Índice6
La imagen de una web que «se come a sí misma» reúne dos fenómenos distintos. El primero: hay sitios que producen en masa contenido generado por IA, y los modelos siguientes aprenden de ese contenido. El segundo: los motores de respuesta leen las páginas en lugar de los lectores, que ya no siempre necesitan hacer clic hacia los sitios de donde procede la información.
Los dos son reales. Ninguno de los dos condena la web. Cambian lo que un sitio debe aportar para merecer ser leído, citado o visitado.
Lo que muestran los datos
El empobrecimiento de los modelos está demostrado, en condiciones controladas. En julio de 2024, Ilia Shumailov (Universidad de Oxford) y sus coautores publicaron en Nature el estudio «AI models collapse when trained on recursively generated data». Muestra que, cuando un modelo se entrena en bucle, sin discernimiento, con contenido generado por modelos, sufre defectos irreversibles: las «colas» de la distribución original desaparecen. Dicho de forma sencilla, los casos raros se borran primero; y esos casos raros, recuerdan los autores, afectan a menudo a grupos marginados. Una corrección de los autores, publicada el 21 de marzo de 2025, rectifica una notación de la parte teórica; no cambia esta conclusión.
Un límite importante: se trata de un entrenamiento recursivo controlado, realizado en particular con un modelo de lenguaje pequeño (OPT-125m, publicado por Meta), ajustado en cada generación con los textos producidos por la anterior. Los modelos en producción mezclan datos humanos y sintéticos, y la magnitud del efecto sobre ellos no está establecida.
Los asistentes de IA se convierten en una puerta de entrada a la información. El Digital News Report 2025 del Reuters Institute, que cubre 48 mercados, planteó la pregunta por primera vez:
de los encuestados usa cada semana un chatbot de IA para informarse
de los menores de 25 años usa cada semana un chatbot de IA para informarse
La encuesta la realizó YouGov en línea, de mediados de enero a finales de febrero de 2025 (metodología). Todavía es minoritario, el doble de frecuente entre los menores de 25 años, y demasiado reciente para hablar de tendencia.
Queda por saber si esos lectores siguen haciendo clic hacia los sitios: es también la pregunta que plantean los resúmenes que Google muestra encima de sus resultados, que tratamos en nuestro análisis de los AI Overviews.
Postura 1: la web se agota
El primer bando describe una espiral.
La web que se agota, según el primer bando
- La abundancia
El contenido generado casi no cuesta nada producirlo, así que inunda los resultados de búsqueda.
- El tráfico
Los motores de respuesta resumen las páginas sin enviar visitantes, así que los sitios que producen la información pierden el tráfico que los financiaba.
- El empobrecimiento
Menos ingresos, menos contenido original, más contenido generado: la web se empobrece, y con ella los modelos que se alimentan de ella.
A favor de este razonamiento están el estudio de Nature y una inquietud que el Reuters Institute detecta en los editores de prensa: a medida que las grandes plataformas integran resúmenes generados por IA, temen perder aún más tráfico hacia sus sitios y sus aplicaciones. En contra tiene que supone que nada vendrá a corregir la tendencia.
Postura 2: el contenido mediocre siempre ha existido
El segundo bando recuerda que las granjas de contenido, los textos escritos para los robots y las páginas copiadas de otras páginas existían mucho antes de la IA, y que los motores de búsqueda siempre han tenido que filtrar. Los propios autores del estudio de Nature lo recuerdan: las granjas de contenido llevaron a los motores a modificar sus algoritmos, y Google relegó los artículos producidos en cadena. Los laboratorios de IA, por su parte, tienen todo el interés en detectar los datos humanos de calidad: el mismo estudio concluye que los datos recogidos de interacciones humanas reales con estos sistemas ganarán valor.
Este bando tiene razón sobre la historia. Quizá subestima la escala, y de nuevo es el estudio de Nature el que lo dice:
Lo que es diferente con la llegada de los grandes modelos de lenguaje es la escala a la que puede producirse un envenenamiento así una vez automatizado.
Lo que pensamos
Operamos un motor de contenido multilingüe en producción, en seis idiomas, y aplicamos a este sitio las correcciones que recomendamos. Nuestra lectura coincide con los dos bandos a la vez: se ha vuelto muy fácil publicar una página, y mucho más difícil publicar una que sirva para algo.
Nuestra opinión cabe en una frase: una página que solo contiene lo que un modelo habría escrito por sí solo no tiene ninguna razón para ser citada, ni por Google, ni por un motor de respuesta, ni por un lector. El modelo ya sabe producir la media. Lo que no sabe es lo que ha pasado en su empresa: una medición que usted hizo, un error que corrigió, un precio que aplica, una opinión que asume.
Sobre el terreno
El robots.txt servido no era el del repositorio
La auditoría de Palmora Property, un portal de anuncios inmobiliarios en Tailandia que construimos y operamos, mostró que el robots.txt servido por la CDN cerraba todo el sitio a GPTBot, ClaudeBot, CCBot y Google-Extended, cuando nada de eso aparecía en su repositorio.
