La mayor base de conocimiento utilizada para entrenar grandes modelos de lenguaje (LLM) está siendo envenenada por las propias palabras que estos sistemas generan. En la edición en inglés de Wikipedia, los editores libran a diario una batalla campal para contener una oleada incesante de artículos automatizados. Según mediciones de la herramienta de detección Pangram, a finales de 2025 alrededor del 20% de las nuevas entradas en Wikipedia presentaban huellas de generación sintética. La producción de la IA regresa a las bases de conocimiento y contamina en silencio la materia prima con la que se entrenarán las futuras generaciones de modelos.
A simple vista, la campaña de limpieza iniciada por la comunidad voluntaria parece una tarea rutinaria de moderación. En realidad, esta defensa atañe directamente a los cimientos de datos sobre los que se sustenta toda la industria de la inteligencia artificial. Un repositorio de conocimiento verificado con rigor durante más de dos décadas por seres humanos corre el peligro de transformarse en una ciénaga de hechos fabricados.
Cinco artículos extensos en cinco minutos: los patrulleros descubren un 20% de contenido sintético
El backend de Wikipedia afronta un volumen inédito de aportaciones automatizadas. Un editor humano documentado consulta fuentes, sopesa cada frase y suele invertir varios días en redactar una entrada de miles de palabras con suficiente rigor. Sin embargo, en los registros del sistema de 2026 figuran cuentas recién creadas capaces de enviar cinco borradores extensos en menos de cinco minutos.
Los scripts automatizados han reducido el coste marginal de producir texto prácticamente a cero. Ante semejante avalancha industrial, Ellia Lebleu, investigadora doctoral en inteligencia artificial en el centro Inria de Rennes (Francia), decidió pasar a la acción. En diciembre de 2023, fundó junto a otros voluntarios en Discord el proyecto WikiProject AI Cleanup. Su objetivo: localizar y eliminar decenas de miles de entradas enciclopédicas inventadas en masa por máquinas.
Estos textos ensamblados por herramientas automáticas presentan una huella estilística inconfundible. Abusan de enumeraciones de tres elementos, muestran una cadencia monótona y estructuran sus párrafos con la precisión fría de un molde de fábrica. La prosa parece fluida a primera vista, pero abunda en adjetivos vacíos y carece por completo de hechos verificables o información original.
Los datos de seguimiento de Pangram revelaron que, a finales de 2025, alrededor del 20% de los artículos nuevos levantaban sospechas de haber sido generados por máquinas. Tras continuas jornadas de limpieza, la cifra bajó a cerca del 16% a comienzos de 2026. Aun así, los textos sintéticos representan uno de cada seis nuevos artículos. El umbral para fabricar basura digital ha caído a cero, pero el tiempo que los humanos deben dedicar a verificarla sigue siendo inflexible.
Fig.: Composición visual que fusiona el globo terráqueo de Wikipedia con útiles de edición. Fuente: IEEE Spectrum
Menos citas falsas, pero fuentes auténticas que no respaldan el texto
Los voluntarios de la iniciativa de limpieza observaron que los métodos de generación han evolucionado sustancialmente a lo largo del último año. En las primeras etapas, las alucinaciones de la IA eran toscas. Los modelos solían inventar nombres de académicos ficticios o números de volumen inexistentes en revistas científicas. A los revisores les bastaba con copiar la referencia en un buscador académico para desmontar la farsa en cuestión de segundos.
Hoy en día, los scripts de generación integran de forma generalizada técnicas de Generación Aumentada por Recuperación (RAG). El modelo consulta bibliografía real antes de redactar y anexa enlaces funcionales y obras auténticas al final del artículo. Las fuentes existen y los enlaces funcionan, lo que da la falsa impresión de que las citas inventadas han desaparecido.
Este refinamiento hace que el engaño sea mucho más difícil de detectar. El problema más frecuente es ahora que, aunque el libro o artículo referenciado exista de verdad, no respalda en absoluto la afirmación del texto. Por ejemplo, en una entrada sobre historia se citaba con todo detalle un monográfico académico de prestigio con número de página incluido; al consultar el libro físico, el autor ni siquiera mencionaba el suceso descrito en Wikipedia.
Esta nueva modalidad de falsificación no se percibe con una lectura diagonal. Los patrulleros deben actuar como auténticos inspectores de fraude académico: acudir a bibliotecas por libros impresos o desmenuzar decenas de páginas de estudios especializados. Verificar una sola cita bibliográfica ha pasado de requerir unos pocos segundos a consumir media hora de trabajo.
Para frenar esta escalada, la Wikipedia en inglés aprobó en marzo de 2026 la directriz formal WP:LLM, que prohíbe taxativamente redactar o reescribir artículos mediante modelos lingüísticos. Al mismo tiempo, la comunidad activó el criterio de borrado rápido WP:G15 para contenidos generados por IA. Cuando las máquinas disfrazan afirmaciones falsas con referencias auténticas, el cotejo manual palabra por palabra se erige en la única línea defensiva.
Fig.: Portada de WikiProject AI Cleanup, donde se señala como objetivo principal el control de abusos en textos automatizados. Fuente: Wikipedia
La reabsorción de textos sintéticos y el colapso de los modelos
Si Wikipedia fuera un simple foro de discusión, la proliferación de artículos basura solo afectaría a la comodidad de sus lectores. No obstante, en la cadena tecnológica de la inteligencia artificial, la enciclopedia ocupa un lugar fundacional irreemplazable. Casi todos los grandes modelos comerciales otorgan un peso de muestreo extraordinario al corpus de Wikipedia durante su preentrenamiento.
