribir. Una investigación de New York University y University of Texas at Austin encontró que los modelos de frontera recurren con mayor frecuencia a construcciones lingüísticas poco habituales en la escritura humana.
Según informó The Decoder el 26 de octubre de 2026, el estudio de Clark, Martin y Mahowald analizó textos generados por 14 modelos de lenguaje, entre ellos Claude, GPT-5.6, GLM-5, Kimi K2.5 y modelos abiertos más pequeños como Llama y Olmo.
Los resultados muestran una diferencia entre los sistemas más avanzados y los modelos de menor tamaño: estos últimos producen textos que, en los aspectos lingüísticos estudiados, se parecen más a los escritos por personas.
Los investigadores plantean que esta evolución podría estar relacionada con la manera en que se entrenan los modelos modernos, cada vez más orientados a tareas donde la corrección de una respuesta recibe mayor importancia que su facilidad de lectura.
Cómo se realizó el estudio sobre la escritura de los modelos de IA
El equipo examinó tres tipos de contenido generado por inteligencia artificial: conversaciones casuales, sesiones de programación y ensayos argumentativos.
El análisis incluyó:
- 120 conversaciones generadas por modelos de lenguaje.
- 45 sesiones de programación.
- 980 ensayos argumentativos.
Para establecer las diferencias con la escritura humana, los investigadores utilizaron textos procedentes de subtítulos de películas, StackExchange y ensayos redactados por estudiantes.
Esta comparación permitió identificar estructuras que aparecen con una frecuencia especialmente elevada en los modelos de frontera, así como diferencias entre modelos base, versiones ajustadas para seguir instrucciones y sistemas especializados en razonamiento.
Los seis patrones que distinguen la escritura de los modelos más avanzados
La investigación identificó seis comportamientos lingüísticos que los modelos de frontera utilizan en exceso frente a los textos humanos analizados.
1. Combinaciones de palabras poco habituales
Los modelos avanzados tienden a unir palabras de maneras que rara vez aparecen en la escritura humana.
Uno de los ejemplos recogidos por los investigadores es la expresión inglesa "reader-patience budget", que combina varios conceptos para formar una unidad lingüística poco convencional.
2. Elementos relacionados separados por largas distancias
Otro patrón consiste en colocar partes de una misma oración lejos unas de otras.
Esta estructura exige que el lector mantenga más información en su memoria de trabajo para comprender la relación entre los componentes de la frase.
El estudio incluye un ejemplo de Claude Opus 5: "A cat who can always get up and away is a much calmer cat".
En esta construcción, elementos que mantienen una relación gramatical quedan separados por una secuencia intermedia de palabras.
3. Referencias abreviadas mediante la omisión de conectores
Los modelos también recurren a estructuras donde se elimina una palabra que normalmente establece una relación explícita entre dos partes de la oración.
Un ejemplo es: "The book the professor wrote", en lugar de: "The book that the professor wrote".
La diferencia está en la ausencia del conector "that", que permite señalar de manera explícita la relación entre los elementos de la frase.
4. Acumulación de sustantivos
Los investigadores observaron construcciones donde varios sustantivos aparecen consecutivamente, obligando al lector a determinar cómo se relacionan entre sí.
Uno de los ejemplos es: "Horror movie soundtrack generator".
Este tipo de secuencia concentra varios conceptos en una estructura compacta, pero exige identificar qué palabra modifica a cada una de las demás.
5. Sustantivos utilizados como verbos
Otro comportamiento identificado consiste en transformar sustantivos en verbos en situaciones donde los humanos suelen preferir expresiones diferentes.
El estudio cita una respuesta de Claude Fable 5 que utilizó: "Calendar it", en lugar de: "Put it in the calendar".
Los investigadores señalan este uso como parte de una tendencia hacia formulaciones lingüísticas menos habituales en la comunicación humana.
6. Verbos asociados a seres animados aplicados a conceptos inanimados
El último patrón consiste en utilizar verbos que normalmente describen acciones de seres animados para referirse a sujetos abstractos o inanimados.
Un ejemplo de Claude Opus 5 es: "The whole conversation is eating its own tail".
La expresión atribuye a una conversación una acción física, ilustrando otro de los recursos que aparecen con mayor frecuencia en los modelos avanzados.
Llama y Olmo muestran una escritura más cercana a la humana
Uno de los resultados destacados del estudio es que los modelos más pequeños presentan comportamientos lingüísticos más próximos a los textos escritos por personas.
Llama y el modelo base de Olmo se encuentran entre los sistemas que muestran mayor semejanza con la escritura humana dentro de las comparaciones realizadas.
