Lo que oculta el promedio de IA: dónde divergen realmente los 5 modelos

El gráfico de radar de «IA promedio» de su Writing DNA Snapshot aplana algo que merece un análisis detenido. Muestra una sola forma, etiquetada IA promedio, junto a la suya. La implicación es que los modelos de IA escriben más o menos igual por defecto.

En dos de los seis ejes, eso es cierto. En uno de ellos, es un error grave.

Volvimos al mismo corpus de 320 muestras que construimos para cómo medimos la IA promedio y separamos las puntuaciones en inglés por modelo en lugar de promediarlas entre sí. El resultado afina algo que sospechábamos pero no habíamos cuantificado: la «IA mediana» no es una sola personalidad. Son cinco personalidades distintas que coinciden en dos cosas y discrepan con fuerza en una tercera.

---

El planteamiento: el mismo corpus, otro corte

La metodología completa está en cómo medimos la IA promedio: 320 muestras, cinco modelos, cuatro idiomas, ocho tipos de prompt, dos variantes por combinación, unas 100.800 palabras en total, y cada muestra generada con instrucciones idénticas.

El análisis original promedió los cinco modelos para construir las líneas base de «IA promedio» de cada idioma. Este artículo conserva los mismos datos subyacentes y, en cambio, separa los modelos, aislando el corpus en inglés (80 muestras: 5 modelos × 8 tipos de prompt × 2 variantes) para comparar modelo contra modelo en igualdad de condiciones.

Todas las cifras de este artículo corresponden al segmento en inglés, salvo que se indique lo contrario. Es deliberado, no un atajo. Las fórmulas de puntuación tienen en cuenta el idioma: la segmentación de oraciones, la tokenización y las listas de palabras cambian según el idioma, de modo que las puntuaciones solo son comparables con otras puntuaciones calculadas en el mismo idioma. Un único promedio «por modelo» entre idiomas mezclaría mediciones tomadas con instrumentos distintos. Cuando una verificación cruzada resulta útil, citamos los segmentos en francés y en español uno junto al otro en lugar de combinarlos.

Los seis ejes no cambian: complejidad de las oraciones, amplitud de vocabulario, expresividad, formalidad, consistencia y concisión. Las mismas fórmulas deterministas y adaptadas al idioma que se describen en el artículo de metodología.

---

Los números por modelo (corpus en inglés)

Dos filas apenas se mueven. Una fila se mueve más que ninguna otra, y por un margen amplio. Las demás quedan en un punto intermedio.

---

Donde los modelos coinciden de verdad

La amplitud de vocabulario es el grupo más compacto del segmento en inglés: una dispersión de 13 puntos (40-53) entre los cinco modelos. La relación tipo-token (Type-Token Ratio) es notablemente estable sin importar qué modelo haya generado el texto. Si busca que la IA use un vocabulario más rico o más contenido, cambiar de modelo casi no cambia nada. La palanca que mueve este eje es su perfil de estilo, no la elección de modelo.

La consistencia es casi igual de compacta: una dispersión de 16 puntos (47-63). El ritmo de longitud de las oraciones es una de las propiedades de la escritura con IA más independientes del modelo. Esto encaja con el patrón más amplio que describimos en el problema del usuario mediano: el RLHF empuja a todos los modelos hacia una cadencia «segura» y sin sobresaltos, y esa presión parece recaer sobre la consistencia de forma casi idéntica en todos los laboratorios.

En estos dos ejes, la «IA promedio» es una abstracción genuinamente significativa. Calibrar el ajuste de su perfil de estilo contra la línea base multimodelo funciona sin importar qué modelo lea su Master Prompt.

---

Donde los modelos se separan

La expresividad es el valor atípico, y no por poco. Claude Opus 4.6 se sitúa en 100, impulsado por un uso más intenso de exclamaciones, preguntas, marcadores de actitud y guiones largos. Gemini 3 Pro se sitúa en 39. Esa brecha de 61 puntos es más del doble de la siguiente dispersión más amplia del segmento en inglés. Si su objetivo es Opus en concreto, el ajuste de «sonar menos como la IA» que necesita en este eje es bastante más agresivo que si su objetivo es Gemini.

Dos advertencias sobre ese 61, y ambas apuntan en la misma dirección. Primero, 100 es el techo de nuestra escala, no el máximo medido de Opus: la puntuación bruta está recortada, así que la distancia real entre Opus y Gemini es de al menos 61 puntos y no podemos decir cuánto más. Segundo, un resultado de un solo idioma invita a la pregunta obvia de si se trata de un artefacto del inglés. No lo es. La misma dispersión de expresividad de arriba abajo aparece de forma independiente en los otros dos idiomas que podemos puntuar con fiabilidad:

Gemini 3 Pro ocupa el extremo inferior en los tres, y un modelo de Claude ocupa el extremo superior en los tres. Esa consistencia es la razón por la que estamos dispuestos a calificar la divergencia de expresividad como real y no como una rareza de un solo corte del corpus. (Nuestro segmento en japonés queda excluido aquí; consulte la nota de limitaciones más abajo para entender por qué hoy no puede sustentar esta comparación.)

La complejidad de las oraciones muestra una dispersión real pero menor, de 29 puntos. Claude Sonnet 4.6 produce las oraciones estructuralmente más densas (79); Gemini 3 Pro produce las más simples (50). Este caso contradice la historia de «convergencia estrecha» que cabría esperar de los promedios a nivel de idioma, que mezclan los cinco modelos y suavizan esta varianza.

