Escenario
En enero de 2026, Daniel Stenberg, creador del programa Curl, anunció la suspensión de las recompensas que pagaba a investigadores externos por descubrir vulnerabilidades en su código. La razón resultó singular, y era que ya no recibía hallazgos genuinos sino informes generados por modelos automatizados, redactados con apariencia técnica y carentes de contenido. En abril del mismo año, Nextcloud tomó la misma decisión por idéntica causa. Ambas interrupciones ilustraron síntomas de una transformación silenciosa en la economía del descubrimiento distribuido.
El modelo de recompensas por vulnerabilidades, surgido en los primeros años de la década del 2000, descansaba sobre una premisa que pocos formularon abiertamente, y esta era que la masa de aficionados, programadores curiosos e investigadores independientes producía valor agregado porque la barrera de entrada era costosa. Hallar una falla en un software complejo exigía tiempo, capacidad técnica y persistencia. Así, quien dedicaba semanas a leer código fuente tenía algo que decir cuando finalmente decía algo. El sistema funcionaba porque el costo de participar limitaba el número de participantes ineptos.
La aparición de modelos generativos accesibles cambió esa aritmética sin tocar su estructura formal. El envío al programa sigue siendo gratuito y la promesa de pago no varió. Lo que se alteró es quién puede generar el envío y a qué velocidad. Una persona sin formación técnica produce ahora veinte informes diarios mediante un modelo que simula análisis. Un investigador con experiencia automatiza el proceso completo y produce 1.000. Las empresas reciben la suma y descubren que el 25% sigue siendo válido, exactamente como antes, pero distribuido entre un volumen cuatro veces mayor. Sin embargo, la clasificación absorbe el margen económico del programa.
La conclusión es menos obvia de lo que parece. Este programa fracasó porque nunca fue sabiduría sino el resultado de un filtro implícito que descartaba a los participantes incapaces antes de que pudieran enviar nada. Cuando el filtro desapareció, lo que quedó visible fue la composición real de la masa.
Este fenómeno excede el campo de la seguridad informática ya que se reproduce en otros ámbitos con variaciones de la misma estructura.
Las plataformas de reseñas vivieron una primera oleada de comentarios generados automáticamente alrededor del año 2023. Amazon, TripAdvisor y Google contrataron empresas de detección automatizada para identificar reseñas sintéticas. Esas empresas de detección utilizan modelos análogos a los que producen las reseñas. El gasto en detección creció proporcionalmente al gasto en generación. El consumidor recibe, al final del proceso, una mezcla de comentarios humanos, comentarios generados, comentarios filtrados y comentarios falsamente marcados como apócrifos.
La búsqueda en Google atravesó el mismo proceso. Sitios enteros aparecieron con contenido generado para captar tráfico publicitario y Google reaccionó mediante ajustes algorítmicos que penalizan este tipo de contenido. Los ajustes algorítmicos usan modelos de lenguaje y la detección se vuelve técnicamente parecida a la producción. Así, los sitios honestos terminan afectados por los criterios que pretendían penalizar el ruido.
Las universidades pasaron por una versión académica del problema entre 2023 y 2025. Los estudiantes entregaron ensayos generados y los profesores adoptaron detectores automatizados que identifican estilo sintético. Sin embargo, los detectores fallan con notable frecuencia. Así, los estudiantes refinan los textos para evadir la detección y los profesores actualizan los sabuesos ante cada novedad. La universidad terminó pagando ambos servicios, tanto el modelo que escribe como el que verifica. El estudiante paga la misma suscripción en distintos puntos del ciclo.
El reclutamiento corporativo reproduce idéntico patrón. Los candidatos optimizan sus currículos mediante modelos generativos y las empresas usan filtros automatizados que evalúan los antecedentes profesionales. Ambos lados crecen en sofisticación al ritmo del otro y el proceso final selecciona menos por talento que por capacidad de calibrar la herramienta del lado contrario.
