AI slop
AI Slop
¿Qué es el «AI slop»?
- Expresión irónica para referirse al contenido de IA de baja calidad producido en serie sin revisión
- Contaminación de la web → caída de la confianza → preocupación por el colapso de los modelos
- «Calidad sobre cantidad»: la revisión y el criterio humanos son la diferencia
Lo que realmente cambió con la difusión del término «AI slop» es la unidad con la que se evalúa el contenido. Antes, «cuántas piezas se publicaron este mes» encabezaba la primera línea del tablero de resultados; ahora, «quién leyó este artículo hasta el final y qué se llevó de él» se convierte en el criterio de evaluación. No está en discusión si se usó IA o no. Lo que separa el slop de un activo es si, antes de pulsar el botón de publicar, hubo alguien que firmara con su nombre. Por eso este concepto debe leerse no como una disputa sobre herramientas, sino como una cuestión de asignación de responsabilidad.
En la práctica, el slop suele presentarse en tres variantes. Está la versión repetitiva, que solo cambia la redacción de la misma palabra clave; la versión con errores, en la que el texto suena fluido pero las especificaciones del producto, las leyes o las cifras son incorrectas; y la versión vacía, que repite «es importante» sin llegar a ninguna conclusión. En marzo de 2024, Google modificó su política contra el spam y anunció que sancionaría la producción masiva de contenido orientada a obtener posiciones en los resultados de búsqueda. El criterio, sin embargo, no es la herramienta de producción, sino el beneficio real que obtiene el lector. Un mismo borrador de IA deja de ser slop cuando el responsable añade cifras de campo, contraejemplos y las condiciones en que no funciona; si se publica sin pulir, sí lo es.
El malentendido más común es creer que basta con retocar el estilo para que no se note que el texto es de IA. Eso no es revisión, se parece más a un disfraz. Los problemas reales aparecen primero dentro de la empresa, antes que en el ranking de búsqueda. Por ejemplo, un cliente cita y pregunta por una especificación errónea de un blog técnico publicado sin revisión, y ventas pasa días aclarándolo. La publicación sin responsable se acumula durante meses, y entonces nadie distingue qué artículos están verificados; al final, revisar todo uno por uno o retirarlo todo cuesta mucho más que lo que costó producirlo. Cuanto más tarde se decide reducir la cantidad, más alta será la factura.
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría. Instructor John Kim
Junyoung NohAnalista de tendencias de consumo y generaciones, y especialista en marketing de contenidos con IAAlrededor de 2024, cuando el contenido generado por IA inundaba internet, se extendió como neologismo de internet para ironizar sobre los resultados de IA de baja calidad.
Veamos un caso hipotético. La empresa A, fabricante de válvulas industriales con 120 colaboradores, publicó durante seis meses, de forma automática y con IA, 400 artículos de blog al mes. El número de visitantes se triplicó, pero las consultas de cotización bajaron de 12 a 7 al mes. Como el equipo de marketing era de solo 3 personas, en la práctica nadie leyó de principio a fin los artículos publicados.
- El problema salió a la luz cuando el director ejecutivo Lee, de la división de ventas, señaló en la reunión semanal: «Un cliente leyó el blog y preguntó por la cifra de presión interna de diseño, pero ese número directamente no existe en nuestro producto».
- Al revisar una muestra de 60 artículos de los últimos tres meses, el jefe de equipo Kim, del área de marketing, encontró 14 con especificaciones o normas incorrectas y 22 con contenido repetido respecto de textos anteriores.
- El equipo redujo la publicación de 400 a 40 artículos al mes y asignó a un ingeniero como responsable de revisión en cada artículo, con su nombre y la fecha de revisión al pie.
- La IA solo se usó para redactar borradores y ordenar materiales. Se estableció la regla de que un caso real de instalación en campo y una línea con las condiciones en que no aplica debían completarlos siempre los responsables directamente.
- Cuatro meses después, el tiempo promedio de permanencia pasó de 38 segundos a 2 minutos y 10 segundos, las consultas de cotización se recuperaron de 7 a 29 al mes, y las solicitudes de corrección de clientes por errores de especificaciones llegaron a cero.