La próxima mala decisión vendrá recomendada para todos: monocultura algorítmica, pensamiento idéntico y el riesgo de equivocarnos juntos porque consultamos la misma inteligencia artificial

M.A.R.H Salvador Acevedo Ortega

Docente universitario en la Universidad Autónoma de Chihuahua, Facultad de Economía Internacional e Ingenieria

Son las 8:10 de un lunes en Chihuahua. En un salón universitario, un estudiante pide a una inteligencia artificial que le ayude a formular la conclusión de un ensayo. En una oficina del Periférico de la Juventud, una empresa pregunta cómo reducir costos sin perder clientes. En el centro de la ciudad, un equipo de comunicación solicita cinco argumentos para explicar un problema público. Un inversionista consulta si debe vender. Un candidato pregunta cómo sonar auténtico en una entrevista. Ninguno se conoce. Sus preguntas son distintas y las respuestas parecen personalizadas. Pero todas provienen de una familia muy pequeña de sistemas entrenados con fuentes semejantes, optimizados mediante criterios parecidos y construidos sobre una infraestructura concentrada en pocas compañías.

Permítame señalar lo que esa escena contiene y que ninguno de los cinco participantes advierte: lo que parece una conversación individual puede ser, al mismo tiempo, una experiencia colectiva extraordinariamente uniforme. Un traje puede confeccionarse a la medida utilizando la misma tela, el mismo patrón y la misma idea de cómo debe vestirse todo el mundo. Algo semejante ocurre con el pensamiento cuando millones de usuarios reciben textos diferentes en la superficie pero estructurados por los mismos supuestos, las mismas prioridades y las mismas ausencias. El peligro no es únicamente que una inteligencia artificial se equivoque. Es que todos nos equivoquemos con ella al mismo tiempo.

La expresión monocultura algorítmica proviene de la agricultura y describe exactamente lo que su nombre sugiere: un sistema en que múltiples actores dependen de la misma fuente automatizada para ordenar, clasificar o recomendar decisiones. Jon Kleinberg y Manish Raghavan la analizaron en Proceedings of the National Academy of Sciences (2021) con un resultado contraintuitivo que merece leerse sin prisa: un algoritmo común puede ser más preciso que cada evaluador humano por separado y, aun así, producir un resultado colectivo peor cuando muchas organizaciones lo utilizan simultáneamente. Cada empresa toma una decisión racional al adoptar la herramienta más eficaz. El sistema completo pierde diversidad de criterios, compite por los mismos perfiles e ignora otros talentos valiosos por la misma razón. La consistencia que beneficia a cada empresa empobrece el conjunto. El cultivo uniforme es eficiente hasta que la plaga llega, y cuando llega, la pérdida no se distribuye. Se sincroniza.

Los modelos fundacionales amplían esa posibilidad porque una sola tecnología puede adaptarse a miles de tareas. El informe coordinado por la Universidad de Stanford sobre modelos fundacionales advirtió que su eficacia crea incentivos poderosos hacia la homogeneización: un defecto, sesgo o punto ciego del modelo base puede heredarse en numerosos productos construidos sobre él. La diversidad de aplicaciones puede ocultar una dependencia común que nadie solicitó explícitamente pero que todos comparten.

Un experimento publicado en Science Advances por Doshi y Hauser (2024) capturó con precisión la tensión central de este problema. El acceso a ideas generadas por inteligencia artificial mejoró, en promedio, la calidad percibida de historias escritas por participantes, especialmente entre quienes tenían menor creatividad inicial. Eso es genuinamente valioso. Pero la ganancia individual tuvo un costo colectivo medible: los relatos asistidos por IA se parecían más entre sí que los producidos sin ella. La herramienta ayudó a cada persona a escribir mejor y acercó, al mismo tiempo, las producciones del grupo.

Esa tensión se traslada directamente fuera de la literatura. Por eso comienzan a aparecer currículums que hablan de resiliencia, liderazgo, innovación y orientación a resultados con una precisión casi intercambiable. Proyectos empresariales que prometen experiencias personalizadas, transformación digital y decisiones basadas en datos. Trabajos académicos con introducción, ventajas, riesgos y conclusión equilibrada en una arquitectura reconocible. No son necesariamente malos. El problema es que cada vez resulta más difícil descubrir detrás de ellos una voz, un contexto y un criterio genuinamente propios. La personalización no es pluralidad. Dos respuestas pueden parecer diferentes y compartir la misma definición de lo que cuenta como una solución razonable.

La educación financiera enseña a diversificar: no colocar todo el patrimonio en un solo activo, sector o escenario. Esta serie lo argumentó en los artículos sobre paciencia e interés compuesto. Esa misma lógica debería aplicarse a las fuentes de juicio. Concentrar las decisiones de miles de inversionistas en modelos semejantes equivale a construir una cartera intelectual con una sola posición. El Fondo Monetario Internacional advirtió que una oferta concentrada de modelos y evaluaciones uniformes puede favorecer conductas de rebaño y acumulación de riesgo sistémico: si muchas instituciones utilizan datos y herramientas semejantes, pueden comprar, prestar o vender al mismo tiempo. La automatización no inventa el comportamiento colectivo, pero lo acelera y lo hace más difícil de detener.

La diferencia entre un error individual y uno correlacionado es fundamental y esta serie tiene la responsabilidad de formularla con precisión: si un inversionista interpreta mal una señal y vende, el mercado absorbe su decisión. Si miles de participantes reciben una recomendación similar y venden simultáneamente, el precio cae. Esa caída parece confirmar la recomendación original, provoca nuevas ventas y transforma una interpretación en un acontecimiento. La predicción comienza a modificar aquello que pretendía anticipar. Danielsson y Uthemann añaden que la velocidad de reacción de la IA puede hacer más intensas algunas crisis: los sistemas identifican señales, ajustan posiciones y transmiten el choque antes de que la deliberación humana alcance a intervenir.