La edición científica enfrenta una variante más grave. Editoriales académicas reciben manuscritos parcial o totalmente generados, con citas inexistentes, datos fabricados y estructuras correctas. Así, las revistas contratan servicios de verificación pero algunos de estos fueron creados por las mismas empresas que ofrecen los modelos generativos. EY retiró un estudio en 2026 porque sus autores incluyeron citas alucinadas en el texto. El caso fue ejemplar pero no atípico y auditorías recientes de revistas académicas detectaron tasas de citas fabricadas cercanas al 17% del total en algunos subcampos.
La atención al cliente automatizada produjo una rama secundaria del mismo problema. Las empresas implementaron agentes conversacionales para reducir personal humano. Los clientes descubrieron que estos responden a otros agentes que actúan en su nombre para reclamar reembolsos, gestionar quejas o negociar tarifas. Así, las compañías implementaron sistemas de detección de agentes adversarios. La conversación se convirtió en un intercambio entre modelos del mismo origen estadístico, con el cliente humano observando como espectador ocasional.
El sector bancario y de pagos vivió el fenómeno antes que el resto. El fraude asistido por modelos generativos creció con rapidez en 2024 y 2025. Los bancos contrataron sistemas de detección que utilizan los mismos tipos de modelos. Por lo tanto, la carrera entre fraude y detección no es nueva. Lo novedoso es que ambos lados consumen energía, infraestructura y créditos de cómputo provistos por un puñado de empresas. Por lo tanto, esta carrera tiene un árbitro económico común.
El patrón común resulta finalmente claro. La inteligencia artificial reduce el costo marginal de producir ruido en cualquier campo donde existe un canal abierto de comunicación entre desconocidos. El canal puede ser un programa de recompensas, una sección de reseñas, una bandeja de currículos, una revista científica, un buscador, una mesa de fraudes. En cada caso, el campo queda saturado y la única solución disponible es una herramienta del mismo género que el problema. La empresa que provee el modelo generativo provee también, en otra línea de productos, el modelo discriminador. El cliente termina pagando dos veces por el mismo ciclo.
La economía resultante posee una elegancia perversa que merece descripción precisa. Quien pagó por construir la infraestructura generativa, ahora abona por contener sus consecuencias. La cifra global de inversión anual en infraestructura computacional para inteligencia artificial se mide en cientos de miles de millones de dólares y avanza con rapidez hacia cifras mayores. Ese guarismo produjo, en muchos campos, dos efectos simultáneos porque aumentó la productividad de ciertas tareas individuales y degradó la calidad del entorno comunicacional compartido. Esta pauperización, a su vez, abrió un mercado nuevo de servicios destinados a mitigarla. El nuevo negocio consume la misma infraestructura y el ciclo se realimenta a sí mismo.
La pregunta que cabe formular al final del recorrido no concierne al funcionamiento del sistema sino a su sentido. Si el progreso técnico produce un campo donde la única defensa contra el ruido es más ruido procesado, la noción misma de progreso técnico requiere revisión. La sabiduría de las multitudes fue siempre, en buena medida, una hipótesis optimista sobre la composición de las multitudes. La hipótesis sólo funcionaba mientras un filtro previo, costoso, casi siempre invisible, garantizaba la calidad de los participantes. La inteligencia artificial removió el filtro. Lo que quedó a la vista no fue sabiduría colectiva sino su simulacro.
El círculo se cierra sin escándalo aparente. Las empresas que vendieron el remedio del ruido seguirán vendiéndolo en los años por venir. Las que perdieron sus programas de recompensas, sus comentarios verificables, sus revisores honestos, seguirán pagando por contener lo que el remedio prometía resolver. Y la cifra de inversión crecerá, sumada en una contabilidad que mide todo excepto lo que efectivamente se ganó.
Las cosas como son.
Seguí a El Economista en Google
Agreganos a tus medios preferidos.
+ Agregar
