¿Cuántas muestras de escritura necesita la IA para aprender su estilo?

En resumen: ¿Cuántas muestras de escritura necesita la IA? Menos documentos de los que teme y más palabras por contexto de las que admiten la mayoría de las herramientas. Un análisis de estilo puede iniciarse con tres muestras o unas 500 palabras, pero las cifras que describen su voz (rango de longitud de frase, ubicación de los matizadores, hábitos de transición, densidad de puntuación) solo se estabilizan cuando un contexto reúne aproximadamente 2.000 palabras de su propio texto. La investigación sobre atribución de autoría sitúa la estabilidad completa más arriba, en torno a las 5.000 palabras. El número de archivos es la unidad equivocada; la correcta son las palabras por cada contexto en el que usted escribe de verdad. A continuación: por qué las descripciones no pueden reemplazar a las muestras, los umbrales que MyWritingTwin.com aplica en cada paso y una forma de auditar su propio corpus en diez minutos.

Alguien le pide "algunas muestras de escritura" para que la IA aprenda su estilo. Usted envía tres correos y una publicación de LinkedIn. El resultado vuelve sonando como un desconocido competente. Entonces envía doce más, y empeora.

Ambos resultados tienen la misma causa. Nadie le explicó para qué sirve una muestra.

¿Cuántas muestras de escritura necesita la IA?

Suficientes palabras, en un solo contexto, como para que los patrones dejen de cambiar cuando usted añade otra muestra. Para la mayoría de los profesionales eso se traduce en tres a cinco piezas por contexto y aproximadamente 2.000 palabras en total para ese contexto. El número de documentos es una aproximación. El número de palabras por contexto es el requisito real.

Así se ven los umbrales en la práctica:

El mínimo existe para que usted pueda ver algo rápido. La línea de preparación existe porque, por debajo de ella, el perfil describe el último correo que subió más de lo que lo describe a usted.

La razón por la que el número de palabras importa más que el número de archivos es que cada medición de un perfil de estilo es una distribución, no un dato. Su longitud media de frase no es un número; es un rango con un centro y unos bordes. Dónde coloca "probablemente" en una frase es una tendencia, no una regla. Las distribuciones necesitan suficientes observaciones antes de que su forma sea fiable, y un correo de 90 palabras aporta quizá seis frases a esa forma.

¿Por qué "cuántas muestras" es la pregunta equivocada?

Porque trata una respuesta de 40 palabras en Slack y una propuesta de 2.500 palabras como la misma unidad, e ignora que usted escribe de forma distinta a personas distintas. La pregunta útil tiene dos partes: cuántas palabras necesita un contexto, y en cuántos contextos escribe usted realmente.

Piense en lo que produce un profesional en una semana:

• Correo interno al equipo: frases cortas, nombres de pila, una pregunta al final, sin más despedida que las iniciales.
• Correo a un cliente: frases más largas, una apertura de cortesía, compromisos matizados ("deberíamos poder"), una firma completa.
• Slack: fragmentos, sin mayúsculas, emojis que sustituyen a la puntuación.
• Memorando o informe para la junta directiva: hallazgos numerados, construcciones pasivas donde la responsabilidad es compartida, sin contracciones.

Cuatro contextos, cuatro voces medibles, una persona. Un modelo al que se le entrega una pila con los cuatro aprende un promedio que no coincide con ninguno. Es el mismo fallo que describir su tono con adjetivos: el resultado aterriza en medio de una multitud. Nuestro artículo sobre por qué los adjetivos de tono no son su voz cubre en detalle el problema de la multitud; la versión con muestras es que mezclar contextos lo promedia contra usted mismo.

Así que la respuesta honesta a "cuántas muestras" depende de cuántos de esos contextos quiere que maneje la IA. Un contexto, un idioma: de tres a cinco piezas, unas 2.000 palabras. Tres contextos en dos idiomas: seis celdas, cada una con su propio mínimo. El recuento por celda sigue siendo pequeño. El total crece con el número de voces que usted realmente tiene.

¿Qué aprende realmente un modelo de una muestra?

Mediciones que no puede obtener de ninguna otra manera. Un modelo de lenguaje llega conociendo todas las palabras que describen un estilo de escritura y nada sobre cómo escribe usted. Las muestras son la única entrada que cierra esa brecha, porque su estilo está almacenado en rasgos que ningún adjetivo codifica.

