El peligro del clickbait cuando los medios alimentan a los miedos
Muy buena pregunta. ¿Por qué la marca personal es lo único que la IA no puede fabricar? La respuesta es sencilla, pero necesita de una larga explicación.
Sino tienes tiempo para leer. No sigas leyendo. Si tu marca te importa, respira profundamente ya acompáñame. Valdrá la pena.
De las cosas que valoro de STALMANÍA, el podcast que comparto con mi hijo mayor, Feli, es que me obliga a estar al día en lo que pasa y lo que no pasa con la IA. Estas semanas, estas son algunas de las cosas que pasaron, pero que vinieron para quedarse.
Google le acaba de enseñar a una inteligencia artificial a no repetir sus propios errores. Anthropic empezó a firmar, de forma invisible, cada texto que escribe su IA. La contratación global cae 24% mientras ciertos trabajos se vuelven, según los datos, imposibles de reemplazar. Y Yoko Li, de a16z, acaba de explicar por qué el código aprende solo y cómo se vuelve un agente autónomo.
Son piezas de un rompezabezas gigante que parecen no tener nada que ver entre sí. Hasta que se leen juntas. Y yo las conecto, pata hacerte la lectura más sencilla.
Recorda que más de la mitad (se habla del 60% y creciendo) de lo que se publica hoy en internet ya no lo escribe una persona. Y la mayoría de los lectores no puede notar la diferencia. Vos la notas, porque es obvio que una IA escribiría esto mucho mejor. O no.
Vamos a recorrer las piezas, y al final del post te compartiré una sola conclusión.
1. La IA aprende rápido solo donde hay un árbitro
Imaginen a un agente de IA como un trabajador que intenta resolver un problema. Yoko Li, de a16z, explica que un «loop» no es más que eso: la IA hace una tarea, revisa su propio trabajo y vuelve a intentarlo hasta que le sale bien. Los primeros loops que funcionaron de verdad fueron los de código. Y eso, dice Li, no es casualidad.
Su punto central es que algunas tareas son mucho más fáciles de corregir para una IA que otras, y lo mide con dos reglas:
- Qué tan editable es el resultado. ¿Puede la IA volver y cambiar una sola parte pequeña de su trabajo sin tener que empezar de cero?
- Qué tan verificable es el resultado. ¿Existe una forma clara y objetiva de comprobar si el trabajo está bien hecho? Como una prueba de aprobado o reprobado.
El código saca la nota máxima en las dos reglas.
Es editable: si un programa tiene un error, la IA no reescribe todo el software, cambia una línea o una función. Y es verificable: tiene un árbitro incorporado, el compilador, que devuelve una respuesta inmediata y objetiva —»error en la línea 10″—.
Con esa retroalimentación instantánea, la IA entra en loop: escribe, prueba, falla, edita, vuelve a correr. Y repite el ciclo hasta que la prueba pasa.
La generación de imágenes, el «arte», vive en el extremo opuesto.
Es menos editable: si la IA dibuja mal la cola de un perro, casi nunca puede corregir solo la cola, tiene que borrar la imagen entera y generar una nueva desde cero.
Y es más difícil de verificar: no existe una prueba objetiva de que un perro «se vea bien». Lo que para la máquina es un perro feliz, para el ojo humano puede verse mal. Sin un criterio claro de aprobado o reprobado, la IA no sabe qué corregir. Y sin eso, no hay loop posible: se queda adivinando en lugar de aprender.
La escritura (y acá está la clave que conecta todo lo que sigue) cae en un punto intermedio, más cerca del arte que del código: es editable, pero no tiene árbitro.
No existe un compilador que le diga a un texto «esto es auténtico» o «esto no lo es». Puede ser gramaticalmente perfecto y estar completamente vacío.
Ese vacío de verificación es exactamente el terreno que empezamos a ver ocupado, primero por el volumen, después por la sospecha, y ahora por la regulación.
