Creatividad con IA: cómo medir novedad, valor, proceso y autoría

Reeditado el 30 de julio de 2026, este artículo elimina una confusión de partida: un generador de imágenes, un modelo de lenguaje o AlphaFold no son ejemplos de inteligencia artificial general. Pueden producir resultados inesperados o valiosos dentro de sistemas especializados. Llamarlos IAG no ayuda a decidir si hubo creatividad; solo sustituye una pregunta difícil por una etiqueta mayor.

«¿Puede una máquina ser creativa?» contiene al menos cuatro preguntas: si el artefacto es nuevo, si resulta valioso para alguien, qué proceso recorrió el sistema y a quién atribuimos intención y responsabilidad. No tienen la misma prueba. Es posible evaluar una obra sin afirmar que el programa tuvo una experiencia subjetiva, y reconocer una aportación algorítmica sin borrar al equipo que formuló, seleccionó y presentó el resultado.

Separar artefacto, proceso, autoría e impacto

La novedad siempre es relativa a una referencia: ¿nuevo para el usuario, para el conjunto de entrenamiento, para un género o para la historia documentada de un campo? El valor también depende de un criterio y una comunidad: resolver una restricción, comunicar una idea, abrir una línea estética o servir a una finalidad. Una salida puede ser rara y carecer de valor; puede ser útil y repetir una solución conocida.

El proceso pregunta cómo se exploró el espacio de posibilidades: muestreo, búsqueda, reglas, evaluación, iteraciones y selección. La autoría pregunta quién fijó el problema, aportó datos, diseñó el sistema, eligió entre variantes, editó y decidió publicar. El impacto añade procedencia, trabajo, consentimiento, concentración de poder y efectos sobre el campo. Una única puntuación de «creatividad» borra esas capas.

Tampoco conviene usar semejanza humana como definición. Que un juez no distinga el origen puede medir imitación bajo una prueba concreta, no novedad ni valor. Una falsificación perfecta sería difícil de distinguir y seguiría teniendo una relación problemática con la obra copiada. La evaluación debe examinar lo producido y el proceso que lo hizo posible.

Qué optimizan realmente los modelos generativos

El artículo de 2014 sobre redes generativas antagónicas definió un juego entre un generador y un discriminador: el primero intenta producir muestras que el segundo no separe de los datos, y el segundo mejora esa distinción. El discriminador no juzga valor artístico; aprende una tarea estadística. Que una imagen parezca pertenecer a una distribución no demuestra originalidad.

GPT‑3 se entrenó para predecir tokens y se evaluó en numerosas tareas mediante ejemplos e instrucciones en el contexto. Puede completar poemas, relatos o código porque esas actividades pueden expresarse como secuencias. Su objetivo no contiene una definición de mérito estético ni intención. La elección del prompt, temperatura, herramientas, candidatos y edición forma parte del sistema creativo observable.

La variación tampoco garantiza diversidad significativa. Miles de muestras pueden cambiar detalles superficiales y permanecer en el mismo molde. Para estudiar el proceso se fijan semilla y versión, se conservan todas las variantes —no solo la ganadora— y se mide distancia y cobertura con más de una representación. La selección humana posterior puede ser la contribución que convierte una distribución de borradores en una obra.

Cómo medir novedad y valor sin fingir objetividad

La novedad comienza con búsqueda de proximidad respecto del corpus declarado: coincidencias exactas, fragmentos, estructuras y vecinos semánticos. No prueba ausencia de toda influencia, pero puede detectar repeticiones. El estudio Extracting Training Data from Diffusion Models mostró que modelos de difusión podían memorizar y emitir imágenes de entrenamiento en ciertas condiciones. Por eso «el modelo lo generó» no basta como evidencia de novedad.

El valor se evalúa con una rúbrica relacionada con el encargo: adecuación a restricciones, coherencia, sorpresa pertinente, utilidad, elaboración o respuesta de una audiencia definida. Varios jueces revisan a ciegas cuando sea posible y se publica el grado de acuerdo. El desacuerdo no es ruido que siempre deba eliminarse; puede revelar que el campo no comparte un criterio o que el trabajo abre una lectura nueva.

