Startup australiana busca romper la uniformidad de respuestas en modelos de lenguaje

Qué pasó

La startup australiana Springboards presentó oficialmente a Flint, su propio modelo de lenguaje de gran tamaño, diseñado específicamente para generar respuestas más variadas frente a preguntas abiertas, un ámbito donde los modelos comerciales muestran un patrón de uniformidad preocupante.

El cofundador y director ejecutivo de la firma, Pip Bingemann, expuso el problema mediante una demostración sencilla. Al solicitar a ChatGPT, Claude y Gemini un número aleatorio entre 1 y 10, los tres sistemas entregaron sistemáticamente el 7. Tras reiniciar la consulta, Flint devolvió 3,7916. La diferencia, explicó Bingemann, ilustra el sesgo de los modelos entrenados con datos similares.

El fenómeno se replicó en otras pruebas. Al pedir un tipo de automóvil, los modelos comerciales propusieron mayoritariamente Toyota u Honda; Flint sugirió una Ford F-150. Al solicitar un eslogan publicitario para zapatillas New Balance, ChatGPT y Claude entregaron idénticamente la frase "Run your way", mientras que Flint propuso "Built to last, run to win".

El problema adquirió visibilidad académica en noviembre de 2025, cuando un equipo de investigadores publicó el estudio titulado "Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)", que documentó la convergencia de respuestas entre múltiples modelos ante preguntas abiertas.

Contexto

La preocupación por la homogeneidad de los modelos de lenguaje se suma al debate tradicional sobre las llamadas alucinaciones, es decir, las respuestas imprecisas o fabricadas por los sistemas de inteligencia artificial. Mientras la industria ha concentrado esfuerzos en reducir estos errores, Springboards adopta una postura distinta: su modelo no busca eliminar la aleatoriedad, sino aprovecharla.

Según Bingemann, la convergencia de respuestas responde a la naturaleza de los datos de entrenamiento y a los procesos de alineación, que tienden a reforzar patrones dominantes en el contenido disponible. Esta dinámica reduciría la diversidad informativa y limitaría la utilidad de los modelos en contextos creativos, de planificación estratégica o de generación de ideas.

En el ecosistema tecnológico actual, dominado por actores como OpenAI, Anthropic y Google, las propuestas de modelos alternativos apuntan a nichos especializados. Springboards se posiciona así como una opción enfocada en la variabilidad de respuestas, un atributo que podría resultar relevante para agencias de publicidad, equipos de innovación y profesionales que requieren explorar múltiples alternativas antes de tomar decisiones.

Impacto para empresas chilenas

En Chile, la creciente adopción de herramientas de inteligencia artificial entre empresas y pymes ha puesto sobre la mesa la necesidad de evaluar no solo la precisión de los modelos, sino también su capacidad para generar alternativas diversas. Sectores como el comercio, el marketing, el turismo y la consultoría utilizan asistentes virtuales para tareas que van desde la redacción de contenidos hasta la planificación de proyectos.

La limitación documentada por Springboards podría afectar directamente a equipos chilenos que dependen de estas plataformas para sesiones de brainstorming, diseño de campañas o desarrollo de productos. Si distintos modelos entregan respuestas prácticamente idénticas, el valor agregado de la inteligencia artificial en procesos creativos se reduce de manera significativa.

Para el mercado local, donde la competencia por diferenciarse es intensa, contar con herramientas capaces de proponer enfoques no convencionales representa una oportunidad concreta. La eventual llegada de modelos como Flint al país, o el desarrollo de soluciones equivalentes por parte de proveedores regionales, podría modificar la dinámica de adopción tecnológica en el segmento de las pequeñas y medianas empresas.

Qué sigue

La creciente atención sobre la homogeneidad de los modelos podría motivar nuevos desarrollos orientados a recuperar la diversidad perdida. Investigadores y startups ya exploran técnicas de entrenamiento, ajuste fino y arquitecturas alternativas para ampliar el espectro de respuestas disponibles en consultas abiertas.

En el mediano plazo, la capacidad de un modelo para ofrecer alternativas diversas podría convertirse en un parámetro de evaluación tan relevante como la precisión factual, especialmente en aplicaciones creativas y de soporte a la toma de decisiones empresariales.