Las máquinas ya componen música, escriben novelas y pintan cuadros que se venden en subastas por miles de dólares. La pregunta que flota sobre todo eso es la misma desde hace años: ¿está creando la IA o está imitando muy bien? La respuesta no es obvia, y depende bastante de cómo decidamos definir “original”.
La IA creatividad originalidad se ha convertido en uno de los debates más serios dentro de la filosofía de la mente, la ciencia cognitiva y la industria tecnológica al mismo tiempo. No es un debate abstracto: afecta a quién cobra los derechos de una canción generada por un modelo, a si un diseñador puede firmar algo que ha producido con prompts, y a cómo entendemos el valor de lo que los humanos hacemos cuando creamos.
¿Qué significa exactamente que algo sea “original”?
La originalidad no es un concepto tan sólido como parece. En filosofía del arte lleva siglos siendo discutida, y la respuesta más honesta es que “original” no significa “surgido de la nada”. Cuando Picasso desarrolló el cubismo, bebía de máscaras africanas, de Cézanne y de su propio entorno. Cuando Dylan Thomas escribía poesía, tenía la Biblia, a Hopkins y a los bardos galeses metidos en la cabeza. Toda creación humana es también recombinación.
Entonces, si los humanos también combinamos y reinterpretamos, ¿qué distingue nuestra creatividad de la de un modelo de lenguaje o de difusión? Hay varias respuestas posibles. La más frecuente apunta a la intención y la experiencia vivida: el artista humano crea desde un lugar, desde una emoción, desde una necesidad de decir algo. La IA, por su parte, no tiene ningún estado interno que la empuje a crear. Genera porque se lo piden.
Otra respuesta señala el azar significativo. Un humano puede tener una idea rara a las tres de la mañana, en un estado mental específico, y esa rareza se convierte en el núcleo de algo nuevo. Los modelos generativos también tienen componentes estocásticos, es decir, introducen variabilidad aleatoria en sus salidas. Pero si ese azar produce algo valioso en una IA, nadie sabe exactamente por qué, ni la propia máquina.
¿Cómo genera ideas una IA y en qué se diferencia de un cerebro humano?
Los grandes modelos de lenguaje como GPT-4 o Claude generan texto prediciendo qué token viene después del anterior, basándose en patrones estadísticos aprendidos de cantidades inmensas de texto humano. Los modelos de imagen como Stable Diffusion o Midjourney aprenden a reconstruir imágenes a partir de ruido, guiados por descripciones textuales. Ninguno de los dos “piensa” en el sentido en que lo entendemos habitualmente. Si quieres entender con más detalle cómo procesa el lenguaje un modelo grande, la diferencia con el pensamiento humano se hace aún más evidente.
El cerebro humano, en cambio, conecta conceptos a través de redes que están teñidas de emoción, memoria corporal y contexto personal. Cuando un poeta elige una palabra, no está optimizando una función de pérdida: está resolviendo algo que le pesa. Esa diferencia de sustrato importa, aunque sea difícil medirla.
Lo que sí hacen bien los modelos actuales es lo que los investigadores llaman combinación conceptual a gran escala. Pueden mezclar estilos, géneros y referencias de formas que a un humano le costaría horas imaginar, porque han procesado más texto y más imágenes que cualquier persona podría leer o ver en mil vidas. Eso produce resultados que a veces sorprenden incluso a quienes los generan. Pero sorprender no es lo mismo que crear con intención.
Un experimento relevante en este sentido es el trabajo del investigador Tony McCaffrey sobre “oscurecimiento de características”: los humanos somos creativos precisamente cuando ignoramos los usos convencionales de las cosas y vemos propiedades ocultas. Los modelos de IA tienden a reforzar los usos más comunes, los que aparecen más frecuentemente en los datos de entrenamiento. La IA es conservadora por diseño estadístico, aunque sus salidas puedan parecer extravagantes.
¿Puede la IA producir algo que ningún humano hubiera producido?
Técnicamente, sí, y eso ya ha ocurrido. En 2022, el sistema AlphaCode de DeepMind resolvió problemas de programación competitiva con soluciones que los evaluadores humanos no habían contemplado. En música, sistemas como MusicLM de Google o Suno han generado piezas con estructuras armónicas poco convencionales que músicos entrenados han descrito como “extrañamente interesantes”. No es imposible que una IA produzca una combinación que ningún humano habría generado exactamente igual.