Una comparación necesita líneas base. Se enfrenta el sistema a recuperación de obras existentes, plantillas, versiones aleatorias, un método anterior y trabajo humano bajo tiempos y recursos declarados. Se miden mejores casos y distribución completa. Si solo se muestra una pieza escogida entre diez mil, la prueba evalúa el sistema más un enorme presupuesto de selección, no la calidad típica de una generación.

También se separan dos fases. En la divergente interesa cuántas direcciones sustancialmente distintas aparecen y cuánto cuesta encontrarlas. En la convergente se evalúa si el proceso reconoce restricciones, compara alternativas y mejora una propuesta con retroalimentación. Un sistema puede generar variedad y ser incapaz de escoger; otro puede optimizar una métrica y eliminar la sorpresa. Declarar qué fase ejecutó la máquina y cuál una persona evita atribuir al modelo todo el ciclo.

Tres casos y tres fronteras diferentes

The Next Rembrandt fue un proyecto de ING con Microsoft, TU Delft, Mauritshuis y Rembrandthuis. Un equipo multidisciplinar analizó obras, definió características de un retrato y produjo una imagen impresa en 3D. No fue una IAG que decidió ser pintora: fue una instalación humana y técnica diseñada para imitar rasgos documentados de un autor concreto. Su interés reside en el procedimiento y la colaboración, no en rebautizarla como mente autónoma.

AlphaFold predice estructuras de proteínas a partir de secuencias y datos relacionados. El trabajo no afirma que el sistema «concibiera nuevas proteínas», como decía el original. Predicción estructural y diseño de una secuencia con propiedades nuevas son tareas distintas. Una salida científicamente útil puede ampliar la investigación sin que el modelo formule la pregunta, interprete el mecanismo ni elija el próximo experimento.

FunSearch combinó un modelo de lenguaje con un evaluador automático y un proceso evolutivo para buscar programas que resolvieran problemas matemáticos y algorítmicos. Aquí el bucle es crucial: el modelo propone código, el evaluador asigna una puntuación verificable y las mejores propuestas alimentan nuevas iteraciones. El resultado muestra novedad útil dentro de problemas definidos; no demuestra creatividad general fuera de ese mecanismo.

Una ficha de creación asistida que pueda auditarse

La ficha empieza por el encargo y el criterio de éxito. Registra autores y funciones; fuentes y permisos; modelo, versión y fecha; prompts, herramientas, semillas y parámetros; número total de candidatos; reglas de descarte; edición; evaluadores y resultados. Se conservan fallos representativos. Esta trazabilidad permite atribuir aportaciones y repetir el proceso sin reducirlo al nombre del modelo.

La evaluación se repite fuera del grupo que construyó el sistema. Quien diseñó la métrica puede haberla convertido, sin querer, en un objetivo fácil de explotar; quien eligió los ejemplos conoce las respuestas. Una revisión independiente busca similitudes omitidas, prueba otros públicos y comprueba si el resultado conserva valor cuando se revela el proceso. El juicio puede cambiar con ese contexto, y ese cambio forma parte del hallazgo.

Los metadatos de procedencia ayudan, pero no resuelven el juicio. La especificación C2PA define manifiestos firmados para registrar procedencia y acciones sobre contenido digital. Puede documentar que una herramienta creó o modificó un archivo si el flujo lo incorpora. No determina si la obra es original, verdadera, valiosa ni quién posee derechos; esas cuestiones exigen evidencia y, cuando proceda, revisión jurídica específica.

Por último se formula una conclusión estrecha: «este sistema produjo variantes que jueces definidos valoraron bajo esta rúbrica y estas referencias», no «la máquina es creativa». La capacidad transferible es separar novedad, valor, proceso y autoría y exigir una prueba para cada una. Así se puede apreciar una colaboración nueva sin inventar IAG, consciencia ni autonomía donde solo se ha observado un artefacto.