Anti AI Slop: un método editorial para publicar menos basura y más evidencia

AI slop no significa “todo lo hecho con IA”

Un artículo puede verse terminado y todavía no estar listo. Puede tener un título seguro, subtítulos ordenados y una conclusión optimista, pero no ayudar a decidir nada. AI slop es una etiqueta informal para ese resultado de apariencia convincente y utilidad débil. No significa que todo contenido hecho con IA sea basura ni que un texto humano sea automáticamente bueno.

La revisión debe separar tres preguntas. ¿La afirmación es verdadera y está respaldada? ¿La explicación ayuda al lector a actuar? ¿La pieza aporta algo reconocible en lugar de recombinar frases disponibles? Una respuesta negativa en cualquiera de esas capas exige corregir o retirar el pasaje.

Por eso Anti AI Slop no es un detector de estilo. Es una puerta de control editorial. El equipo registra lo que afirma, cómo lo sabe, quién lo revisó y qué versión exacta puede publicarse. La IA puede investigar, estructurar y proponer. La responsabilidad de publicar sigue siendo humana y organizacional.

Qué demuestra Antislop y qué no demuestra

El trabajo Antislop presentado en ICLR 2026 estudia patrones estilísticos repetitivos en modelos de lenguaje. Su propuesta combina un sampler que puede retroceder cuando detecta una expresión no deseada con un proceso de ajuste llamado Feature-level Training-time Preference Optimization. En sus evaluaciones, los autores informan una reducción de hasta 90 % en los patrones de slop estudiados sin una caída apreciable de capacidades generales.

El alcance importa. Ese 90 % no significa que el sistema elimine 90 % de las falsedades, que mejore cualquier texto en la misma proporción ni que detecte toda forma de contenido mediocre. Mide la reducción de rasgos definidos dentro de un conjunto de evaluación. La investigación aporta mecanismos útiles para controlar hábitos de generación, no una garantía universal de verdad o calidad.

La lección editorial es concreta: un filtro puede reducir patrones conocidos, pero no inventa una tesis, no verifica una fuente y no conoce el costo de publicar un error. Sirve como una barrera dentro de un sistema mayor.

La coherencia también se audita

Una fuente puede existir y aun así estar mal usada. SciSlop, un trabajo preliminar publicado en arXiv en octubre de 2026, analiza 390 pares de artículos científicos y sus registros de revisión. Su propuesta, SciSlopHarness, relaciona cambios del texto con comentarios y decisiones de revisión para estudiar señales de slop con contexto.

No corresponde extrapolar sus resultados a todo internet. Sí permite rescatar una idea operativa: evaluar una afirmación aislada no basta. Hay que comprobar si la fuente respalda exactamente lo que se escribió, si el alcance se conservó y si una corrección resolvió la objeción original.

En una redacción, eso se traduce en un registro de afirmaciones. Cada claim crítico conserva su fuente, fecha de consulta, fragmento o dato pertinente, nivel de certeza y estado de revisión. Cuando el texto cambia, la evidencia se vuelve a contrastar. La bibliografía deja de ser decoración al final del artículo y pasa a ser parte del control de calidad.

Cómo leer una cifra sin deformarla

LinkedIn informó en septiembre de 2026 que había reducido en 40 % las visualizaciones de contenido clasificado por sus sistemas como AI slop. La noticia no dice que todo contenido asistido por IA perdiera 40 % de alcance. Tampoco demuestra que usar una herramienta específica provoque una penalización automática.

La versión responsable conserva cuatro elementos: quién midió, qué clasificó, cuál fue la métrica y en qué periodo se comunicó. La versión slop convierte un dato acotado en una amenaza universal porque el titular resulta más llamativo.

Este ejemplo muestra por qué la exactitud editorial no consiste sólo en enlazar una URL. El claim debe mantener el significado de la fuente. Si el título afirma más que el documento citado, la presencia del enlace no corrige el problema.

Empieza por la decisión, no por el prompt

Antes de pedir un borrador, define la decisión que la pieza debe habilitar. Un lector puede necesitar elegir una política editorial, diseñar una revisión o decidir si un resultado es publicable. Ese objetivo determina qué evidencia hace falta y qué información sobra.

El registro mínimo de una afirmación contiene: identificador, texto normalizado, sección, tipo de claim, fuente primaria, fecha de consulta, alcance, responsable y estado. Los estados pueden ser PROPUESTO, RESPALDADO, CUESTIONADO o RETIRADO. Una cifra sin denominador o una recomendación sin contexto no avanza por entusiasmo.

Este registro también expone dónde la IA está infiriendo. La inferencia puede ser valiosa, pero debe presentarse como interpretación y no como una frase atribuida a la fuente. Separar dato, inferencia y opinión reduce el error sin volver ilegible el artículo.