2. La IA ya ganó la carrera de la cantidad, y eso que recién empezó
En noviembre de 2024, por primera vez, el contenido generado por IA superó al escrito por humanos en la publicación de artículos online. Un estudio de Graphite.io, sobre 43.000 artículos, mostró que el porcentaje de texto de IA pasó del 2% en 2020 al 51% en mayo de 2025. Un salto del 49% en menos de cinco años, impulsado por el efecto ChatGPT.
Y no fue solo en artículos. Un estudio de economistas de Cornell y Minnesota (NBER, 2026) muestra que la cantidad de libros electrónicos publicados en Amazon Kindle se triplicó: de unos 100.000 títulos nuevos por mes antes de 2022 a más de 300.000 en 2025, un incremento del 200% desde la llegada de la IA generativa. La escritura no solo se aceleró, se multiplicó como formato editorial completo.
Ahí es donde entendimos que el volumen dejó de ser ventaja. Si producir contenido es casi gratis, producir contenido ya no diferencia a nadie. Lo escribí entonces y lo sostengo hoy: la nueva escasez no es el contenido, es el criterio.
El crecimiento, además, no fue parejo en el tiempo: se disparó en el primer año después del lanzamiento de ChatGPT, y después se estabilizó cerca de un 50/50, a medida que buscadores como Google mejoraron la detección de contenido de baja calidad y empezaron a desincentivar lo que ya se conoce como «spam de IA». Ni siquiera el propio ecosistema digital toleró el volumen sin filtro. Tuvo que aparecer un techo, aunque sea artificial.
Lo que a mí me interesa de estos dos datos juntos —artículos y libros— no es la velocidad, es lo que revela sobre el terreno que quedó libre. En menos de dos años, la ventaja de «producir más rápido» pasó de ser un diferencial humano a ser una commodity de máquina. Cualquiera que hoy entre a este terreno pensando en ganar por volumen, ya llegó tarde.
Cuánto podés producir, es lo fácil. Lo que solo vos podés decir, es lo complicado.
3. Google le acaba de dar a la IA algo que a los textos les falta
Todo modelo de IA que usamos hoy sufre lo que podríamos llamar amnesia permanente. Termina una tarea, cerrás la ventana, y olvida cada error que cometió. La próxima vez que abrís un chat, vuelve a cometer exactamente los mismos errores. Nunca aprende de verdad. Google Research acaba de publicar un framework que ataca ese problema de frente: ReasoningBank.
El diseño es más inteligente de lo que parece a primera vista. En vez de acumular registros crudos de cada intento, o de guardar solo lo que funcionó, el agente evalúa sus propios aciertos y sus propios errores, sin ayuda humana.
Cuando falla, no descarta el error: lo destila en una regla portátil, una restricción negativa que dice, literalmente, «esto no se vuelve a hacer».
Cuando acierta, guarda la heurística que funcionó. En el momento de ejecutar una tarea nueva, el agente va directo a ese banco de memoria, saca las lecciones exactas que necesita, y las inyecta en su propio proceso de ejecución. Cuantas más tareas resuelve, más inteligente se vuelve su memoria, sin que nadie reentrene el modelo.
Google lo combinó con algo que llamó Memory-Aware Test-Time Scaling (MaTTS): frente a una tarea compleja, el agente le mete más cómputo, genera varias experiencias de interacción distintas, pone a prueba su propia lógica a alta velocidad, y sintetiza memoria de mejor calidad sobre la marcha. Es, literalmente, un sistema que revisa su forma de pensar antes de actuar.
Los resultados en benchmarks de navegación web e ingeniería de software son elocuentes: hasta 34,2% más de éxito en las tareas y 16% menos pasos desperdiciados, es decir, menos tiempo y recursos tirados repitiendo errores. Evolución en tiempo real, sin tocar los pesos del modelo.
Dicho en criollo: Google le dio a su IA algo que muchas organizaciones todavía no resolvieron para sus propios equipos humanos, un sistema real de aprendizaje institucional.
¿Cuántas veces un mismo error se repite en una empresa porque nadie lo documentó como aprendizaje, sino que quedó archivado como «un mal proyecto más»? La máquina, en este punto puntual, ya aprende mejor que muchas culturas corporativas. Y sin embargo —acá está la paradoja que atraviesa todo este análisis— ese aprendizaje sigue limitado a tareas con árbitro: código que corre o no corre, una página que carga o no carga.
