Los LLM escriben bien. Quizás demasiado bien.

Un email generado por IA suele tener buena gramática, estructura correcta y un tono profesional. Sin embargo, después de usar estas herramientas durante un tiempo, empiezan a aparecer patrones reconocibles.

Párrafos perfectamente equilibrados. Introducciones que anuncian lo que viene. Tres ejemplos donde dos eran suficientes. Una frase contundente al final de cada sección.

Y uno de mis favoritos:

El problema no es X. Es Y.

Nada de esto está necesariamente mal. El problema aparece cuando se repite tanto que empezamos a reconocer la forma antes de prestar atención al contenido.

El texto deja de sonar como alguien que quiere decir algo y empieza a sonar como alguien que pidió a una IA que lo escribiera.

Un ensayo de 1946 tiene algunas respuestas

En 1946, George Orwell publicó Politics and the English Language. Su preocupación era muy distinta a la nuestra, pero varias de sus observaciones resultan sorprendentemente actuales.

Orwell criticaba el uso de palabras innecesarias, clichés, construcciones pasivas, expresiones prefabricadas y lenguaje abstracto. Su propuesta era simple: elegir palabras por lo que queremos decir, en lugar de recurrir automáticamente a frases que ya conocemos.

Ese último punto resulta especialmente interesante cuando quien escribe es un modelo entrenado, literalmente, sobre enormes cantidades de texto que ya conocemos.

Los LLM son muy buenos identificando patrones. También son muy buenos reproduciéndolos.

Correcto no siempre significa natural

Pensemos en un email a un cliente.

Podemos pedirle a un LLM que sea profesional, cordial y claro. Probablemente lo consiga. Pero también podemos terminar con algo parecido a esto:

Espero que este mensaje le encuentre bien. Quería aprovechar esta oportunidad para compartir con usted una actualización importante respecto al proyecto. Es importante destacar que nuestro objetivo no es simplemente cumplir con los requisitos, sino garantizar una solución que genere verdadero valor.

No hay errores gramaticales. Tampoco hay mucho que una persona diría naturalmente de esa manera.

Podríamos decir:

Quería actualizarle sobre el proyecto. Terminamos la primera etapa y encontramos dos puntos que necesitamos revisar con usted antes de continuar.

Ahora hay una persona comunicándole algo concreto a otra.

Esta diferencia importa cuando el destinatario es un cliente, un compañero o cualquier persona sobre la que queremos producir algún efecto.

El destinatario también importa

Aquí aparece otra idea, esta vez cercana a Dale Carnegie: la comunicación funciona mejor cuando pensamos desde la perspectiva de quien recibe el mensaje.

Un cliente probablemente no quiere admirar la calidad de nuestra prosa. Quiere entender qué ocurrió, por qué le importa y qué necesita hacer.

Un compañero tampoco necesita una introducción de tres párrafos para descubrir que necesitamos revisar un pull request antes del jueves.

Cuando usamos IA para escribir, es fácil optimizar el texto para que parezca completo, profesional y bien estructurado. Esas características son útiles, pero pueden competir con algo más importante: que el destinatario quiera leerlo y entienda rápidamente por qué debería importarle.

Los LLM también tienen clichés

Orwell hablaba de expresiones gastadas que usamos casi sin pensar. Los modelos actuales parecen haber desarrollado una versión acelerada del mismo fenómeno.

Una de ellas es la yuxtaposición correctiva:

No se trata de trabajar más. Se trata de trabajar mejor.

La construcción tiene siglos de historia y puede ser muy efectiva. El problema surge cuando aparece constantemente, incluso cuando nadie había afirmado lo primero.

El modelo crea una oposición para darle a una afirmación común la apariencia de una conclusión reveladora.

Hay otros patrones similares: anunciar lo que se explicará antes de explicarlo, construir listas de tres elementos por defecto, repetir estructuras sintácticas o terminar sucesivos párrafos con pequeñas frases diseñadas para producir impacto.

Individualmente funcionan. La repetición los delata.

Esta impresión no es solamente anecdótica. Estudios recientes han comparado textos humanos con textos generados por distintos modelos y han encontrado diferencias sintácticas medibles, además de limitaciones compartidas que persisten incluso cuando cambia la familia del modelo y que pueden reducirse mediante edición humana (Chakrabarty et al., 2024).

Podemos intervenir

Una de las ventajas de trabajar con agentes y LLM es que no tenemos que aceptar su estilo por defecto.

Podemos definir instrucciones que les pidan usar lenguaje concreto, eliminar palabras que no aportan significado, evitar estructuras repetitivas y reservar determinados recursos retóricos para cuando realmente tengan una función.

Esto tiene una consecuencia práctica: podemos mejorar no solo el código que producen nuestros agentes, sino también los emails, documentación, reportes, análisis y mensajes que escriben con nosotros.

Y hay un beneficio adicional. Estas instrucciones también sirven para revisar nuestra propia escritura.

Después de todo, muchos de estos vicios no los inventaron los LLM. Los aprendieron de nosotros.

Las reglas

Preparé una adaptación de los principios de Orwell junto con algunas reglas adicionales orientadas específicamente a patrones frecuentes en textos generados por LLM.

Están pensadas para incorporarlas a instrucciones globales, Gems preparados para escritura de emails, AGENTS.md, CLAUDE.md o cualquier mecanismo equivalente que permita definir cómo queremos que escriba un modelo.

Puedes consultarlas como recurso complementario: Principios de escritura para instrucciones de agentes.

No pretenden hacer que un modelo finja ser humano. Buscan algo más útil: eliminar patrones innecesarios para que el contenido, el propósito y el destinatario vuelvan a determinar cómo se escribe.

Referencias