Esto es lo que un análisis de estilo extrae de un conjunto de muestras en un contexto:

1. Distribución de longitud de frase: el centro, la dispersión, y si usted alterna frases largas y cortas o se mantiene uniforme.
2. Ubicación de los matizadores: si "creo que" abre la frase, la interrumpe o la cierra, y con qué frecuencia aparece.
3. Hábitos de transición: "Así que" frente a "Por lo tanto" frente a un párrafo nuevo sin más.
4. Densidad de puntuación: dos puntos, paréntesis, punto y coma, guiones, y cuántos de cada uno por cada cien palabras.
5. Movimientos de apertura y cierre: qué hace su primera línea, qué hace su última línea.
6. Reglas de vocabulario: palabras que nunca usa, palabras que usa en exceso, y los términos del sector que deja sin explicar.
7. Forma del párrafo: una idea por párrafo, o tres, y cuánto se extiende cada uno.

Ninguno de estos rasgos es un tono. Todos ellos son su voz. Un prompt que dice "escribe como un directivo sénior directo y cálido" no fija ninguno de ellos, y por eso el resultado se lee como todos los directivos sénior directos y cálidos a la vez. El modelo conoce la descripción. No conoce las mediciones. Solo sus muestras las contienen, y eso sigue siendo cierto por muy capaz que llegue a ser el modelo. Explicamos por qué en ¿Conoce la IA mi estilo de escritura? Por qué los modelos mejores siguen sin conocerlo: la capacidad y el condicionamiento personal son capas separadas, y los laboratorios solo pueden entregar la primera.

Por eso mismo, un modelo mejor aumenta el valor de sus muestras en lugar de reducirlo. Una vez que existen las mediciones, un modelo que sigue instrucciones matizadas con más precisión las reproduce con más precisión. El requisito de evidencia no se reduce con la calidad del modelo. El beneficio de tenerla crece.

¿Cuántas palabras por contexto necesita?

Unas 2.000 palabras de su propia escritura dentro de un único contexto es el punto en el que MyWritingTwin considera que un perfil está listo, y la estilometría académica sugiere que la estabilidad completa está más arriba. Ambas cifras se refieren a lo mismo: el punto a partir del cual una muestra más deja de mover las mediciones.

El punto de referencia académico proviene de la atribución de autoría, el campo que pregunta "¿quién escribió esto?" a partir únicamente de los rasgos del texto. El estudio de Maciej Eder Does size matter? Authorship attribution, small samples, big problem puso a prueba cuánto texto necesitan esos métodos en varios idiomas y corpus. Su hallazgo principal fue que los resultados se volvían fiables en torno a las 5.000 palabras y se volvían inestables muy por debajo de esa cifra, con un mínimo exacto que variaba según el idioma y según cuántos autores candidatos estaban en juego.

Un perfil de estilo no necesita identificarlo entre cien autores. Necesita describir a un autor lo bastante bien como para que un modelo pueda reproducir el patrón. Es una tarea más pequeña, y por eso el umbral de preparación se sitúa en unas 2.000 palabras por contexto en lugar de 5.000. Por debajo de esa línea, un solo correo inusual (el que escribió furioso, o a la una de la madrugada) puede desplazar el centro de la longitud de frase en una palabra entera. Por encima, un valor atípico es una observación entre muchas.

De ahí se derivan dos consecuencias:

Diez correos cortos superan a un informe largo. Un correo de 300 palabras muestra su apertura, su cierre, su matización y su despedida una vez cada uno. Diez de ellos muestran esos movimientos diez veces. Un informe de 3.000 palabras los muestra una vez, en un registro que usted usa dos veces al año.

El mínimo es por contexto, no por cuenta. Alcanzar 2.000 palabras en correos a clientes en inglés no dice nada sobre sus mensajes internos en japonés. Esa celda empieza en cero. Por eso la matriz de comunicación agrupa las muestras por idioma, canal y audiencia antes de analizar nada: el recuento de palabras que importa es el de dentro de la celda.

¿Por qué más muestras a veces empeoran el perfil?

Porque, pasado el umbral, cada muestra añadida que está fuera de contexto, fue editada por otra persona o fue escrita en parte por IA diluye la señal en lugar de reforzarla. Las doce muestras extra que empeoraron su resultado probablemente estaban haciendo una de estas tres cosas.

Venían de un contexto distinto. Añadir una biografía para una conferencia y dos publicaciones de LinkedIn a una pila de correos internos no le da al modelo "más de usted". Le da al modelo una distribución más amplia centrada en un lugar desde el que usted nunca ha escrito.

No eran del todo suyas. Un artículo publicado que pasó por un editor. Una propuesta redactada por un colega y pulida por usted. Un primer borrador escrito por ChatGPT que usted luego corrigió. Cada uno arrastra las longitudes de frase y los hábitos de matización de otra persona, y el análisis no puede distinguir qué frases son suyas. Nuestra guía sobre cómo seleccionar muestras de escritura para el análisis con IA recorre la prueba de autenticidad; la versión corta es que, si no puede señalar las frases que escribió, deje el documento fuera.

