En este momento hay un sabor particular de pánico en nuestra industria. Es el pánico del especialista en marketing digital a quien se le ha dicho, repetida y ruidosamente, que si no canaliza todas las decisiones a través de un LLM al final del trimestre, será reemplazado por un colega más obediente que sí lo haga. El tono es siempre el mismo: la IA está pensando ahora. La IA es razonamiento. La IA está elaborando estrategias. Entregue el volante, siéntese y disfrute de un futuro totalmente optimizado, hiperpersonalizado e infinitamente escalable.
Permítanme retroceder suavemente, armado con el clásico MSPaint.exe.
Hay dos problemas con la escuela de marketing de “dejar que el robot decida”, y son imágenes especulares entre sí. Cuando los LLM son débiles, son muy estúpidos en formas que deberían descalificarlos para el trabajo estratégico. Y cuando son fuertes, son aún más peligrosos, porque silenciosamente arrastrarán su estrategia hacia el promedio, que, en marketing, es el peor lugar donde puede estar.
Los LLM no piensan, predicen el próximo token
Comencemos con la parte en la que los laboratorios de IA preferirían que usted no se detuviera. Los modelos de lenguajes grandes no “piensan” en ningún sentido significativo. Debajo del capó, hay máquinas estadísticas que predicen el siguiente token más probable dada la secuencia hasta el momento. Ese es todo el truco. No hay un monólogo interior, ni un modelo del mundo, ni un momento de tranquilidad en el que el modelo diga: «Espera, eso no cuadra». Sólo hay: «Dadas estas fichas, ¿qué fichas suelen venir después?»
Esta no es una buena opinión de un escéptico sobre Substack. El equipo de investigación de Apple publicó un artículo con el título gloriosamente contundente «La ilusión del pensamiento», en el que los modelos de «razonamiento» fronterizos colapsaron por completo en precisión una vez que la complejidad de los rompecabezas superó un cierto umbral y, lo que es aún más condenatorio, comenzaron a usar menos fichas a medida que los problemas se hacían más difíciles, como si se diera por vencido. Los investigadores de Apple habían demostrado previamente en GSM-Symbolic que simplemente agregar una cláusula a un problema matemático que ni siquiera cambiara la respuesta podría reducir el rendimiento hasta en un 65%, lo que sugiere que lo que parece razonamiento es principalmente una comparación de patrones con datos de entrenamiento. Una taxonomía más reciente de fracasos del LLM los agrupa en cosas como la “maldición de reversión” (saber que “A es B” pero fallar en “B es A”) y el “colapso compositivo” (resolver cada paso individualmente pero no encadenarlos), todos ellos derivados del objetivo de predicción del siguiente token que prioriza la finalización de patrones estadísticos sobre el razonamiento deliberado.
Básicamente, esto significa que si su problema se parece a algo que el modelo ha visto un millón de veces, parecerá brillante. En el momento en que su problema sea aunque sea ligeramente nuevo, las ruedas pueden desprenderse de manera espectacular.
Anexo A: El lavado de autos
La demostración más clara de esto en la naturaleza es el ahora infame mensaje de lavado de autos:
«Quiero que laven mi auto. El lavadero de autos más cercano está a 100 metros. ¿Debo caminar o conducir hasta allí?»
Aquí estamos rondando los niveles de razonamiento de Ralph Wiggum, una pregunta con la que la mayoría de los niños de 5 años no tendrían problemas. Necesitas que el auto esté en el lavadero, porque el auto es lo que se lava. El coche no se puede lavar in absentia mientras caminas hasta allí, por muy buenas que sean tus intenciones.
Cuando este mensaje se volvió viral, ChatGPT, Claude y Grok aconsejaron con confianza al usuario que caminara. Son sólo 100 metros, razonaron (o “razonaron”). Salva el planeta. Siga algunos pasos. Claramente habían visto una gran cantidad de datos de entrenamiento en la línea de “¿Debo conducir o caminar hasta (corta distancia)?” y predijo diligentemente los símbolos que suelen seguir: un sermón cortés sobre el ejercicio y las emisiones. El verdadero punto de la pregunta –que el coche es el objeto del verbo– pasó junto a ellos en altitud.