Seguimos sin tener un ReasoningBank para la voz, el criterio o la autenticidad. Nadie puede verificar si un texto tiene alma. Solo se puede sentir. Y eso, paradójicamente, es lo único que sigue siendo imposible de automatizar del todo.
4. La marca de agua: la regulación llegó donde el mercado ya venía fracasando solo
Antes de que Anthropic metiera una firma invisible en cada texto, la propia industria ya sabía que tenía un problema que no podía resolver a simple vista. Originality AI analizó 8.795 publicaciones de LinkedIn, todas de más de 100 palabras, publicadas entre 2018 y octubre de 2024, y estimó que más de la mitad de los posts largos recientes mostraba señales de haber sido generado o asistido por IA.
El salto llegó justo después de enero de 2023, tras la adopción masiva de ChatGPT, y la extensión promedio de los posts creció de forma marcada: la IA no solo cambió cuánto se publica, cambió cómo se escribe.
En julio, Pangram Labs subió la apuesta: analizó más de un millón de posts en LinkedIn, Medium, Substack, X/Twitter y Reddit, y encontró que LinkedIn era, de lejos, la plataforma más saturada de contenido generado por IA: 41% de los posts largos y 30% de los cortos, entre abril y junio de 2026, eran probablemente de IA. La red donde más se habla de expertise y liderazgo humano es, con estos números, la más impostada.
Ni siquiera LinkedIn lo negó. Laura Lorenzetti, su ejecutiva editorial, reconoció públicamente el avance del «AI slop»: contenido de bajo esfuerzo, pulido por fuera, vacío de perspectiva propia por dentro.
Medios como TechRadar y Engadget reportaron que la plataforma empezó a limitar la distribución de posts genéricos y fórmulas reconocibles de IA. Es decir: la plataforma intentó frenar el problema mirando patrones, a ojo, contenido por contenido.
Y no alcanzó. El caso de Steven Bartlett y FlightStory lo prueba desde el otro lado: su equipo dejó directamente de usar IA en sus posts de LinkedIn, apostando a que el contenido humano, con sus imperfecciones, se iba a diferenciar mejor en un feed saturado de texto automatizado. Y les funcionó.
Ahí es donde entra Anthropic. Si LinkedIn no pudo filtrar el «AI slop» mirándolo desde afuera, la solución se mudó río arriba: marcar el contenido en el momento mismo en que se genera. Anthropic empezó a incorporar marcas de agua invisibles en los textos de Claude y metadatos firmados en imágenes, alineándose con la Ley de IA de la Unión Europea, pero aplicándolo globalmente, desde cualquier interfaz, incluidas las APIs.
Léanlo con atención, porque el detalle es el que de verdad importa: encontrar la marca no prueba que la IA escribió todo el texto, solo que participó en algún punto. Si vos escribís un artículo y le pedís a Claude que lo corrija o lo traduzca, ese texto puede salir marcado, aunque la idea sea 100% tuya.
Esto confirma exactamente lo que venía diciendo desde 2024: la pregunta nunca fue «¿lo escribió una IA?». La IA ya cruzó esa línea, la ganó por volumen, hace tiempo. La pregunta real es quién sostiene el punto de vista, quién asume la responsabilidad de lo dicho, y ahí ninguna marca de agua puede ayudarte.
Certifica participación técnica, no autoría de pensamiento. La marca de agua es, en el fondo, una confesión de la industria: si tuvieron que meterle a la fuerza una firma invisible a cada texto, es porque a simple vista ya no se podía distinguir nada.
Es la regulación llegando exactamente adonde el ojo humano —y el filtro editorial de LinkedIn— dejaron de alcanzar.
5. La gente vuelve a lo imperfecto
El informe de HubSpot 2026 le pone número exacto a esa brecha entre uso y confianza: 74% del marketing ya usa IA, pero el 90% prioriza lo humano para generar confianza. Ahí está la paradoja completa de esta etapa: usamos la IA todos los días, pero seguimos confiando en las personas.
