Los mismos laboratorios que construyeron las herramientas para generar contenido a escala están pagando dinero real por algo muy distinto: paletas enteras de libros impresos anteriores a 2022, comprados a través de intermediarios como ISBNdb. El argumento comercial detrás de esa compra es directo —«los mejores datos de entrenamiento del mundo están sentados en una estantería»— y la razón de fondo es una ironia difícil de ignorar: esos libros son valiosos precisamente porque se escribieron antes de que existiera el contenido generado por máquinas, es decir, están libres de lo que la industria ya llama «AI slop».
El problema de entrenar una IA con contenido de otra IA
El riesgo que estos laboratorios intentan evitar es el de la degeneración del corpus: si un modelo aprende de las salidas de otro modelo, los errores y sesgos se perpetúan y se amplifican en cada ciclo. Por eso el contenido masivo generado por IA falla dos veces de cara a entrenar a la próxima generación de modelos: primero, tiende a filtrarse activamente de los datos de entrenamiento; segundo, incluso si entrara, que un modelo «conozca» un dato no significa que lo recuerde cuando alguien le pregunta.
Ahí está el hallazgo más incisivo de todo esto, citado de una investigación de Google Research presentada en ICML 2026: sobre 13 modelos y más de 4 millones de respuestas evaluadas, los modelos más avanzados tenían codificado entre el 95% y el 98% de los hechos consultados, pero fallaban en recordarlos directamente entre un 25% y un 33% de las veces. Estar presente en los datos de entrenamiento es casi gratis; que el modelo te recuerde sin ayuda de contexto es otra cosa, y requiere prominencia real.
Lo que esto significa para el SEO/GEO en la práctica
Un estudio independiente de geoSurge (julio de 2026), sobre 66 prompts típicos de comprador y unas 4.000 respuestas de modelo, aterriza la idea con un número concreto: las marcas que están entre las 10 primeras en la memoria de un modelo aparecieron nombradas en consultas de búsqueda a una tasa 3,2 veces mayor que las marcas que el modelo no tenía memorizadas —55,7% frente a 17,4%—. Cuando el modelo sí nombraba una marca, en el 63% de los casos era una de las cinco primeras de su memoria. La conclusión que se saca de ahí es incomoda para cualquiera que apueste todo a producir volumen: cuanto más sabe un modelo, menos necesita salir a buscar, y la visibilidad en sus respuestas se parece más a un alquiler que se renegocia en cada consulta que a una posición ganada de forma permanente.
El marcado de agua no es la solución mágica que parece
La otra pieza de esta historia es el intento de marcar (watermarking) el texto generado por IA para poder distinguirlo después. Google DeepMind tiene SynthID, cuya propia documentación admite que la confianza de detección cae cuando el texto se reescribe o se traduce, y que el código público «no está pensado para producción». Anthropic incorporó su propia marca a nivel de modelo en Claude desde agosto de 2026, aplicada en toda su API y sus apps —pero incluso esa marca solo certifica que el texto pasó por Claude en algún momento, no quién lo escribió ni si un humano lo editó después. A los pocos días de anunciarse, ya había en GitHub una herramienta para intentar quitarla mediante reescritura con otro modelo, con un README que admite con honestidad que, mientras los fabricantes no publiquen detectores públicos, ninguna herramienta puede certificar de verdad que la marca desapareció.
Para colmo, el Reglamento de IA de la Unión Europea (artículo 50, en vigor desde el 2 de agosto) exige marcar de forma legible por máquina el contenido sintético generado por IA —una norma que aplica de lleno a España como estado miembro—, pero con una excepción relevante: el contenido sobre asuntos de interés público queda fuera si un humano asume responsabilidad editorial sobre él. Es justo la responsabilidad que las operaciones de contenido puramente a escala evitan por diseño.
La lectura práctica para cualquier agencia o tienda en España o LATAM que esté decidiendo cuánto invertir en producir contenido masivo con IA sin supervisión humana real es sencilla: los propios laboratorios que venden esas herramientas están pagando por evitar sus resultados a la hora de entrenar, y la investigación disponible sugiere que la visibilidad que se compra así es prestada, no propia.
Fuente: Search Engine Journal (EN) — The House Doesn’t Publish Its Tells.