Géminis, para crédito de Google, lo consiguió desde el principio. Sospechoso, pensé. Y así fue. El mensaje se había vuelto viral, lo que significaba que ya se estaba escribiendo, publicando y sumergiendo la respuesta correcta en Internet. Google, que se encuentra útilmente en la cima del índice de Internet, fue el primero en absorber el nuevo «conocimiento». Quince días después, Grok también produjo la respuesta correcta, no porque hubiera tenido una conversión damasquinada a la lógica, sino porque la respuesta ahora estaba en sus datos de entrenamiento.
Los modelos no aprendieron a pensar. Aprendieron la respuesta.
Esto es lo clave que debemos internalizar antes de continuar. Cuando un LLM parece «razonar», lo que a menudo se ve es recitar la respuesta consensuada a un problema que mucha gente ya ha resuelto en Internet. Lo cual está bien cuando se quiere consenso. Es catastrófico cuando no lo haces.
Y ahora el peor problema
Aquí es donde terminan la mayoría de las publicaciones sobre «IA en marketing». Señalan con el dedo el lavado de autos, sugieren que mantengas a “un ser humano informado” y se dirigen a escribir una publicación en LinkedIn al respecto (probablemente con ChatGPT).
Pero los modos de falla son lo más cómodo. Lo peligroso es lo que sucede cuando el LLM es bien en la tarea que le has encomendado.
Porque si un modelo es «bueno» en una tarea, significa que hay una gran cantidad de datos de entrenamiento que le muestran cómo se resuelve normalmente la tarea. Y si ha consumido todos esos datos de entrenamiento, junto con todos los demás modelos de frontera, todos entrenados en aproximadamente el mismo fragmento de Internet, entonces el resultado que produce se ubicará, casi por definición, en algún lugar muy cercano a la media de lo que todos los demás ya están haciendo.
En marketing, ese es el peor pecado que puedes cometer. Todo el trabajo es destacar. Ser elegido. Para ser recordado. En el instante en que la voz de su marca, la idea de su campaña, su título o su artículo “10 consejos de SEO para 2026” sean indistinguibles de los de su competencia, dejará de hacer marketing y comenzará a hacer fondos de pantalla.
Jeremy Daly resumió claramente la mecánica subyacente: la convergencia es una función de datos compartidos, incentivos compartidos y ciclos de iteración rápida. Cuando tres empresas vierten los mismos datos de capacitación en el mismo modelo, optimizando para las mismas métricas de participación, en ciclos de iteración lo suficientemente ajustados como para limar las asperezas de cualquier desviación, no se obtienen estrategias diferenciadas: se obtiene la misma estrategia en tres colores de marca.
Esto no es sólo una vibra. Investigadores de Columbia y el MIT descubrieron que entregar opciones que definen la identidad a agentes de LLM cambia las elecciones de las personas hacia opciones más populares, reduciendo el carácter distintivo de sus comportamientos y preferencias. Lo llamaron, con admirable honestidad, «El efecto B*** básico». Un estudio independiente publicado en Avances científicos demostró que la IA generativa mejora la creatividad individual pero reduce la diversidad colectiva del contenido novedoso: la historia de cada escritor mejoró un poco, pero en toda la población, las historias comenzaron a verse iguales. Y el trabajo sobre el “colapso de modo” del LLM ha documentado el mismo patrón de homogeneización al nivel del modelo mismo: las mismas pocas terminaciones, una y otra vez, incluso cuando existen muchas respuestas válidas.
En pocas palabras: aquello por lo que los LLM lo recompensan: velocidad, fluidez, consistencia, “mejores prácticas” es lo que silenciosamente convertirá su marketing en beige.