La calidad histórica de Wikipedia se debe a más de dos décadas de revisión exhaustiva por parte de una comunidad internacional. Los principales laboratorios han confiado en este material depurado para instruir a sus redes en sentido común y deducción lógica. Si el contenido enciclopédico queda diluido por texto maquinal, los futuros modelos asumirán como axiomas contrastados sus propias invenciones sintéticas.
En el ámbito científico, este fenómeno se conoce como trastorno de autofagia del modelo o colapso del modelo (model collapse). Si una arquitectura de IA se entrena de forma continuada con datos artificiales, los sesgos y errores iniciales se multiplican exponencialmente a lo largo de sucesivas iteraciones. Las respuestas convergen hacia la media estadística, el conocimiento periférico e infrecuente desaparece y el sistema acaba sumido en incoherencias lógicas insalvables.
Una investigación publicada por MIT Technology Review documentó los estragos sufridos por las ediciones de Wikipedia en lenguas minoritarias. Al carecer de una masa crítica de editores humanos, la proporción de artículos automatizados se disparó. Los modelos lingüísticos entrenados posteriormente con esos datos sufrieron una degradación alarmante: contestaban con disparates y tejían falsedades sin sentido.
Un modelo avanza cuando asimila conocimiento de alta calidad, pero degenera si consume residuos sintéticos. Cada artículo engañoso que los voluntarios eliminan preserva una chispa de información limpia para la IA del mañana.
Los archivos previos a 2022: el «acero de bajo fondo» del mundo digital
En los debates técnicos habituales de la comunidad de desarrolladores, cada vez es más común comparar los archivos de internet anteriores a 2022 con el concepto físico del «acero de bajo fondo radiactivo» (low-background steel). Se trata de una metáfora elocuente procedente de la historia industrial y la física nuclear.
Tras la detonación de la primera bomba atómica en 1945, la atmósfera terrestre se saturó de radionúclidos artificiales. Todo el acero fundido en tierra firme a partir de esa fecha absorbió aire contaminado durante el soplado en los altos hornos. Para fabricar detectores de partículas y sensores de alta sensibilidad que no estuvieran falseados por esa radiación residual, la comunidad científica tuvo que recurrir al blindaje de buques de la Primera Guerra Mundial hundidos bajo el océano.
La llegada de ChatGPT a finales de 2022 representó la primera explosión nuclear del espacio digital. Desde ese instante, la web pública se vio inundada de contenidos manufacturados por algoritmos. La red se ha saturado de desechos en serie, mientras que la producción de texto genuinamente redactado por seres humanos sufre una contracción sin precedentes.
Por esta razón, los repositorios de la web anteriores a 2022 han adquirido el mismo valor irreemplazable que el acero de bajo fondo. Los grandes laboratorios de IA desembolsan sumas astronómicas por los derechos de fondos editoriales antiguos e incluso han salido a comprar colecciones de libros físicos procedentes de bibliotecas tradicionales. Todas estas maniobras responden a una misma necesidad urgente: acaparar pensamiento humano genuino que no haya sido contaminado por algoritmos.
Durante décadas se asumió que el texto en la red era un recurso inagotable. Sin embargo, a medida que el polvo radiactivo de los contenidos sintéticos cubre la web, las palabras humanas no contaminadas se han convertido en un bien estratégico no renovable.
La verificación manual palabra por palabra defiende la verdad humana
Frente a esta marea incontenible de textos sintéticos, las soluciones puramente algorítmicas han demostrado sus carencias. Los detectores de IA basados en análisis estadístico cometen continuos falsos positivos y falsos negativos. A los emisores de spam les basta con retocar ligeramente las instrucciones iniciales o cambiar un par de sinónimos para eludir las barreras automáticas.
Ellia Lebleu, fundadora del proyecto, reconoce que aún es pronto para dictaminar si las nuevas medidas normativas bastarán. Las reglas sirven para guiar a los usuarios bienintencionados, pero no detienen a las redes organizadas que publican de forma automatizada mediante granjas de bots.
El muro de contención real sigue dependiendo de la labor editorial clásica de las personas voluntarias. Los revisores desempolvan libros antiguos impresos y contrastan artículos con versiones digitalizadas de revistas científicas. Con el método más laborioso posible, purgan línea por línea los datos espurios. Redactar unas líneas de código en Python para llamar a una API y generar decenas de miles de palabras cuesta un par de segundos; comprobar si un solo párrafo es riguroso exige al ser humano media jornada de investigación.
Es una guerra de desgaste asimétrica. No obstante, son estos voluntarios no remunerados quienes, en medio de la ventisca de basura sintética, mantienen en pie el dique de contención de los hechos objetivos.
La IA está emponzoñando el mismo libro de texto del que aprende. La cruzada de Wikipedia contra los artículos generados por máquinas salvaguarda el estándar de verdad sobre el que reposa el porvenir de toda la tecnología de inteligencia artificial. Si la humanidad deja de vigilar la autenticidad de los hechos primarios y consiente que los modelos se alimenten de sus propios despojos, el edificio del conocimiento digital no tardará en desmoronarse como un espejismo hueco. Proteger la realidad requiere, hoy más que nunca, la intervención de manos humanas de carne y hueso.
Enlaces de referencia:
- Reportaje en profundidad de IEEE Spectrum
- Políticas WP:LLM y WP:G15 de Wikipedia en inglés
- Página principal de la iniciativa voluntaria WikiProject AI Cleanup
- Investigación de MIT Technology Review sobre contaminación de corpus
- Discusiones técnicas sobre acero de bajo fondo y colapso de modelos