El problema está en el “para qué”. Una combinación nueva que nadie ha visto antes no es automáticamente valiosa. La creatividad humana tiene un componente de selección: de todo lo que imaginas, eliges lo que tiene sentido, lo que resuena, lo que comunica algo. Los modelos de IA carecen de ese criterio propio. Necesitan que un humano evalúe si lo que han generado merece existir, o necesitan ser entrenados con las valoraciones humanas previas, lo que los ata otra vez al gusto colectivo anterior.
Esto conecta con uno de los problemas más estudiados en el campo: el llamado “colapso del modelo”. Cuando los modelos se entrenan con datos generados por otros modelos (algo que ocurre cada vez más, a medida que el contenido sintético invade la web), tienden a converger hacia versiones empobrecidas y homogéneas de los estilos que imitan. Los mecanismos por los que una IA aprende sin supervisión hacen que este riesgo sea especialmente difícil de controlar a largo plazo.
¿Qué dice la evidencia sobre si la IA es creativa?
Los estudios empíricos muestran resultados mixtos y dependen mucho de cómo se mida la creatividad. En pruebas de Pensamiento Divergente, que evalúan la capacidad de generar múltiples usos para un objeto, modelos como GPT-4 obtienen puntuaciones altas, incluso comparables a las de humanos considerados “altamente creativos”. Esto lo publicó un equipo de investigadores de la Universidad de Montana en 2023, con datos que generaron bastante discusión.
Sin embargo, esas mismas pruebas tienen limitaciones conocidas. El pensamiento divergente mide fluidez verbal, no creatividad en el sentido profundo. Un modelo que ha procesado millones de usos posibles de un ladrillo va a generar listas largas con facilidad. Eso no significa que haya “pensado” en ninguna de esas respuestas: las ha recuperado de algún lugar de su espacio de representaciones.
Donde la IA flaquea de forma más consistente es en las pruebas que requieren creatividad situada en un problema real y nuevo, un contexto que no ha visto antes, con restricciones específicas que no aparecen en los datos de entrenamiento. Ahí los modelos tienden a aplicar soluciones genéricas, a recombinar lo conocido en vez de saltar fuera del marco. Algo que, curiosamente, también les ocurre a muchos humanos.
El filósofo Margaret Boden, que lleva décadas estudiando creatividad computacional, distingue tres tipos: la creatividad combinatoria (mezclar ideas existentes), la exploratoria (moverse dentro de un espacio de posibilidades conocido) y la transformadora (cambiar las reglas del espacio). Las dos primeras las hacen bien los sistemas actuales. La tercera, según Boden, todavía no.
El debate sobre los límites reales de estos sistemas no es solo filosófico. Lo que la inteligencia artificial general no puede hacer sigue siendo una pregunta abierta con implicaciones muy concretas para industrias enteras.
La creatividad como proceso colectivo y lo que eso cambia
Hay una perspectiva que complica todo lo anterior: la creatividad nunca ha sido solo individual. Las ideas circulan, se contagian, se transforman en comunidades. Un movimiento artístico no lo inventa una sola persona: emerge de decenas de conversaciones, influencias y reacciones. Desde ese punto de vista, una IA entrenada con la producción cultural de millones de personas podría interpretarse como una destilación del imaginario colectivo humano, no como algo ajeno a la creatividad humana.
Esa idea tiene algo de atractivo, pero también esconde un problema de atribución. Si un modelo genera algo valioso a partir del trabajo no remunerado ni consentido de miles de artistas, escritores y músicos, la pregunta deja de ser filosófica y se vuelve legal y ética. Los juicios en curso en Estados Unidos contra empresas como Stability AI o el New York Times contra OpenAI giran exactamente alrededor de eso. La historia de la imagen manipulada ya nos enseñó que la tecnología cambia primero y las normas llegan después, con retraso y con daños ya hechos.