Un flujo Anti AI Slop en siete pasos

1. Escribe un brief con lector, decisión, contribución original y riesgo de daño.
2. Crea el registro de claims antes del primer borrador.
3. Prioriza fuentes primarias y anota la fecha de consulta.
4. Redacta en borrador y marca las inferencias con claridad.
5. Ejecuta controles deterministas: enlaces, fechas, nombres, cifras, metadatos y estructura.
6. Usa evaluadores de modelo para criterios semánticos, con ejemplos de aprobación y rechazo.
7. Entrega a una persona la revisión de utilidad, exactitud, tono y consecuencias.
8. Congela la versión, calcula su hash y aprueba ese paquete exacto.
9. Publica con una identidad técnica de alcance mínimo y verifica el resultado remoto.

Anthropic recomienda combinar evaluadores basados en código, modelos y personas según el tipo de conducta que se quiere medir. En investigación, sus ejemplos incluyen groundedness y calidad de las fuentes. La idea no es reemplazar al editor con otra respuesta de IA. Es asignar cada comprobación al mecanismo que puede observarla mejor.

Los roles también deben separarse. Investigar no requiere credenciales de WordPress. Aprobar no debería publicar. El publicador recibe un paquete ya aprobado, una autorización de un solo uso y el mínimo permiso necesario.

Una afirmación recorre fuente primaria, pasaje pertinente, alcance y juicio editorial; una afirmación sin respaldo queda bloqueada.

El aporte reconocible y la versión exacta

Google recomienda contenido creado principalmente para ayudar a personas y pregunta si la página ofrece información, investigación, análisis o experiencia original. Su orientación sobre IA no prohíbe la automatización. Advierte contra generar muchas páginas sin valor añadido y contra el abuso de contenido escalado.

La pregunta útil no es si el texto parece humano. Es si existe una razón para publicarlo. Una pieza puede resumir investigación, pero necesita una contribución reconocible: un método, una comparación, una decisión o una experiencia verificable. Sin ese aporte, cambiar el tono sólo disimula la ausencia de valor.

Cuando el paquete está listo, el equipo aprueba una versión exacta. Texto, enlaces, imágenes, etiquetas, extracto y metadatos forman parte de la promesa editorial. Si cualquiera cambia, cambia el hash y la aprobación anterior deja de cubrir el resultado. Esta regla evita que una corrección pequeña esconda una alteración importante.

La puerta de calidad antes de publicar

Una evaluación sirve sólo si distingue resultados buenos de malos. Construye un conjunto pequeño con artículos aceptables y errores sembrados: una cifra inflada, una fuente secundaria innecesaria, un enlace que no respalda el claim, una inferencia presentada como hecho y un párrafo correcto pero inútil.

Mide tres cosas. Cuántos errores reales detecta la puerta, cuántos pasajes válidos bloquea y cuánto tiempo agrega al flujo. Un evaluador que rechaza todo parece estricto, pero no ayuda. Uno que aprueba prosa fluida sin comprobar evidencia sólo automatiza la complacencia.

Revisa además la experiencia publicada: imágenes cargadas, textos alternativos, jerarquía de encabezados, enlaces, móvil, extracto, etiquetas y portada. No declares listo porque el proceso local terminó. La entrega existe cuando el resultado remoto coincide con la versión autorizada.

Casos editoriales pasan por comprobaciones deterministas, evaluación asistida y calibración humana para terminar aprobados, bloqueados o pendientes.

SEO y distribución sin fabricar volumen

La política de Google no convierte la asistencia de IA en una infracción automática. El riesgo aparece cuando la automatización se usa para manipular resultados, producir páginas a escala sin valor o imitar autoridad que no existe. Transparencia, autoría y método ayudan, pero no rescatan una pieza vacía.

La distribución también debe partir de la versión aprobada. Un carrusel, un correo o una publicación en LinkedIn puede resumir el artículo, pero no exagerar sus conclusiones. La cifra del 40 %, por ejemplo, debe conservar su sujeto y su contexto aunque el formato sea breve.

Publicar menos puede ser una ventaja. Tres piezas con evidencia, imágenes pertinentes y una posición editorial clara construyen más confianza que treinta variaciones de la misma lista de consejos.

Un piloto Anti AI Slop para Doctrina Digital

Empieza con una sola pieza. Define el brief y los claims críticos. Asocia cada claim con una fuente primaria y registra las inferencias. Prepara portada, imágenes internas, extracto y etiquetas antes de congelar la versión. Después ejecuta una revisión editorial con ejemplos de error conocidos.

La aprobación debe nombrar la versión y el hash. La publicación usa una autorización de una sola vez, comprueba el estado remoto esperado y conserva evidencia del resultado. Si la respuesta de WordPress es ambigua, el flujo se detiene y reconcilia. No intenta de nuevo a ciegas, porque un reintento podría duplicar o sobrescribir una publicación que sí ocurrió.

Ese circuito no promete perfección. Hace algo más útil: convierte la calidad en un proceso observable, permite aprender de cada fallo y mantiene la velocidad sin entregar las llaves de producción al mismo agente que redacta.