Una revisión sistemática y metaanálisis de junio de 2026, sobre 19 estudios y 61 tamaños del efecto, pone número a algo que la mayoría de los responsables de operaciones ha intuido pero nunca ha medido: cuando las personas crean con IA generativa, sus resultados convergen. El efecto de homogeneización agregado es d = 0,334 — pequeño, robusto y no explicable por sesgo de publicación (de Rooij & Biskjaer, 2026).
"Pequeño" es la palabra que hace que este hallazgo se archive y se olvide. No debería.
Individualmente, el trabajo suele mejorar. Colectivamente, se parece más entre sí. Ambos hechos no se contradicen: son el mismo mecanismo visto desde dos altitudes. Solo uno de los dos aparece en tu panel de productividad.
Para un área de operaciones que el año pasado estandarizó un despliegue de IA de proveedor único —lo que describe a la mayoría de las empresas de entre 50 y 500 personas— la pregunta práctica no es si seguir usándola. Es si alguien ha comprobado qué pasó con la dispersión.
Qué significa realmente d = 0,334 a escala de equipo
Una d de Cohen de 0,33 es un desplazamiento modesto entre dos distribuciones. En un documento aislado es invisible. No lo detectarías comparando dos propuestas lado a lado, y ningún revisor de tu empresa lo señalará jamás.
Lo que lo vuelve operativamente relevante es el encuadre metaanalítico. Los autores describen el hallazgo no como una caída de calidad sino como una reorganización de la diversidad creativa — sutil de forma aislada, consecuente a escala (de Rooij & Biskjaer, 2026). Es un hallazgo sobre la varianza, no sobre la calidad. La distinción importa, porque todo sistema de medición en un área de operaciones del mid-market está construido para seguir medias y casi ninguno sigue la dispersión.
Una revisión de opinión de marzo de 2026 en Trends in Cognitive Sciences rastrea el mismo patrón hasta su origen. Sourati y Dehghani sostienen que, a medida que miles de millones de personas canalizan su escritura y su pensamiento a través del mismo puñado de grandes modelos de lenguaje, esos modelos estandarizan cómo se expresan y estructuran las ideas: los outputs de los LLM son medibles como menos variados que la escritura humana y se inclinan hacia normas WEIRD (occidentales, educadas, industrializadas, ricas, democráticas) (Sourati & Dehghani, 202600003-3)). Su preocupación es la erosión de la diversidad cognitiva, materia prima tanto de la creatividad como de la resolución de problemas.
Traducido a términos operativos: la diversidad cognitiva no es una declaración de valores. Es la varianza de entrada que hace que valga la pena generar una cartera de opciones.
El mecanismo es el anclaje, no la pereza
El instinto de la mayoría de los equipos directivos es leer la convergencia como colapso del esfuerzo: la gente coge el primer borrador y lo envía. La evidencia experimental apunta a algo menos halagador para nuestros controles.
En un experimento online controlado sobre producción de relatos breves, los autores que recibieron ideas narrativas de un LLM produjeron textos evaluados como más creativos, mejor escritos y más disfrutables — con las mayores ganancias entre los autores menos creativos. Y aun así, los relatos asistidos por IA se parecían más entre sí que los escritos solo por humanos (Doshi & Hauser, 2024). Ambos efectos salieron de la misma intervención.
Los autores nombran la estructura explícitamente: se parece a un dilema social. Con IA generativa, cada escritor está individualmente mejor, pero colectivamente se produce un abanico más estrecho de contenido nuevo.
Un estudio distinto sobre ideación humana llega a una conclusión compatible desde el lado de los insumos. Las sesiones en las que los participantes hacían brainstorming con un LLM produjeron conjuntos de ideas significativamente menos diversos semánticamente que las sesiones sin él: las ideas individuales estaban bien, el conjunto era más estrecho (Anderson, Shah & Kreminski, 2024).
Eso es anclaje, y opera antes de que nadie haya decidido cuánto esforzarse. El modelo aporta un punto de partida; el humano elabora desde ahí. La elaboración preserva la calidad y destruye la independencia.
Por qué nadie en tu empresa va a parar
Lee el dilema social como un mapa de incentivos, porque es exactamente eso.
La ganancia del borrador asistido por IA la captura el individuo: entrega más rápida, prosa más limpia, mejor conversación de desempeño. La pérdida se carga al colectivo: un conjunto de propuestas que se lee como el de cualquier competidor, una rúbrica de contratación indistinguible de la plantilla del sector. Ningún colaborador experimenta la pérdida, y ninguno tiene motivo para parar.
Lo que significa que no es un problema de comportamiento. Es un problema de diseño organizativo y de cartera de herramientas, y no se resolverá con un memo interno sobre "usar la IA con criterio".
Dónde la IA de proveedor único cuesta dinero real a una empresa de 50–500 FTE
La homogeneización sale cara precisamente donde la diferenciación es el producto.
Propuestas y licitaciones. Tu tasa de éxito en una RFP competitiva es función de lo que el comprador no puede obtener de las otras tres ofertas. Si tu equipo y los de tus competidores canalizan la redacción por el mismo asistente, partiendo de las mismas convenciones raspadas de la web pública, la diferencia superviviente se reduce al precio. Lo observarás como presión sobre márgenes y se lo atribuirás al mercado.
Rúbricas de selección y arquitectura de puestos. Scorecards, definiciones de competencias y guiones de entrevista generados por un modelo compartido convergen en una idea compartida de buen candidato. Criterios convergentes aplicados por muchos empleadores producen rechazos correlacionados: las mismas personas descartadas en todas partes, por las mismas razones, sin que nadie haya tomado esa decisión.
