Por qué el texto IA que funciona en email se desmorona en Slack
Tu estilo de escritura cambia de forma medible según la plataforma. La investigación muestra que los modelos estilométricos pierden un 55% de precisión cuando el contexto cambia, incluso con el mismo autor.
By Emmanuel
Configuras las instrucciones de IA basándote en tu escritura de email. Los resultados son buenos. Luego usas el mismo perfil para un mensaje de Slack. La IA escribe algo que parece un memorando. Lo editas. Sigue sintiéndose rígido.
El problema no son tus instrucciones. Es lo que esas instrucciones realmente capturaron.
No tienes un solo estilo de escritura
Tienes varios.
La forma en que escribes un email a un cliente no es la forma en que respondes en Slack a tu equipo. Tus publicaciones en LinkedIn usan un ritmo diferente al de tus informes internos. Tus revisiones trimestrales no se leen como tus actualizaciones rápidas de estado.
Es calibración. Cada profesional ajusta su escritura según la plataforma, la audiencia y los riesgos. Las calibraciones son sutiles y sistemáticas, y se acumulan durante años de escritura profesional en cada contexto.
Cuando le pides a la IA que aprenda "tu estilo", la pregunta se convierte en: ¿cuál?
La investigación detrás del problema
Los lingüistas llaman a esto "variación de registro". Todo escritor mantiene múltiples registros, y las diferencias entre ellos no son cosméticas. Aparecen en la longitud de las frases, la densidad de puntuación, la frecuencia de rodeos, las preferencias estructurales y el ratio de palabras de contenido frente a palabras funcionales.
Un equipo de investigadores de varias universidades europeas cuantificó exactamente cuánto importa esto para la IA.
Entrenaron modelos de atribución de autoría en texto de un conjunto fijo de autores en un dominio, y luego probaron esos mismos modelos en texto de un dominio diferente escrito por los mismos autores. Los modelos usaban frecuencias de trigramas de caracteres, una de las características más ampliamente aceptadas en la investigación estilométrica.
Los resultados: la precisión cayó hasta 55,4 puntos porcentuales cuando el dominio cambió, aunque los autores eran idénticos (Bischoff et al., Corpus Linguistics and Linguistic Theory).
Estos modelos no aprendían el "estilo de autor" como una señal pura e independiente del contexto. Aprendían una mezcla del estilo del autor y el estilo del dominio: las convenciones de ese género de escritura. Cuando el dominio cambiaba, la mayor parte de lo que el modelo había aprendido se volvía activamente engañoso.
Este es exactamente el problema de Slack. Una IA entrenada principalmente en tus emails aprende una mezcla de:
- Tus patrones personales (ritmo de frases, preferencias de vocabulario, tendencias estructurales)
- Convenciones del email como género (aperturas formales, estructuras de solicitud, normas de longitud de párrafo)
Cuando le pides a esa IA que escriba un mensaje de Slack, no puede separar los dos. Aplica las convenciones del email junto con tus patrones personales. El resultado suena como tú, pero se lee tonalmente equivocado.
Por qué las características superficiales se desmoronan entre contextos
El problema va más allá de las convenciones de género. Las características que funcionan bien para capturar tu estilo dentro de un contexto engañan activamente al modelo en otro.
La investigación sobre atribución de autoría neural demuestra esta distinción. Los modelos que dependen en gran medida de las características léxicas — las palabras específicas que eliges — son sensibles al tema y al contexto. Tu vocabulario profesional y tu vocabulario casual son genuinamente diferentes. Un modelo entrenado en tu escritura formal elegirá sistemáticamente el sinónimo más formal incluso en contextos donde tú no lo harías.
Las características sintácticas son más estables. Cómo construyes frases, tu preferencia por fragmentos o cláusulas subordinadas, tu ratio de construcciones activas frente a pasivas, tu uso de conectores al inicio de la frase: estos patrones persisten entre contextos de forma más fiable que el vocabulario. Son la parte de tu escritura que es más genuinamente "tú" en lugar de "tú escribiendo en este género particular".
La implicación práctica: los sistemas de IA que capturan principalmente similitud superficial con tus muestras mostrarán exactamente el colapso de precisión que la investigación predice cuando encuentren un contexto de escritura diferente.
¿Cuántos contextos de escritura tienes realmente?
La mayoría de los trabajadores del conocimiento operan en al menos cuatro contextos distintos:
Asíncrono interno (Slack, Teams, hilos internos): frases cortas, solicitudes directas, contexto compartido asumido, pocos rodeos, fragmentos aceptados.
Externo formal (emails a clientes, propuestas, comunicación ejecutiva): párrafos estructurados, rodeos apropiados, aperturas formales, contexto proporcionado, elección cuidadosa de palabras.
Público profesional (LinkedIn, artículos publicados, newsletters): reflexivo, legible por extraños, sin contexto asumido, consciente de la identidad, voz editada.
Operativo (actualizaciones de estado, notas de reunión, documentación): eficiente, factual, estructurado, sin personalidad requerida.
Cada contexto tiene su propia línea base de longitud de frase, nivel de formalidad, frecuencia de rodeos y valores predeterminados estructurales. Tus instintos para cada contexto se desarrollaron durante años de escritura en ese contexto, y son en gran parte inconscientes.
Un Style Profile construido a partir de muestras de email formal captura uno de estos contextos de forma fiable. Los otros tres requieren calibración frente a muestras de esos contextos.
