La reciente investigación publicada en arXiv (2607.18476v1) revela un fenómeno que sacude los cimientos de cómo entendemos los modelos de lenguaje: cuando se les pide que respondan en formato estructurado, como JSON, la diversidad de sus respuestas se desploma. En un experimento que replicó el 'One-Word Census' sobre 44 modelos, se observó que la simple instrucción 'Reply with JSON only' basta para que las respuestas se vuelvan mucho más homogéneas. La respuesta modal pasa del 41% al 64% del conjunto, las respuestas distintas caen de 52 a 36, y la sorpresa media de elección se reduce de 1.80 a 1.58 bits. Este efecto no es marginal: seis modelos se desplazan individualmente hacia la moda, mientras que los modelos más conformistas permanecen inmóviles. Es un afilador, no un reindexador: la respuesta modal del chat plano sobrevive en 28 de 31 categorías.
El estudio revela además que el colapso no proviene del decodificador que fuerza un esquema (como response_format), sino de la respuesta del modelo al propio registro lingüístico. Es decir, los modelos aprenden a comportarse de manera diferente según el formato de salida que se les pide. Cuando se les solicita JSON, su comportamiento se vuelve más predecible y menos diverso, como si hubieran sido entrenados para hablar un dialecto más estandarizado. Esto tiene consecuencias prácticas inmensas para empresas que integran modelos de lenguaje en sus sistemas: la superficie de consumo de software (salida estructurada) es significativamente más homogénea que la superficie de chat donde se evalúan y comparan los modelos.
Para las organizaciones que desarrollan aplicaciones a medida con inteligencia artificial, este hallazgo implica que deben considerar cuidadosamente qué formato de salida utilizan. Si buscan respuestas creativas o diversas, el formato JSON puede estar suprimiendo precisamente la variedad que necesitan. Por el contrario, si lo que se desea es consistencia y estandarización, el JSON es el mejor aliado. En Q2BSTUDIO, como empresa especializada en desarrollo de software y tecnología, sabemos que la elección del formato de respuesta es una decisión técnica crucial que afecta el rendimiento de los sistemas de IA. Por eso, al diseñar soluciones de IA para nuestros clientes, evaluamos el contexto de uso: desde agentes conversacionales hasta asistentes virtuales que requieren respuestas estructuradas para alimentar procesos automatizados.
La investigación también muestra un gradiente de registro: la compresión es significativa y específica para los formatos de entrega de respuestas que los modelos han sido entrenados para hablar (JSON -0.22 bits, XML -0.19 bits), ausente para YAML y CSV, y se invierte para un envoltorio arbitrario de corchetes (+0.13 bits). Esto sugiere que el fenómeno está ligado al post-entrenamiento de herramientas (tool-use). Cuando una empresa integra modelos de lenguaje en su infraestructura cloud, ya sea en cloud AWS/Azure, debe tener en cuenta que la salida estructurada no solo es un requisito técnico, sino que modifica el comportamiento del modelo. Si se necesita diversidad para generación de ideas o brainstorming, quizás sea mejor usar un formato más libre y luego estructurar la respuesta posteriormente.
Otro aspecto relevante es la seguridad. En el ámbito de la ciberseguridad, donde a menudo se usan modelos de lenguaje para detectar patrones anómalos o generar informes, la homogeneidad inducida por el JSON podría reducir la capacidad de detectar valores atípicos o respuestas inesperadas. Un modelo que siempre responde de manera similar podría pasar por alto señales de alerta raras. Por eso, en Q2BSTUDIO diseñamos sistemas que combinan inteligencia artificial con reglas de negocio específicas, asegurando que la diversidad natural del modelo no se pierda cuando es necesaria.
La investigación también tiene implicaciones para las herramientas de Business Intelligence. Cuando se usan modelos para generar consultas SQL o informes en BI/Power BI, la salida estructurada es esencial. Sin embargo, el estudio muestra que forzar un esquema (response_format) no comprime más allá de la simple petición (-0.03 bits), lo que indica que el colapso reside en la respuesta del modelo al registro, no en el decodificador. Esto sugiere que las empresas pueden obtener respuestas consistentes simplemente pidiendo JSON, sin necesidad de imponer esquemas rígidos, lo que simplifica la integración.
En el contexto de los agentes IA, donde la capacidad de elegir entre múltiples respuestas válidas es crucial, este fenómeno puede ser un arma de doble filo. Por un lado, la homogeneidad puede hacer que los agentes tomen decisiones más predecibles y seguras. Por otro, puede limitar su capacidad de explorar opciones novedosas. En Q2BSTUDIO desarrollamos agentes de IA que equilibran la exploración y la explotación, utilizando técnicas como el muestreo de temperatura y la diversificación de prompts para contrarrestar el efecto homogeneizador del JSON cuando es necesario.
El artículo original de arXiv destaca que el efecto es progresivo: los modelos más distintivos se mueven hacia la moda, mientras que el piso conformista permanece inmóvil. Esto recuerda a la 'paradoja de la diversidad' en los sistemas de aprendizaje automático: cuánto más se estandarizan las interfaces, más se pierde la riqueza de los modelos. Para las empresas que buscan aplicaciones a medida con IA, la lección es clara: no todos los formatos de salida son equivalentes. La elección del formato debe hacerse con conocimiento de causa, considerando tanto los requisitos técnicos como el impacto en el comportamiento del modelo.
En conclusión, la investigación sobre el colapso de la diversidad con salida estructurada es un recordatorio de que los modelos de lenguaje son sensibles al contexto de interacción. La superficie de consumo de software no es neutral; moldea las respuestas del modelo. Para las empresas que integran IA en sus procesos, entender este fenómeno es clave para diseñar sistemas robustos, versátiles y adaptados a sus necesidades. En Q2BSTUDIO, como partner tecnológico, ayudamos a nuestros clientes a navegar estas complejidades, ofreciendo soluciones que van desde la implementación en cloud hasta la creación de agentes inteligentes, siempre con un enfoque centrado en el valor del negocio.