Este tipo de constatación, propia de un sitio y verificable, es precisamente lo que un modelo no puede inventar. Lo contamos en detalle en nuestro artículo sobre cómo conseguir que ChatGPT le cite.
Lo que nos haría cambiar de opinión: que los motores de respuesta dejaran por completo de citar sus fuentes, o que se demostrara que los modelos en producción se degradan realmente por culpa del contenido sintético. Ninguna de las dos cosas está establecida en octubre de 2026.
Lo que cambia en concreto para un sitio
- Publicar menos, pero propio. Diez páginas con cifras que usted ha medido valen más que cien páginas reformuladas. La IA puede ayudar a redactar; no debe aportar el fondo, y la revisión humana sigue siendo innegociable, como explicamos en lo que una agencia SEO con IA debe entregar realmente.
- Documentar y fechar. Una afirmación con su fuente primaria y su fecha es más fácil de citar que una afirmación vaga, tanto para un lector como para un asistente.
- Responder enseguida. Una página que responde a su pregunta desde las primeras líneas es la que un motor de respuesta puede retomar, con un enlace.
- Decidir quién lee el sitio. Abrir o cerrar su contenido a los robots de IA es una elección editorial legítima. Sufrirla sin saberlo no lo es, y es lo que ocurría en Palmora Property. El archivo llms.txt ayuda a los agentes que leen un sitio bajo demanda, pero ningún gran motor dice usarlo para elegir a quién citar.
- Medir lo que llega de los asistentes. El tráfico enviado por los asistentes se sigue aparte del tráfico de búsqueda clásico, con las demás mediciones de nuestro protocolo de medición de la visibilidad en las IA.
Y si su equipo sabe cosas que ningún modelo puede escribir en su lugar, nuestro motor SEO y GEO parte de ahí: preparamos los borradores, usted revisa y valida antes de cualquier publicación.
Preguntas frecuentes
¿Penaliza Google el contenido generado por IA?
No como tal. En sus recomendaciones publicadas el 8 de febrero de 2023, Google escribe que se centra en la calidad del contenido más que en la forma en que se produce. Sus políticas sobre spam, en cambio, apuntan a la producción de numerosas páginas para manipular la clasificación, por ejemplo con IA, sin valor para los usuarios: un sitio que lo hace puede clasificarse peor, o incluso ser retirado de los resultados.
¿Qué es el colapso de los modelos de IA?
Es el nombre que dan Ilia Shumailov y sus coautores, en su estudio publicado por Nature en 2024, a la degradación de un modelo entrenado, generación tras generación, con datos producidos por modelos. Distinguen dos fases: primero, el modelo pierde la información sobre los casos raros; después, converge hacia una distribución que se parece poco a la original, a menudo mucho menos variada. En inglés se habla de model collapse.
¿Está ya en marcha el colapso de los modelos?
Nada lo establece en octubre de 2026. El fenómeno está demostrado en laboratorio, cuando un modelo se reentrena en bucle, sin discernimiento, con datos generados. En el mismo estudio, conservar en cada generación el 10 % de los datos originales solo dejaba una degradación menor del rendimiento. Los modelos en producción mezclan datos humanos y sintéticos, y la magnitud del efecto sobre ellos no está establecida.
Fuentes
- «AI models collapse when trained on recursively generated data» (nueva pestaña)doi.org
- Corrección de los autores (nueva pestaña)doi.org
- Digital News Report 2025 del Reuters Institute (nueva pestaña)reutersinstitute.politics.ox.ac.uk
- Metodología (nueva pestaña)reutersinstitute.politics.ox.ac.uk
- Recomendaciones publicadas el 8 de febrero de 2023 (nueva pestaña)developers.google.com
- Políticas sobre spam (nueva pestaña)developers.google.com
«AI models collapse when trained on recursively generated data»
Leer en doi.org(nueva pestaña)Digital News Report 2025 del Reuters Institute
Leer en reutersinstitute.politics.ox.ac.uk(nueva pestaña)Recomendaciones publicadas el 8 de febrero de 2023
Leer en developers.google.com(nueva pestaña)Jim · fundador de Brain Plus AI
Más artículos sobre seo y visibilidad en la ia
Guía práctica8 min
Cómo ser citado por ChatGPT y los motores de IA
Lo que realmente hace que ChatGPT, Claude o Perplexity citen un sitio: dejar leer a los robots, responder de inmediato, citar las fuentes, marcar solo lo que se muestra. Y cómo medirlo sin engañarse.
Entender7 min
llms.txt: para qué sirve realmente
El archivo llms.txt promete ayudar a las IA a leer su sitio. Lo que dice la propuesta, lo que se puede verificar de su uso real, lo que dicen Google, OpenAI y Anthropic, y por qué nosotros hacemos uno de todos modos.
Tomar perspectiva7 min
IA y desinformación: ¿máquina de mentir o remedio?
Un estudio muestra que la IA escribe informaciones falsas más convincentes que los humanos, otro que hace retroceder las creencias conspirativas, pero su revista ha emitido una reserva. Lo que se puede sacar en claro, y lo que la ley impone a quienes publican.