Hay otro ángulo: el papel del humano que usa la IA. Un diseñador que pasa horas refinando prompts, descartando resultados, combinando salidas y añadiendo su propio criterio está haciendo algo que tiene mucho de creativo. La herramienta no anula al autor; lo desplaza hacia otra parte del proceso. Igual que el sintetizador no mató a los músicos, aunque sí cambió radicalmente qué músicos tenían trabajo y de qué tipo. La relación entre automatización y oficios creativos sigue el mismo patrón en sector tras sector.
Lo que está cambiando de verdad es el umbral de acceso. Antes, producir una imagen de calidad profesional requería años de formación. Ahora requiere un buen prompt y diez segundos. Eso democratiza algo, pero también devalúa algo. Y esas dos cosas ocurren al mismo tiempo, sin que una cancele a la otra. El impacto en los trabajos técnicos creativos, como la programación, ya está siendo medible y no solo especulativo.
¿Seguirá importando si una idea la tuvo una persona o una máquina?
La pregunta sobre la IA creatividad originalidad no se va a resolver pronto, y quizás el punto más honesto al que podemos llegar hoy es este: los sistemas de IA actuales producen resultados que funcionalmente se parecen a la creatividad, pero sin el sustrato que le da sentido a la creatividad humana. Sin intención, sin experiencia, sin la necesidad de decir algo que viene de haber vivido algo. Eso no los hace inútiles para los creadores; los hace herramientas potentes con un perfil de capacidades muy específico.
Lo que sí está cambiando es la percepción del valor. Si una canción generada por IA emociona a quien la escucha, ¿importa que nadie la haya “querido” hacer? Algunos dirán que no. Otros argumentarán que la emoción que genera no es la misma que genera saber que alguien la compuso desde un lugar real. Los límites que las empresas programan en sus modelos revelan que el criterio de valor sigue siendo humano, aunque la producción no lo sea.
La pregunta que queda abierta es si eso va a aguantar. Si en diez años la mayor parte del contenido cultural que consumimos ha pasado por algún proceso de generación automática, ¿seguiremos distinguiendo entre lo que hizo una persona y lo que hizo un modelo? ¿Querremos distinguirlo? La respuesta a eso va a decir mucho más sobre nosotros que sobre la tecnología.
Preguntas frecuentes
¿Puede una IA tener derechos de autor sobre lo que crea?
En la mayoría de países, no. La legislación vigente en Estados Unidos, la Unión Europea y España exige que el autor sea una persona física para que existan derechos de autor. Las obras generadas íntegramente por IA no están protegidas por copyright, aunque los tribunales están empezando a matizar casos en los que hay una contribución creativa humana significativa en el proceso.
¿Es lo mismo que una IA genere arte a que lo cree?
La distinción importa. Generar implica producir una salida a partir de patrones estadísticos; crear, en el sentido que solemos darle, implica intención, selección y significado personal. Los sistemas actuales hacen lo primero con notable competencia. Lo segundo requeriría algo que los modelos de lenguaje e imagen actuales no tienen: un punto de vista propio sobre por qué algo merece existir.
¿Qué tipo de creatividad se le da mejor a la IA?
La creatividad combinatoria, mezclar estilos, referencias y géneros de formas variadas, es donde los modelos actuales rinden mejor. También son competentes en la exploración dentro de espacios conocidos. Donde fallan de forma más sistemática es en la creatividad transformadora: cambiar las reglas del juego en vez de jugar dentro de ellas. Eso requiere romper marcos, y los modelos estadísticos tienden a reforzarlos.
¿Puede la IA reemplazar a los artistas humanos?
Puede reemplazar algunas tareas concretas que antes hacían artistas: ilustraciones de stock, música de fondo, textos genéricos. Para trabajos donde la voz personal, la experiencia vivida o el criterio estético propio son el producto, la sustitución es mucho menos directa. Lo más probable es un desplazamiento de qué partes del proceso hacen los humanos, no una eliminación completa de la figura del creador.
¿Es cierto que los modelos de IA se están volviendo menos creativos porque se entrenan con contenido generado por IA?
Hay evidencia real de ese riesgo. Cuando los modelos se entrenan con datos producidos por otros modelos, tienden a perder diversidad y a converger hacia versiones más planas y homogéneas de los estilos originales. Es un fenómeno documentado que los investigadores llaman degradación o colapso del modelo, y es una preocupación creciente a medida que el contenido sintético ocupa más espacio en la web.