El mismo informe agrega un dato que conecta directo: 40% de los equipos de marketing todavía no logra definir su valor único, mientras que las marcas con un punto de vista claro —un brand POV reconocible— multiplican su retorno. La IA ya es infraestructura de fondo, no diferenciador. Y ahí está el problema real: producir más ya no sirve de nada si no hay una postura propia detrás.
Esto conecta con algo que vengo señalando desde mayo: la mayoría de los artículos generados por IA son «contenido fantasma», textos que existen pero que casi nadie lee. El volumen de escritura dejó de ser igual al volumen de lectura. Lo que la gente de verdad busca, consume y recuerda sigue llevando, en su enorme mayoría, el sello de una mirada humana. La IA cambió la economía de la escritura. Todavía no logró cambiar la economía de la credibilidad.
Esa brecha entre uso y confianza es la más importante de todo este análisis. La IA se volvió infraestructura. Dejó de ser diferenciador para convertirse en piso mínimo, como la electricidad o el wifi. Y cuando algo se vuelve infraestructura, el valor se desplaza, inevitablemente, hacia lo que esa infraestructura no puede replicar.
No es un llamado a abandonar la IA —sería absurdo, y además imposible—. Es un llamado a dejar de usarla para producir lo mismo que produce todo el mundo. La escasez ya no es el contenido: es el punto de vista. Y el punto de vista no se automatiza, se construye con años, se defiende en público, y se paga caro cuando se pierde.
6. El trabajo confirma el mismo patrón, con nombre, apellido y una cifra que asusta
El miedo instalado es que la IA entre a una oficina y sustituya un departamento entero de un saque. Los datos de Visier —una compañía de inteligencia de fuerza laboral que analizó 3,6 millones de registros de empleados en más de 155 organizaciones y 30 dominios de trabajo, entre 2022 y 2026— muestran algo más sutil: no hay reemplazo total, hay reconfiguración interna. La IA absorbe las tareas rutinarias y técnicas dentro de muchos roles distintos, y el trabajo no desaparece: se reacomoda. El titular es contundente igual —la contratación general cayó 24%— pero el verdadero hallazgo está un piso más abajo.
Visier no comparó industrias completas —banco contra hospital—, comparó funciones dentro de cada organización. Y ahí aparece la redistribución con nombre propio: dentro del área de Datos y Analítica, la contratación de ingenieros de IA subió 251%, mientras que la de científicos de datos cayó 32%. Mismo departamento, mismo momento, trayectorias inversas.
Producto subió 39% su participación en la nómina. RR.HH. cayó 3%. Finanzas, 4%. No es un sector ganando y otro perdiendo en bloque: es «el criterio versus la ejecución», medido en nómina en vez de en el feed.
A medida que la IA se vuelve experta en procesar datos, redactar informes básicos o hacer cálculos complejos, lo que sube de valor es exactamente lo esencialmente humano: la empatía y la conexión —gestión de crisis, liderazgo de equipos, ventas de alto nivel, atención personalizada—; el juicio ético y el contexto —decisiones donde no solo importan los datos, sino la moral, la cultura de la empresa o las relaciones de largo plazo—; y la estrategia creativa —conectar puntos entre disciplinas que un patrón del pasado no anticipa—.
Por eso la caída del 24% convive con roles que se vuelven, literalmente, más difíciles de reemplazar: educadores, abogados, arquitectos y profesionales de seguridad. Comparten algo que ya identificamos en el punto 1 con Yoko Li: son trabajos sin compilador, sin test de pase o falla.
Piensen el trabajo como una baraja de cartas. Antes, el valor de una persona dependía de cuántas tareas técnicas podía resolver. Ahora la IA se queda con las cartas técnicas —análisis, procesamiento, automatización— y al humano le quedan las cartas que exigen contacto humano real. Por eso las empresas contratan menos en total, pero las personas que quedan son mucho más críticas: sus roles se vuelven más profundos y estratégicos. Ya no son procesadores de datos. Son arquitectos de decisiones.