La preocupación ya dejó de ser académica. Una revisión encargada por la Autoridad de Conducta Financiera del Reino Unido advirtió esta semana —el 6 de julio de 2026— que la creciente dependencia de pocos proveedores tecnológicos puede producir conductas correlacionadas y vulnerabilidades compartidas. Cuatro días después, las autoridades británicas colocaron a varios grandes proveedores de nube bajo supervisión directa como terceros críticos para la estabilidad del sistema financiero. La infraestructura común dejó de verse únicamente como una ventaja de escala. Comenzó a tratarse como un posible punto común de falla.

En finanzas, la diversificación no es solo una estrategia de portafolio. Es una estrategia de pensamiento. Y el mayor riesgo del momento es que todos estén diversificando con la misma lógica.

Pensar igual también significa olvidar lo local. Un modelo puede conocer estadísticas de manufactura, definiciones de competitividad y casos internacionales. Eso no garantiza que comprenda la cultura laboral de una planta en Ciudad Juárez, el costo del agua documentado en el artículo veinticinco de esta serie, la informalidad de un pequeño negocio, la distancia entre comunidades serranas que documentamos en el artículo treinta, o la manera en que una familia chihuahuense interpreta el riesgo financiero según los money scripts que heredó sin examinar, como mostró el artículo veintiuno. Cuando una respuesta global parece suficientemente profesional, existe la tentación de aplicarla sin traducirla al territorio. La empresa implementa una estrategia diseñada para un mercado que no se parece al suyo. La universidad premia una forma estandarizada de escribir. La autoridad copia una solución que funcionó bajo instituciones distintas. El error no proviene de que la IA carezca de información general, sino de que nosotros dejamos de exigir contexto.

Chihuahua no necesita cien empresas repitiendo la misma estrategia digital ni cientos de estudiantes construyendo el mismo argumento con palabras distintas. Necesita utilizar la inteligencia artificial para ampliar posibilidades, no para reducirlas a la respuesta estadísticamente más familiar.

La diversidad de pensamiento puede parecer ineficiente. Obliga a escuchar objeciones, tolerar respuestas incompletas y aceptar que la decisión final no vendrá empaquetada en cinco pasos. Pero esa fricción cumple una función equivalente a la diversificación financiera: evita que una sola falla destruya todo el sistema. Tratar a la IA como un analista y no como el árbitro final. Pedir explicaciones incompatibles entre sí: el argumento a favor, el argumento en contra y una tercera interpretación basada en supuestos distintos. Comparar fuentes que no provengan del mismo ecosistema tecnológico. Registrar explícitamente qué información falta antes de aceptar una respuesta. Y proteger el derecho institucional a disentir: empresas, universidades, medios y autoridades necesitan personas encargadas de cuestionar la respuesta dominante, no porque sea incorrecta, sino porque si todos la aceptan sin examinarla, nadie sabrá que era incorrecta hasta que las consecuencias ya hayan ocurrido.

Una sociedad puede producir respuestas impecables y, al mismo tiempo, perder la capacidad de formular alternativas. Cuando eso ocurra, el recurso más escaso no será el dato, la velocidad ni la capacidad de cómputo. Será alguien dispuesto a detenerse, revisar los supuestos y decir que quizá la máquina —y todos los que la consultaron— están mirando en la dirección equivocada. Porque la próxima mala decisión no llegará disfrazada de ignorancia. Vendrá bien escrita, ordenada en cinco puntos, acompañada de una explicación convincente y recomendada, al mismo tiempo, para todos.

Bommasani, R., Hudson, D. A., Adeli, E., et al. (2021). On the opportunities and risks of foundation models. Stanford Center for Research on Foundation Models. https://arxiv.org/abs/2108.07258

Boukherouaa, E. B., AlAjmi, K., Deodoro, J., Farias, A., Iskender, E. S., Ravikumar, R., & Shabsigh, G. (2021). Powering the digital economy: Opportunities and risks of artificial intelligence in finance (Departmental Paper No. 2021/024). International Monetary Fund. https://www.imf.org/en/Publications/Departmental-Papers-Policy-Papers/Issues/2021/10/21/Powering-the-Digital-Economy-494717

Danielsson, J., & Uthemann, A. (2024). Artificial intelligence and financial crises [Working paper]. arXiv. https://arxiv.org/abs/2407.17048

Doshi, A. R., & Hauser, O. P. (2024). Generative artificial intelligence enhances creativity but reduces the diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290

Kleinberg, J., & Raghavan, M. (2021). Algorithmic monoculture and social welfare. Proceedings of the National Academy of Sciences, 118(22), e2018340118. https://doi.org/10.1073/pnas.2018340118

Leitner, G., Singh, J., van der Kraaij, A., & Zsámboki, B. (2024). The rise of artificial intelligence: Benefits and risks for financial stability. European Central Bank, Financial Stability Review, May 2024. https://www.ecb.europa.eu/press/financial-stability-publications/fsr/special/html/ecb.fsrart202405_02~58c3ce5246.en.html

Reuters. (2026a, 6 de julio). Financial services AI dangers highlighted by regulator’s review. Reuters. https://www.reuters.com/legal/litigation/financial-services-ai-dangers-highlighted-by-regulators-review-2026-07-06/

Reuters. (2026b, 10 de julio). UK to regulate cloud service providers Microsoft, Google and others to protect financial stability. Reuters. https://www.reuters.com/business/retail-consumer/uk-regulate-cloud-service-providers-microsoft-google-others-protect-financial-2026-07-10/