La IA se está comiendo a sí misma, y ya tiene nombre de enfermedad

En noviembre de 1987 el Ministerio de Agricultura británico admitió que tenía entre manos una enfermedad nueva: la encefalopatía espongiforme bovina. Su variante humana acabó matando a más de 230 personas en todo el mundo, y dejó por el camino una crisis de confianza, caídas de venta y más de cuatro millones de reses sacrificadas. Todo ello llevó, incluso, a crear la EFSA (Autoridad Europea de Seguridad Alimentaria) en la Unión Europea, poniendo en completa evidencia las fallas de control. En inglés nunca se la conoció por su nombre técnico, sino como mad cow disease, la enfermedad de la vaca loca, y así la recordamos.

¿Cómo llega una enfermedad biológica a afectar al mundo de la informática? Pues este melón (uno muy grande). Surge del paralelismo que encontraron ocho investigadores de la Universidad de Rice, en Houston. Josue Casco-Rodriguez y Sina Alemohammad son quienes encabezan la investigación, junto a Richard G. Baraniuk como autor sénior. Como ya sabéis, la causa de la enfermedad de las vacas locas era que se alimentaba al ganado con restos del propio ganado. Pues bien, el principio de esta condición en la computación parte de alimentar modelos de IA con elementos generados por IA. MAD, Model Autophagy Disorder, fue el nombre que le pusieron, mencionándolo explícitamente en el paper: por analogía con la enfermedad de las vacas locas. Arrastrando así la idea de un sistema que enloquece por comer de sí mismo. Un absurdo que Kafka habría firmado, y que Camus habría llevado al teatro. Los investigadores acuñaron el término en 2023, y en 2024 la conocida revista británica Nature, citada mundialmente, publicó la versión general del fenómeno. En ella dejaba ver que lo primero que los motores dejan de generar es la personalidad. Aquello raro o que sobresalía sobre la media. Lo que perdura en la generación es la norma.

Nature distingue dos momentos. En el colapso temprano el modelo empieza perdiendo las colas de la distribución, o sea lo minoritario, lo excepcional. En el tardío ya no es que desaparezca lo raro: es que todo empieza a parecerse a todo. Y no es un proceso de dentro de veinte años: la propia Nature tituló su pieza divulgativa “los modelos de IA alimentados con datos generados por IA escupen tonterías rápidamente”. (Poca broma).

Para visualizarlo: la imagen es la de fotocopiar una fotocopia. A nadie hay que explicarle qué pasa en la quinta copia. Todo se lee, pero los bordes se van comiendo el detalle fino. Una tipografía con tanta perfección como la Helvética podría verse como una Comic Sans.

Sin embargo, hay otras investigaciones que buscan cuánto contenido generativo (el contenido hecho por IA) necesita un motor para llegar a dicho colapso. Y de momento no hay un consenso real. Lo que sí está claro es que el resultado depende de la dieta. La IA que usas ¿de qué se alimenta?

Antes de nada, aquí conviene adelantarse a algo que ya estoy oyendo: que esto se arregla escribiendo mejores prompts. No. Un prompt no entrena nada. Llega cuando el modelo ya está hecho y solo puede pedirle lo que ya tiene dentro. Durante el entrenamiento se pierde lo minoritario, justo aquello que hace excepcional a una imagen, y ningún prompt puede recuperarlo.

Desde el 2 de agosto de 2025, el reglamento europeo de IA obliga (artículo 53) a publicar un resumen suficientemente detallado del contenido con el que se entrenó cada modelo. Y desde el 2 de agosto de este año la obligación ha dejado de ser solo una obligación. Ahora se puede sancionar, y la Oficina Europea de IA ya ha empezado a mirar quién ha publicado y quién no. Un laboratorio del Trinity College de Dublín, el AI Accountability Lab (AIAL), dirigido por la Dra. Abeba Birhane, conocida por auditar sesgos en conjuntos de datos de entrenamiento, lleva desde entonces recopilando esa documentación y dándole una puntuación de la A+ a la F: si la información se da con claridad y si a un autor le sirve para algo. A fecha de hoy han localizado 44 resúmenes; de estos, 39 los tienen ya puntuados, y han hecho otra lista con diecinueve modelos que deberían tener dicho informe y no lo tienen.