Anexo B: El Parlamento ha sido integrado en LinkedIn
Si quiere ver cómo se ve la convergencia en la naturaleza, no busque más allá de la Cámara de los Comunes.
El Pimlico Journal analizó cada palabra hablada en Hansard entre 2007 y 2025 y rastreó la frecuencia de puntuación Z de frases que son tics reveladores de ChatGPT. “Me levanto para hablar”. «No es simplemente». «Navegando». «Subrayados». «Línea de corriente.» «No sólo una (X), sino una (Y)». «Bullicioso.» Frases que circularon a lo largo de la línea de base durante 15 años y luego, casi hasta la semana del lanzamiento de ChatGPT a fines de 2022, se dispararon verticalmente fuera del gráfico. “Me levanto para hablar” por sí solo alcanzará una puntuación Z de 3,60 en 2025. El telégrafo Recogió la historia bajo el título “ChatGPT provoca un aumento de parlamentarios que utilizan discursos escritos por IA”.
Dejemos de lado por un momento las implicaciones democráticas (no son buenas). Mírelo simplemente como especialistas en marketing. Se trata de 650 personas, cada una con su propio electorado, sus propias causas preferidas, su propia marca personal cuidadosamente cultivada, y cada uno de ellos aparentemente intenta ser lo suficientemente memorable como para seguir empleado en las próximas elecciones. Y después de entregar el trabajo de redacción a un LLM, comenzaron a parecer la misma persona. La misma persona que, dicho sea de paso, también escribe todas las demás publicaciones de LinkedIn por las que has pasado.
Eso es convergencia. No requiere una conspiración. No es necesario que nadie sea vago o estúpido. Solo requiere que las entradas (los mismos datos de capacitación), los incentivos (las mismas métricas) y los ciclos (publicar, ver qué funciona, repetir) sean más o menos similares entre los usuarios. Lo cual, en marketing, casi siempre lo son.
Ahora imagine el mismo gráfico para las páginas H1 de su categoría. Tus meta descripciones. Introducciones de tu blog. Los conceptos de tu campaña. Tus pautas de tono de voz. Su «liderazgo intelectual». Presentaciones de presentación de sus clientes. Luego pregúntese, honestamente, qué le queda al cliente para elegir.
Anexo C: MSPaint.exe táctico en LinkedIn
Por accidente, he realizado mi propio contraexperimento.
Durante el último tiempo, he estado publicando consejos de #SEO no solicitados y resúmenes de actualizaciones principales en LinkedIn, acompañados de dibujos de MS Paint absolutamente terribles. No “ilustraciones divertidas” estilizadas producidas por alguna agencia. Imágenes realmente malas de un hombre de palo con la etiqueta «SEO» apuntando a un robot con la etiqueta «GSC», dibujadas en MSPaint.exe por alguien a quien no se le debería permitir acercarse a una tableta gráfica.
La publicación anterior tuvo 35,363 impresiones, 448 reacciones, 46 comentarios y 24 publicaciones. No porque el dibujo sea bueno (objetivamente no lo es), sino porque está inequívocamente hecho a mano en una plataforma que ha sido bombardeada por imágenes de héroes generadas por IA, todas las cuales parecen representar el mismo equipo diverso de profesionales sonrientes chocando las palmas frente a un tablero holográfico.
Uno de los comentarios más comunes que recibo es alguna versión de «Me encantan estas imágenes, se sienten cálidas» o «algo sobre hacer las cosas tuyas». Ese es exactamente el punto. Existe un hambre creciente, casi salvaje, por contenido que sea evidentemente creado por humanos; contenido que indique que «una persona real se sentó e hizo esto, a propósito, por usted».
O, como dijo Tyler Durden club de lucha:
“Los platos de vidrio con diminutas burbujas e imperfecciones, prueba de que fueron elaborados por los pueblos indígenas honestos, sencillos y trabajadores de donde sea”
Esa frase fue originalmente una broma sobre el consumismo de la clase media. Ahora es, de alguna manera, una estrategia de contenido de LinkedIn viable.
