Y no importa qué herramienta uses: el efecto es el mismo.
Imagina que encargas un estudio de opinión sobre tu marca. Miles de comentarios, reseñas y publicaciones analizadas. El informe llega, los datos parecen sólidos y tomas decisiones basándote en ellos.
El problema es que una parte significativa de esos textos ha pasado por una herramienta de IA generativa antes de publicarse. Y esa IA, sin que nadie se lo pidiera, les ha quitado emoción.
Esto no es una hipótesis. Es lo que acaba de demostrar un estudio publicado en PNAS Nexus (febrero de 2025) por investigadores de la Universidad de Warwick.
El experimento: 50.000 tweets y una conclusión preocupante
Los investigadores tomaron 50.000 tweets reales sobre cambio climático —texto humano, con toda su carga emocional— y los reformularon con un LLM. Después compararon el sentimiento del texto original con el del texto reformulado.
El resultado fue consistente en todos los casos: los LLM neutralizan el tono emocional del texto, tanto si el tweet era positivo como negativo. Lo desplazan hacia el centro. Hacia lo neutro. Hacia lo inofensivo.
No fue un efecto puntual. Se repitió con diferentes modelos (GPT-3.5 y GPT-4o-mini) y con distintas instrucciones, incluso cuando se pedía explícitamente al modelo que preservara el sentimiento original.
Y cuando replicaron el experimento con reseñas de Amazon, el resultado fue el mismo.
¿Qué significa esto para tu negocio?
Si tu empresa analiza opiniones de clientes, monitoriza reputación online o toma decisiones basadas en lo que dicen los usuarios en redes sociales, necesitas leer esto con atención.
Hoy, entre un 33 % y un 46 % de los trabajadores que realizan tareas de anotación de texto utilizan LLM para ayudarse. Los usuarios emplean herramientas de IA generativa para “mejorar” sus publicaciones antes de lanzarlas. Plataformas enteras están integrando IA para pulir el lenguaje de reseñas y comentarios.
El efecto práctico es claro: los datos que analizas ya no son puramente humanos. Y si el sentimiento ha sido suavizado, tus conclusiones también lo estarán.
El estudio lo cuantifica. El impacto de los casos de COVID-19 sobre el sentimiento negativo en tweets de cambio climático se estimaba en −0,00685 con texto humano original. Con el mismo texto reformulado por un LLM, esa cifra caía a −0,00274. Casi la mitad. Mismo fenómeno, conclusión distinta.
En términos empresariales, podrías estar infravalorando la intensidad del malestar de tus clientes o sobreestimando su satisfacción simplemente porque el texto que analizas ha pasado por un filtro de IA.
El sesgo que nadie ve porque nadie lo busca
Este tipo de distorsión es especialmente peligrosa porque es invisible.
No hay un aviso que diga “este texto fue editado por IA”. No hay marca de agua. El texto aparece como una publicación humana normal.
Y los modelos de análisis de sentimiento —VADER, BERT o los que utiliza tu herramienta de monitorización— no están diseñados para detectarlo. Analizan lo que leen. Si lo que leen ya ha sido suavizado, el análisis devuelve datos suavizados. Sin alarmas.
Dos soluciones que ya existen
Los investigadores no se quedaron solo en el problema. También propusieron y validaron dos estrategias de mitigación.
1. Modelos predictivos (cuando sabes que el texto pasó por IA)
Si puedes identificar qué textos fueron reformulados por un LLM —mediante herramientas de detección de IA o cambios en la calidad de escritura del usuario—, es posible aplicar modelos de regresión capaces de recuperar el sentimiento original con bastante precisión.
En las pruebas, la diferencia entre el sentimiento predicho y el real no fue estadísticamente significativa. Funciona.
La limitación es evidente: necesitas saber de antemano qué textos son LLM-rephrased. Y en la práctica eso no siempre es posible.
2. Fine-tuning (cuando el origen del texto es incierto)
La segunda solución es más robusta: un LLM entrenado específicamente para revertir el efecto neutralizador y reconstruir el tono humano original.
En las pruebas con el modelo fine-tuneado de OpenAI, los resultados fueron notablemente precisos, sin diferencias significativas respecto al texto humano original. El modelo LLAMA2 fine-tuneado, en cambio, mostró peores resultados.
Hay además un detalle relevante para quien evalúe costes: el proceso de fine-tuning con OpenAI sobre 33.000 filas de datos requirió aproximadamente 40 minutos y costó 26 dólares.
No es una inversión prohibitiva para organizaciones que dependen de análisis de sentimiento a escala.
Lo que debería cambiar en tu empresa
Este estudio no pide que dejes de usar IA. Lo que plantea es que seas consciente de sus efectos secundarios cuando la utilizas para analizar datos generados por otros.
Tres preguntas que merece la pena hacerse:
¿Tus análisis de reputación y satisfacción distinguen entre texto humano y texto editado con IA?
Si no lo hacen, estás trabajando con datos que podrían estar sistemáticamente sesgados hacia la neutralidad.
¿Tus herramientas de monitorización están actualizadas para este nuevo escenario?
La mayoría no lo están. Fueron diseñadas antes de que los LLM entraran en el flujo masivo de generación de contenido.
¿Tu equipo entiende que “limpiar” un texto con IA antes de publicarlo no es inocuo?
Desde el punto de vista del análisis de datos, cambiar el tono es cambiar el dato.
La autenticidad como activo empresarial
Hay una lectura adicional en este estudio que va más allá de los datos: el lenguaje emocional humano tiene un valor informativo que los LLM tienden a eliminar.
Cuando un cliente escribe con rabia, esa rabia es información. Cuando escribe con entusiasmo genuino, ese entusiasmo también lo es.
Un texto pulido, gramaticalmente correcto y emocionalmente neutro puede parecer más profesional, pero desde la perspectiva del análisis de opinión ha perdido su señal más valiosa.
Para las empresas que trabajan con inteligencia de mercado, gestión de reputación o experiencia de cliente, esto tiene implicaciones directas sobre cómo deberían diseñar sus procesos de recogida y análisis de datos en la era de la IA.
Para terminar
Los LLM son herramientas extraordinariamente útiles. También tienen efectos secundarios que todavía estamos aprendiendo a medir.
Este estudio aporta una evidencia concreta y replicable: cuando el texto humano pasa por un LLM, pierde intensidad emocional.
Y esa pérdida, invisible a simple vista, puede alterar las conclusiones de cualquier análisis basado en opinión pública o experiencia de cliente.
Conocer este sesgo es el primer paso para no tomar decisiones basadas en datos que ya no son exactamente lo que parecen.
La inteligencia artificial puede ayudarte a tomar mejores decisiones. Pero también puede introducir sesgos invisibles si tu empresa no entiende cómo funcionan realmente estas herramientas y qué impacto tienen sobre los datos, los procesos y las conclusiones de negocio.
Por eso, la alfabetización en IA ya no es solo una cuestión tecnológica: es una cuestión estratégica.
Si quieres formar a tu equipo para utilizar IA de forma práctica, responsable y alineada con el Reglamento Europeo de IA, puedes contactar conmigo para formaciones in company adaptadas a directivos, departamentos y empresas.
Abogada especializada en Inteligencia Artificial. Profesora externa de IA en ENAE. Speaker. CEO Fundadora de academiadeia.es, legalprompt.es, fenixcomunicación.es, murciaunica.com y la revista digital para «Nostálgicos de mentes inquietas» generacionfenix.com.