Ese mismo criterio explica otro giro que encontró Visier: las empresas priorizan cada vez más a trabajadores de entre 35 y 50 años por sobre los más jóvenes en las nuevas contrataciones. Tiene sentido: una máquina recupera un dato en segundos, pero no tiene 15 o 20 años reconociendo cuándo ese dato no aplica a la situación real. Esa es, literalmente, experiencia convertida en ventaja competitiva.
Andrea Derler, la economista que lideró el estudio, lo resume con una frase que podría ir en cualquiera de mis libros: los roles no desaparecen, evolucionan, y la pregunta ya no es «¿la IA me va a reemplazar?», sino «¿qué es lo que yo hago que se vuelve más valioso porque la IA está acá?» La misma pregunta que venimos haciéndonos con la escritura desde 2024, ahora con nombre de departamento y un número al lado.
7. Y todo desemboca en la misma conclusión
Si la escritura no tiene compilador, si la marca de agua certifica participación pero no pensamiento, si el mercado ya paga más por lo imperfecto y humano, y si hasta el trabajo se reordena hacia el criterio y no hacia la ejecución, entonces la conclusión de negocio es directa: la marca —personal o corporativa— se convierte en el único sistema de verificación que le queda a la confianza.
No hay test automático que diga si una idea es genuina. Pero hay una reputación construida en el tiempo que funciona exactamente como ese árbitro que la escritura nunca tuvo.
Fabricar significa producir algo bajo demanda, en el momento en que se lo pide. Y ahí está el límite exacto de la IA: puede fabricar un texto, una imagen o un argumento en segundos. Lo que no puede fabricar es tiempo. La marca personal no es un artefacto que se genera, es un patrón de decisiones sostenido durante años, frente a personas reales, que después cuentan si ese patrón se sostuvo o no cuando nadie estaba mirando. Ninguna IA puede generar retroactivamente diez años de coherencia.
Puede imitar el estilo de alguien —de hecho ya lo hace mejor de lo que a cualquiera de nosotros nos gustaría admitir—, pero no puede simular haber estado ahí, haber respondido por un error propio, haber elegido lo difícil en lugar de lo cómodo. Eso es, en sentido literal, lo único que no se fabrica: se acumula.
Por eso las seis piezas anteriores terminan en el mismo lugar. Si la escritura no tiene compilador, si la marca de agua certifica participación pero no pensamiento, si el mercado ya paga más por lo imperfecto y humano, y si hasta el trabajo se reordena hacia el criterio y no hacia la ejecución, entonces la conclusión de negocio es directa: la marca —personal o corporativa— se convierte en el único sistema de verificación que le queda a la confianza. No hay test automático que diga si una idea es genuina. Pero hay una reputación construida en el tiempo que funciona exactamente como ese árbitro que la escritura nunca tuvo.
Esa lógica corre en dos escalas al mismo tiempo, y las dos importan. A nivel individual, la marca personal es mucho más que lo que alguien publica: es lo que se dice de esa persona cuando no está en la sala. Es cómo entregó el último proyecto, cómo trató a alguien en un mal momento, si la recomendación que le pidieron a un colega fue sincera o tibia, si su nombre circula en una industria como sinónimo de algo específico o de nada en particular. Las redes son apenas una vidriera de eso, y ni siquiera la más confiable: vimos en el punto 4 que 41% de los posts largos de LinkedIn ya son de IA, así que ni ese escaparate prueba demasiado por sí solo.
Lo que sí queda, con o sin publicaciones de por medio, es el patrón sostenido en el tiempo: si esa persona dijo lo mismo cuando le convenía y cuando no, si cumplió lo que prometió, si eligió lo difícil en lugar de lo cómodo. Eso es la marca personal en la práctica: no el último post ni la última reunión, sino el promedio de todo lo anterior. Y ese promedio es exactamente lo que ninguna IA puede fabricar de un día para el otro, porque no hay atajo posible para diez años de historial real, delante y detrás de cámara.