Sin embargo, los investigadores identificaron una evolución particular al examinar distintas versiones de Olmo.
Las puntuaciones de los patrones estudiados aumentan de manera constante desde el modelo base hasta la versión ajustada para seguir instrucciones y, posteriormente, hasta el modelo de razonamiento Olmo Think.
Esta última versión alcanza cifras comparables a las observadas en los modelos de frontera.
El comportamiento sugiere que el post-entrenamiento podría ser uno de los principales factores responsables de las diferencias lingüísticas, en lugar de atribuirlas únicamente al tamaño del modelo.
Por qué entrenar modelos para razonar puede afectar la claridad del lenguaje
Los autores proponen una explicación basada en las diferencias entre la comunicación humana y los objetivos de entrenamiento de los sistemas de inteligencia artificial.
En el lenguaje humano existe un equilibrio entre la facilidad para producir una expresión y la facilidad con que otra persona puede comprenderla.
Los modelos de IA, en cambio, reciben cada vez más entrenamiento en matemáticas, programación y razonamiento lógico.
En estas actividades, los procedimientos de optimización recompensan principalmente la corrección de los resultados, mientras que la claridad del lenguaje no necesariamente recibe la misma importancia.
Los investigadores señalan especialmente el cambio desde RLHF, aprendizaje por refuerzo con retroalimentación humana, hacia RLVR, aprendizaje por refuerzo con recompensas verificables.
Según su interpretación, este último enfoque elimina a las personas del proceso de retroalimentación y favorece que los modelos desarrollen formas de expresión adecuadas para comprimir información y resolver problemas complejos.
El resultado puede ser un estilo eficaz para determinadas tareas de inteligencia artificial, pero más exigente para los lectores humanos.
Un experimento muestra cómo las preferencias de entrenamiento modifican la escritura
Para explorar este fenómeno, los investigadores realizaron una prueba de concepto con un modelo de menor tamaño.
Durante el entrenamiento introdujeron un término de penalización que recompensaba las respuestas más cortas.
Bajo determinadas condiciones, el modelo terminó favoreciendo oraciones breves casi sin excepción, independientemente del contexto.
Además, esta preferencia se extendió a patrones de oraciones que el sistema no había encontrado anteriormente.
El comportamiento contrastó con el de los participantes humanos, que seleccionaban formulaciones más cortas o más largas dependiendo de la situación.
El experimento ilustra cómo una preferencia introducida durante el entrenamiento puede transformarse en un comportamiento lingüístico generalizado.
Anthropic y Claude Opus 5.5: cambios para recuperar una escritura más clara
Las conclusiones del estudio coinciden con observaciones realizadas dentro de Anthropic sobre la evolución de Claude.
Jackson Kernion, empleado de Anthropic que trabaja en el ajuste fino del modelo, explicó por qué consideraba que Claude Opus 4.6 había sido el último buen modelo de escritura de la empresa.
Según Kernion, la optimización de versiones posteriores para matemáticas, programación y explicaciones técnicas destinadas a otros sistemas de IA desplazó progresivamente el estilo de Claude hacia estructuras más densas y menos naturales para las personas.
Kernion describió esta evolución como una adaptación a la «psicología de los LLM», en referencia a un estilo de comunicación que funciona bien para los modelos de lenguaje, aunque resulte menos cómodo para los lectores humanos.
Con Claude Opus 5.5, Anthropic cambió esa dirección por primera vez y abordó específicamente la claridad de las oraciones y la acumulación excesiva de información.
El estudio encontró diferencias favorables a la versión más reciente: Claude Opus 5.5 superó a su predecesor, Opus 5, en 19 de las 21 comparaciones realizadas.
Los investigadores consideran que este resultado apunta a la posibilidad de mejorar la legibilidad mediante ajustes específicos del modelo.
En contexto
La investigación de Clark, Martin y Mahowald, publicada en 2026, reúne el análisis de 14 modelos de lenguaje y compara su producción textual con materiales escritos por humanos.
Entre los sistemas examinados figuran Claude, GPT-5.6, GLM-5, Kimi K2.5, Llama y Olmo. El estudio también compara diferentes etapas de entrenamiento de Olmo, incluida su versión de razonamiento Olmo Think.
Por su parte, Anthropic ha realizado ajustes en Claude Opus 5.5 dirigidos a mejorar la claridad de las oraciones y reducir los bloques de información excesivamente densos, una evolución que también aparece reflejada en las comparaciones del estudio.
La investigación relaciona estos resultados con una cuestión central del desarrollo de modelos de lenguaje: cómo los objetivos de entrenamiento pueden modificar no solo las capacidades de razonamiento, sino también la manera en que los sistemas se expresan.