El lingüista que midió esto hace 30 años
La variación de registro entre contextos es un fenómeno lingüístico documentado.
Douglas Biber, lingüista de corpus en la Universidad Northern Arizona, dedicó años a analizar cómo varía la escritura en lo que llamó "registros": prosa académica, ficción, noticias, conversación, cartas y más. Su trabajo de 1988 estableció que los textos se agrupan en tipos distintos basados en 67 características lingüísticas co-ocurrentes: densidad nominal frente a verbal, tasas de construcción pasiva, frecuencia de rodeos, distribución de tiempos verbales.
Su hallazgo central: estas características co-varían sistemáticamente. La escritura académica usa alta densidad nominal, rodeos y construcciones pasivas juntos. La conversación usa alta densidad verbal, frecuencia de fragmentos y construcciones activas juntos. Los patrones no son aleatorios. Forman perfiles de registro coherentes, y las diferencias entre registros son a menudo mayores que las diferencias entre autores individuales dentro del mismo registro.
Esta es la base del problema de dominio en la escritura con IA. Tu estilo de autor se asienta sobre una línea base de registro. Sácate de tu registro de email y ponerte en tu registro de Slack, y la línea base se desplaza bajo tus pies. Una IA que no haya sido entrenada para tener en cuenta ese cambio seguirá aplicando la línea base antigua.
Por qué añadir más muestras del mismo contexto no ayuda
La solución intuitiva es añadir más ejemplos. No funciona.
Más emails no le enseñan a la IA cómo escribes en Slack. El modelo aprende más sobre las convenciones del email, mejora en email y falla en todos los demás contextos con la misma consistencia.
El hallazgo de la investigación se aplica directamente a esto: el cambio de dominio no es un problema de volumen. No puedes salir de un desajuste de contexto añadiendo más datos del mismo contexto. El modelo necesita muestras del contexto objetivo, porque lo que necesita aprender es cómo cambian tus patrones, no solo cuáles son tus patrones.
Esta es también la razón por la que los usuarios que construyen Style Profiles a partir de un único tipo de documento — digamos una colección de publicaciones de LinkedIn — obtienen una excelente salida de LinkedIn y resultados extraños en todo lo demás. El perfil es preciso para lo que se entrenó. Nunca fue diseñado para generalizar.
Cómo son los Style Profiles contextuales
Un Style Profile contextual es un documento con instrucciones de calibración explícitas.
En lugar de "usar frases de un promedio de 18 palabras", contiene: "externo formal: 20-22 palabras, rodeos moderados, párrafos estructurados. Asíncrono interno: 6-10 palabras, sin rodeos, fragmentos aceptables". La IA tiene un perfil. Se ajusta según el contexto en el que estás escribiendo.
Construir esto requiere muestras de todos tus contextos de escritura reales. No "tres emails". Específicamente: una propuesta para cliente, hilos internos de Slack, una publicación de LinkedIn, una actualización de estado. La distribución de muestras obliga al modelo a reconocer que eres la misma persona con diferentes calibraciones, no personas diferentes.
El paso de recolección de muestras de MyWritingTwin pide exactamente esta distribución. El cuestionario captura preferencias específicas del contexto que quizás no hayas articulado conscientemente: qué tan formalmente abres mensajes en diferentes contextos, cuántos rodeos usas al escribir para diferentes audiencias, qué convenciones estructurales sigues en cada entorno.
El resultado es un Style Profile para ChatGPT, Claude o cualquier herramienta de IA que contiene lógica explícita de cambio de contexto. No solo "cómo escribe esta persona", sino "cómo escribe esta persona cuando cambian las apuestas y la audiencia".
Una auditoría rápida de tu perfil actual
Si ya usas asistencia de IA para escribir, haz esta comprobación:
Recupera las últimas cinco cosas que escribiste en tu contexto de comunicación más casual (Slack, mensajes internos). Luego recupera las últimas cinco cosas que la IA generó para ti usando tus instrucciones actuales en el mismo contexto.
Compara la longitud de las frases, tu frecuencia real de rodeos en ese contexto, y cómo abre mensajes frente a cómo los abres tú cuando escribes de forma nativa.
Si la IA escribe más largo, más formalmente estructurado y con más rodeos de los que tú usas realmente en ese contexto, tu Style Profile fue construido principalmente a partir de muestras formales. El cambio de dominio se está mostrando.
La solución es añadir muestras del contexto casual específicamente. Una vez que el modelo haya visto tus patrones de Slack explícitamente, puede calibrarse a ellos. Hasta entonces, vuelve a lo que tiene más evidencia: el registro formal con el que fue entrenado.
¿Listo para construir un Style Profile que sepa dónde estás?
MyWritingTwin crea Style Profiles contextuales que despliegas en ChatGPT, Claude o cualquier herramienta de IA. La recolección de muestras pide específicamente escritura de todos tus contextos de comunicación, para que el resultado no sea un registro sobreajustado a tus emails.
Construye tu Writing Twin contextual →
O lee más sobre cómo funciona realmente el análisis de estilo.
Haga que la IA escriba como usted, no como un robot
Acaba de leer cómo ajustar la IA a mano. MyWritingTwin lo hace a partir de sus textos reales: pegue algunas muestras y obtenga un perfil de voz que funciona en ChatGPT, Claude y Gemini.
Cree su perfil de escritura gratis¿Aún no? Reciba en su lugar nuestra guía de perfiles de voz IA por correo.