Posicionamiento y comunicación con clientes. La voz de marca es varianza respecto a una línea base de categoría. La regresión hacia esa línea base no es una cuestión de estilo: es el borrado lento de aquello que tu presupuesto de marketing estaba comprando.
Estrategia y generación de opciones. Es el peor sitio para que ocurra. En el paso de generación de opciones, la varianza es el entregable. Un abanico más estrecho de opciones no es un coste menor: es una decisión tomada antes de que nadie en la sala se diera cuenta de que se estaba decidiendo.
Fíjate en la propiedad común: en todos los casos, las métricas de productividad individual mejoran mientras el activo organizativo se degrada. Los paneles se verán excelentes todo el tiempo.
La estructura de la pérdida oculta, en una aritmética
Supón que el tiempo de redacción de una propuesta cae un 30 % y tu equipo presenta cuatro ofertas más por trimestre. Esa ganancia es legible, atribuible y celebrada en la revisión trimestral.
Ahora supón que la tasa de éxito en licitaciones competitivas se desliza del 24 % al 21 % en tres trimestres. Nadie se lo atribuirá a la herramienta de redacción, porque no hay una historia causal plausible en la sala: las propuestas están mejor escritas que el año pasado, y todos lo ven. La caída se asignará a la presión de precios, al nuevo modelo tarifario de un competidor, a la debilidad del mercado. Cada una de esas explicaciones está disponible, es defendible y es infalsable con tus datos.
Esa asimetría es todo el riesgo. La ganancia llega con una cadena de atribución limpia. La pérdida llega sin ella.
En qué podría estar equivocado este argumento
Tres límites, declarados antes de que actúes sobre nada de esto.
La base de evidencia está sesgada hacia tareas creativas y de ideación: escritura de ficción, brainstorming, diseño. Ahí es donde la homogeneización es más fácil de medir, no necesariamente donde es mayor. Que el mismo tamaño del efecto se sostenga para una checklist de cierre trimestral o una macro de soporte no está probado, y yo esperaría que fuera menor y menos relevante allí donde la estandarización es el objetivo.
Una d agregada de 0,334 también oculta heterogeneidad entre 61 tamaños del efecto. La estimación agregada te dice que la dirección es fiable. No te dice cuál es el número de tu equipo.
Sobre todo, el encuadre de proveedor único es una extensión mía de la evidencia, no un hallazgo dentro de ella. Estos estudios comparan trabajo asistido y no asistido por IA; no enfrentan organizaciones de un solo modelo con organizaciones multimodelo. La inferencia —que la concentración amplifica la convergencia— se sigue del mecanismo de anclaje y del argumento de Sourati y Dehghani sobre modelos compartidos, pero es una inferencia. Trátala como una hipótesis contrastable sobre tu propio output, no como un resultado cerrado.
Nada de eso cambia la conclusión. La convergencia es real, es invisible para tu instrumentación actual y es medible en tu propio entorno por aproximadamente el coste de una tarde.
La decisión de cartera: qué auditar antes de la próxima renovación
Cuatro pasos. Ninguno requiere presupuesto, y ninguno requiere que nadie use menos la IA.
1. Mide tu concentración. ¿Qué proporción de la redacción de cara al exterior —propuestas, descripciones de puesto, comunicaciones a clientes, memorandos estratégicos— pasa por un único asistente? La mayoría de los responsables de operaciones del mid-market nunca lo ha preguntado, y la respuesta suele superar el 80 % porque compras estandarizó una sola licencia. Ese número es tu exposición.
2. Corrige el orden de las operaciones, no la herramienta. El anclaje funciona sobre la secuencia. Para cualquier tarea donde la varianza sea el objetivo, exige generación humana independiente primero, y después extensión y crítica con IA. Es un cambio de dos líneas en un documento de proceso y neutraliza la mayor parte del mecanismo, porque el modelo ya no puede aportar el punto de partida.
3. Diversifica los insumos deliberadamente. Modelos distintos y —mucho más barato— prompts distintos. Un "master prompt" compartido y difundido como buena práctica de productividad es una máquina de homogeneizar disfrazada de ayuda. Si tu equipo tiene uno, es lo de mayor palanca de esta lista para retirar.
4. Instrumenta la dispersión, no solo el volumen. Coge 20 outputs recientes del mismo tipo. Puntúa la similitud por pares —con embeddings si tienes capacidad, con revisión humana estructurada si no— y compara contra una muestra de 2024 del mismo proceso. Ya tienes una línea base. Repite cada trimestre. Es el único paso que convierte el argumento en evidencia sobre tu empresa.
La versión incómoda
Si tu plan de IA para 2026 mide adopción, uso de licencias y horas ahorradas, está instrumentado enteramente en el lado del balance donde están las ganancias. No es un descuido que nadie vaya a detectar, porque las pérdidas no tienen métrica asociada y nunca generan una queja.
Una decisión para este trimestre
Coge el único tipo de documento donde tu diferenciación más importa —para la mayoría de responsables de operaciones, la propuesta. Saca las últimas veinte. Léelas para ver cuánto se parecen entre sí, no para juzgar lo buena que es cada una.
Si han convergido, no perdiste calidad. Perdiste distinción, y era la distinción lo que estabas pagando.
La IA de proveedor único hace a cada una de tus personas medibles más afiladas. La pregunta que ningún panel de tu empresa está hoy construido para responder es si además las está volviendo intercambiables — entre sí, y con las personas de tus competidores. Respóndela con tus propios documentos antes de la próxima renovación, porque el proveedor no tiene motivo para plantearla y tus métricas de productividad nunca lo harán.