Eran extremas. La carta de renuncia que nunca envió, o la queja a la aerolínea. Reales, suyas, y nada representativas de lo que escribe un martes cualquiera. Una de estas en un corpus de 2.000 palabras es una nota al pie. Una en un corpus de 600 palabras es un tercio de la evidencia.

La regla práctica: añada muestras hasta que un contexto alcance su mínimo, luego deje de añadir y empiece a comprobar. Si la siguiente muestra no cambia el perfil, ha terminado con ese contexto. Si lo cambia mucho, pregúntese si la muestra pertenece ahí o a una celda distinta.

¿Qué ocurre cuando pega las muestras en un chat en su lugar?

El modelo lo aprende para una conversación y lo olvida cuando esta se cierra, así que la pregunta del número de muestras se reinicia en cada sesión. Pegar cinco correos en ChatGPT, Claude o Gemini antes de pedir un borrador funciona, en el sentido de que el borrador se inclina hacia esos cinco correos. También significa que usted vuelve a subir los mismos correos cada día, que el modelo nunca alcanza una lectura estable de usted, y que filtra los mismos nombres y cifras cada vez que lo hace.

Hay un segundo coste fácil de pasar por alto. Las muestras en una ventana de chat son ejemplos, no mediciones. El modelo imita la superficie de lo que ve. Si le da cinco correos que casualmente empiezan todos con "Una cosa rápida:", abrirá todos los borradores así, sea eso un hábito o una coincidencia de los cinco que usted eligió. Un perfil medido registra "abre con una fórmula de encuadre de dos palabras en aproximadamente un tercio de los correos internos" y se comporta en consecuencia. Los ejemplos muestran lo que usted hizo. Las mediciones muestran lo que usted hace.

La alternativa es ejecutar el análisis una sola vez. Suba muestras por contexto hasta que cada celda esté lista, extraiga el perfil de estilo e impleméntelo donde persista: un Custom GPT, un proyecto de Claude, un Gem de Gemini, el System Prompt de lo que construya con la API. Las muestras originales se quedan con usted. Si lo que les ocurre durante ese paso es lo que lo frena, documentamos cada etapa en ¿Es seguro subir muestras de escritura a la IA?, incluida la anonimización que se ejecuta antes de que se almacene cualquier muestra.

¿Cómo saber cuándo tiene suficientes?

Cuente las palabras por contexto, ejecute el análisis, luego añada una muestra más y observe si algo se mueve. Eso lleva unos diez minutos y responde a la pregunta para su escritura, no para el usuario promedio.

Esta es la auditoría:

1. Enumere sus contextos. Idioma por canal por audiencia. La mayoría de los profesionales tienen entre dos y seis que importan.
2. Reúna de tres a cinco muestras reales por contexto. Elementos enviados, no borradores. Cosas que escribió usted solo. Descarte todo lo editado por otra persona o iniciado por IA.
3. Cuente las palabras por contexto. Menos de 500: tiene un boceto. De 500 a 2.000: tiene una primera lectura que se moverá. Más de 2.000: tiene un perfil.
4. Busque el valor atípico. La muestra escrita en un estado inusual. Si un contexto está por debajo de su mínimo, elimínela. Si está por encima, consérvela; ahora es una observación entre muchas.
5. Añada una más y compare. Si el rango medido de longitud de frase y las frases más frecuentes apenas cambian, ese contexto está terminado. Si oscilan, seguía por debajo del umbral, o la nueva muestra pertenece a otra celda.
6. Rellene primero la celda más escasa. El contexto con menos palabras es donde el resultado de la IA sonará menos como usted. Ahí es donde va la siguiente muestra.

Lo que esta auditoría revela con más frecuencia no es una escasez. Es un desajuste. Hay personas con 8.000 palabras de escritura publicada y 400 palabras del correo interno que constituye el 70% de lo que realmente envían. El perfil acaba siendo fluido en un registro que usan dos veces al año y ciego al que usan a diario. Arreglar eso no es cuestión de más muestras. Es cuestión de las 2.000 palabras correctas.

Si prefiere que el recuento, la agrupación y la medición se hagan por usted, eso es exactamente un Writing Twin para ChatGPT, Claude y Gemini: sus muestras, ordenadas por contexto, medidas en un perfil de estilo que usted implementa una vez y lleva a todas partes. Empiece por los tres contextos en los que más escribe, y vea hasta dónde lo llevan de tres a cinco muestras reales en cada uno.