A escala corporativa pasa lo mismo, solo que con otro nombre y otro presupuesto. Ahí es donde entra la pregunta que hoy se hacen los CMOs con más peso de la industria: cómo conectar la estrategia de marca directamente con el crecimiento del negocio, y no solo con el alcance o el engagement.
Durante años, marketing y negocio caminaron por carriles separados —uno medía impresiones, el otro medía ingresos—. Ese lujo ya no existe. Si el contenido es commodity, si cualquiera puede producir un texto pulido en tres segundos, la marca deja de ser el área que «comunica» lo que el negocio hace, y pasa a ser la que decide si el negocio crece o no. No es una metáfora: es la nueva función de la marca dentro del organigrama.
Por eso el CMO que todavía mide su gestión por alcance y engagement está resolviendo el problema de hace diez años. El problema de hoy es otro, y es más incómodo: ¿la marca que construyo genera la confianza suficiente para que alguien elija pagar, quedarse o recomendar, en un mundo donde ya no puede confiar en lo que ve?
Esa pregunta no se responde con más contenido. Se responde con más coherencia: entre lo que la marca dice en público, lo que hace en un producto, y lo que un cliente cuenta después, sin que nadie se lo pida. Es la misma coherencia que se le exige a una persona en su trato cotidiano, medida ahora en la escala de una organización entera.
Hoy cualquiera que quiera —una persona o una empresa— puede producir contenido pulido en segundos, la marca es la que decide en quién confiar. Y esa decisión, al final del día, es la misma tanto si se trata de contratar a un profesional como de elegir un proveedor: se apoya en algo que ninguna IA fabricó, porque nadie puede fabricar tiempo.
Lo que aprenden las organizaciones
- La IA resuelve lo verificable. Ustedes tienen que proteger lo que no lo es. Todo proceso editable y con test objetivo, edúquenlo para que lo haga la máquina. Todo lo que dependa de juicio, cultura o relación, no lo deleguen.
- Construyan memoria organizacional como ReasoningBank construye la suya. Si la IA ya aprende de cada error sin cometerlo dos veces, pregúntense por qué su empresa sigue repitiendo los mismos.
- Dejen de mirar la reconversión por industria o por departamento, y empiecen a mirarla por rol. Si dentro de un mismo equipo de datos un puesto puede crecer 251% y el de al lado caer 32%, la planificación anual de talento llega tarde. Hay que mirar función por función, no título por título.
- No confundan cumplimiento con confianza. La marca de agua es trazabilidad técnica, obligatoria y necesaria. La confianza real la sigue construyendo la coherencia entre lo que la marca dice y lo que hace, no un metadato.
- Midan la marca por su impacto en el negocio, no por su volumen de contenido. El contenido ya es commodity. El criterio, no.
Lo que aprende la educación
- Enseñar a producir texto ya no alcanza; hay que enseñar a sostener un punto de vista. Eso es lo único que ninguna IA puede generar por alguien.
- Formar en pensamiento verificable-editable, como el código, para lo técnico; y en criterio propio, sin atajos, para todo lo demás.
- Enseñar alfabetización de procedencia: entender qué significa una marca de agua, qué certifica y qué no, va a ser tan elemental como saber citar una fuente.
- Recuperar el valor de lo imperfecto. Si el mercado ya paga más por la voz genuina que por el texto pulido, formar estudiantes que solo pulen y no piensan es formarlos para la irrelevancia.
El pensamiento final
Llevo dos años haciéndome la misma pregunta que cerraba aquel primer artículo de 2024: ¿este texto lo escribió una IA o un humano? Hoy, gracias a Anthropic, técnicamente hay una respuesta parcial: participó una IA, en algún punto. Pero la pregunta que de verdad importa nunca fue esa.
La pregunta es: ¿quién está detrás de la idea, y esa persona o esa marca se anima a sostenerla? Eso, ninguna marca de agua lo va a certificar nunca. Esa sigue siendo, por ahora, la última frontera profundamente humana.
Te escribo cuando tengo algo que contarte.
Recibe un email cada vez que publico algo nuevo.
Tu correo solo será utilizado para mandar lo último que publique. Política de privacidad
Related posts