Qué significa esto para el marketing digital
Bien. Entonces, ¿qué haces realmente con esto, más allá de asentir sabiamente y volver a las indicaciones?
Utilice LLM cuando sean buenos, a propósito y acepte la media. Para trabajos básicos: corregir texto alternativo a escala, resumir una reunión, redactar una respuesta cortés a ese cliente que técnicamente está equivocado. Los LLM son excelentes aquí y el costo de ser promedio es cero. Nadie elegirá tu marca basándose en la calidad de tu resumen interno de Slack. Utilice la herramienta, ahorre tiempo y siga adelante.
Rechace el uso de LLM donde el promedio es fatal. Posicionamiento de marca. Titulares. Manos. Conceptos de campaña. Tono de voz. Ángulos editoriales. En cualquier lugar un ser humano va a elegir entre usted y un competidor. Si dejas que el modelo decida, estás eligiendo explícitamente ser el promedio de todos en tu corpus de entrenamiento. No existe un universo en el que “ser el promedio de tus competidores” sea la estrategia correcta.
Trate los resultados del LLM como una base de referencia de la cual divergir deliberadamente. Un ejercicio útil: pídale al modelo su primera respuesta y luego pregúntele: “¿Cómo sería lo opuesto a esto?” Luego pregunte: «¿Qué haría solo mi marca aquí?». El primer instinto del modelo es el consenso. Su trabajo es saber cuál es el consenso para poder elegir no serlo.
Invertir en insumos que el modelo no tiene. Datos propietarios. Entrevistas de primera mano con clientes. Tus propios experimentos. Opiniones internas sobre las que no se ha escrito en ningún blog. Estos son los fosos. Si su “conocimiento” es algo que un competidor puede extraer de una discusión pública, no es un conocimiento; es papel tapiz. (El mapa de convergencia de Jeremy Daly plantea el mismo punto desde el punto de vista del software: la presión de convergencia es más débil donde las entradas son asimétricas y los bucles de retroalimentación son lentos).
Coloque huellas dactilares humanas visibles en la salida. Un dibujo. Una anécdota concreta. Una frase extraña. Una opinión genuina que podría hacerte perder un seguidor. Las burbujas en el vaso. La gente ahora está escaneando activamente el contenido en busca de evidencia de que una persona lo creó, y el listón para la “evidencia” es bajo, pero tiene que estar ahí.
Deja de confundir fluidez con inteligencia. Un LLM que produce un párrafo más rápido de lo que usted puede leer no es más inteligente que usted. Es más rápido que tú. Esas son cosas diferentes. La cuestión del lavado de coches es el canario en la mina de carbón: cualquier cosa novedosa, cualquier cosa que requiera realmente modelar el mundo, cualquier cosa cuya respuesta correcta no sea la respuesta popular, es donde necesitas apagar la máquina y usar tu propia cabeza.
TL;DR
Los LLM son predictores simbólicos con excelente dicción. Cuando son débiles, fracasan de una manera que un niño no lo haría, y con confianza te dicen que camines hasta el lavadero de autos, porque eso es lo que suelen decir las palabras. Cuando son fuertes, fallan de una manera más silenciosa y costosa: atraen suavemente a cada usuario hacia la misma respuesta mezquina, que en marketing es lo único que no puedes permitirte ser.
Este es el problema de la convergencia de la IA. Los datos compartidos, los incentivos compartidos y los ciclos rápidos de retroalimentación hacen que todos suenen como los demás. Ya podemos verlo infiltrándose en nuestro propio gobierno. Lo veremos en su categoría. La pregunta es si su estrategia es la que se está promediando o la que la gente está buscando porque ya no soporta el color beige.
No pienses como un robot.
Más recursos:
Esta publicación se publicó originalmente en Mark Williams-Cook SubStack.
Imagen de portada: Raziya Athar/Shutterstock