Entre los generadores de imagen, Bria con su modelo FIBO se lleva un B+ en claridad y un A+ en utilidad, y su 3.2 va justo detrás. Después Adobe Firefly, con un C+ y un B+. Flux.3, de Black Forest Labs, baja a un B y un C. Los de Microsoft y los de Meta se quedan en un D+ en utilidad. De Sora 2, el vídeo de OpenAI, no hay documento ninguno, y de las versiones anteriores de Flux tampoco, que son las que medio sector tiene instaladas. Midjourney no aparece por ninguna parte.

Quiero compartir unos números que no consideraría anecdóticos. Esos documentos, en los que cada fabricante debe contar con qué entrenó su motor, se puntúan por apartados: fuentes públicas, fuentes privadas, rastreo web, datos de usuario, datos sintéticos y procesado. Pues bien, en el apartado de fuentes públicas Gemini 3 Pro saca un 6 sobre 100 en claridad y un 0 en utilidad. Grok 4.5, un 7 y un 0. Phi-4, de Microsoft, se queda en un 3 y un 0. Ese cero no es una nota baja: significa que, con ese documento delante, un autor no puede hacer nada. Ni saber si su trabajo está dentro, ni pedir que salga.

Bueno, dándoles el beneficio de la duda, podríamos explicar esa falta de información porque los modelos que ya estaban en el mercado antes del 2 de agosto de 2025 tienen de plazo hasta agosto de 2027 para cumplir.

Destilando esta información y bajándola a terreno: si ni la Comisión Europea tiene estos datos, difícilmente los tendrá un estudio.

De lo que sí respondemos es de lo nuestro. Ofrecer material de calidad sostiene el trabajo de visualización y, por ende, el proyecto del cliente. Los famosos sellos de garantía, los mismos que la carne acabó necesitando.

Del ganado aprendimos tarde qué había en el pienso. Con esto deberíamos estar a tiempo.

Webgrafía

New Scientist, Brain disease drives cows wild, 5 de noviembre de 1987 (la pieza contemporánea a la admisión del Ministerio de Agricultura británico). New Scientist

CDC, Clinical Overview of Variant Creutzfeldt-Jakob Disease: 233 muertes por vCJD en el mundo entre 1996 y 2023. CDC

BBC News, 2 de diciembre de 2024: 4,4 millones de reses sacrificadas en el Reino Unido. BBC

Reglamento (CE) n.º 178/2002, que establece la EFSA. EUR-Lex

Alemohammad, S., Casco-Rodriguez, J., Baraniuk, R. G. et al. (Rice University), Self-Consuming Generative Models Go MAD, arXiv:2307.01850 (2023), ICLR 2024. arXiv

Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., Gal, Y., AI models collapse when trained on recursively generated data, Nature 631, 755-759 (24 de julio de 2024). Nature

Gibney, E., AI models fed AI-generated data quickly spew nonsense, Nature News, 24 de julio de 2024. Nature

Gerstgrasser, M. et al., Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data, arXiv:2404.01413. arXiv

Dohmatob, E. et al., Strong Model Collapse, arXiv:2410.04840. arXiv

Reglamento (UE) 2024/1689, artículos 53(1)(d) y 111(3). AI Act Service Desk

Comisión Europea, plantilla y nota explicativa del resumen público, 24 de julio de 2025 (biblioteca). digital-strategy.ec.europa.eu

Blankvoort, D. A. H., Pandit, H. J. y Gahntz, M. (2026), Quality Assessment of Public Summary of Training Content for GPAI models required by AI Act Article 53(1)(d), FAccT 2026, DOI 10.1145/3805689.3806755. arXiv

AI Accountability Lab, Trinity College Dublin, GPAI Training Transparency (consultado el 2 de septiembre de 2026). aial.ie