La formalidad se reparte en 25 puntos, y la dirección es contraintuitiva. Claude Haiku 4.5, el modelo más pequeño y más rápido del corpus, obtiene la puntuación más alta (70). Claude Sonnet 4.6 obtiene la más baja (45). GPT-5.2 (65) y Gemini 3 Pro (64) quedan cerca de Haiku, no de Sonnet. Si su modelo mental es que «los modelos pequeños son más informales», estos datos dicen lo contrario, al menos para esta alineación de modelos en este momento concreto.

La concisión se dispersa 20 puntos. Claude Sonnet 4.6 produce las oraciones más compactas tras la transformación de longitud inversa (32); Gemini 3 Pro produce las más sueltas (52). La combinación de Sonnet, con una complejidad de oraciones alta (79) y una concisión baja (32), es una firma propia: oraciones largas y estructuralmente elaboradas que no se comprimen bien.

---

Por qué esto importa para su perfil de estilo

Si está creando un perfil de estilo, está eligiendo implícitamente entre dos estrategias de calibración: ajustar contra la línea base multimodelo de IA promedio, o ajustar contra el modelo concreto que más usa.

La línea base multimodelo es el valor predeterminado correcto. Es la que impulsa su Writing DNA Snapshot y produce un ajuste que se traslada a ChatGPT, Claude y Gemini sin necesidad de recalibrar. Para la amplitud de vocabulario y la consistencia, esto sale casi gratis: los modelos apenas discrepan, así que un objetivo multimodelo es casi idéntico a cualquier objetivo de un solo modelo.

La expresividad es la excepción que conviene conocer. Como la dispersión es de al menos 61 puntos en inglés y de 56 a 60 en francés y español, lo bastante amplia como para que «promedio» y «modelo individual más cercano» difieran por un margen grande, un objetivo multimodelo puede quedarse corto frente a lo que realmente necesita empujar contra los valores predeterminados de un modelo concreto. Si sabe que escribe sobre todo dentro de Claude Opus 4.6, trate la expresividad como el único eje en el que un ajuste específico por modelo, y no solo el delta de la IA promedio, merece la precisión adicional. En todos los demás ejes, la línea base multimodelo que ya le ofrece su Snapshot cumple su función.

---

Lo que el promedio estaba ocultando

La línea base de «IA promedio» sigue siendo el objetivo predeterminado correcto: es lo que hace que un perfil de estilo sea portátil entre plataformas en lugar de estar ajustado a la personalidad de un solo modelo. Pero promediar cinco modelos en una sola forma oculta que los modelos no coinciden realmente entre sí en cuán expresiva debería ser la escritura con IA. Coinciden estrechamente en vocabulario y ritmo. Discrepan en al menos 61 puntos, en inglés, sobre cuánta energía retórica poner en la página.

Si alguna vez ha sentido que Claude «suena distinto» de ChatGPT o Gemini, los datos lo respaldan y señalan exactamente qué eje concentra la diferencia.

Para consultar la metodología completa de la línea base y las tablas por idioma, vea cómo medimos la IA promedio. Para la explicación a nivel de entrenamiento de por qué los modelos convergen en absoluto, vea el problema del usuario mediano.

---

Limitaciones

Tres cosas que conviene saber antes de apoyarse en estas cifras.

Las mediciones son una instantánea de febrero de 2026. El corpus se generó el 15 de febrero de 2026 con Claude Opus 4.6, Claude Sonnet 4.6, Claude Haiku 4.5, GPT-5.2 y Gemini 3 Pro. Todas esas versiones de modelo han sido reemplazadas desde entonces. Los valores predeterminados cambian con cada lanzamiento, así que tome las puntuaciones por modelo como un registro de cómo se comportaba esa alineación en ese momento, no como su comportamiento actual. El hallazgo estructural que esperamos que sobreviva es que los modelos difieren mucho más en expresividad que en vocabulario o ritmo; los valores concretos de los puntos casi con seguridad no.

La expresividad está limitada a 100, y Opus está justo en el tope. Cualquier puntuación en el techo es un límite inferior. Cuando citamos una dispersión de 61 puntos, léala como «al menos 61».

El segmento en japonés queda excluido de todas las comparaciones de este artículo. En nuestras muestras en japonés, cuatro de los cinco modelos (Opus, Sonnet, Haiku y Gemini) obtienen un 100 idéntico y perfecto en expresividad. Que cuatro modelos de dos laboratorios distintos caigan exactamente en el techo es un artefacto de medición, no un hallazgo. La causa está en nuestro código de puntuación, no en la escritura: la fórmula de expresividad divide varios de sus términos de puntuación por un recuento de palabras producido por un tokenizador solo ASCII, que subcuenta masivamente el texto en japonés e infla esos términos hasta que la puntuación se satura. La expresividad en japonés necesita revalidarse con un recuento de palabras adaptado al idioma antes de poder citarse como resultado comparativo, incluida la columna en japonés de nuestro artículo de metodología anterior, que estamos revisando. Los otros cinco ejes y los otros tres idiomas no se ven afectados por este problema concreto.

---

¿Está listo para ver dónde se sitúa?

¿Quiere su propio gráfico de radar de seis ejes frente a la línea base multimodelo de IA promedio, incluido su delta en el eje que más importa para el modelo que use?

Obtenga su Writing DNA Snapshot gratis

Envíe unas cuantas muestras de escritura. Vea sus puntuaciones en los seis ejes y exactamente dónde diverge su escritura de la IA promedio. Gratis y sin tarjeta de crédito.

Su escritura tiene una huella. Nosotros la medimos. My Writing Twin convierte esa medición en instrucciones que hacen que cualquier IA (ChatGPT, Claude, Gemini) escriba como usted.