Startup Springboards busca sacar a los LLM del pensamiento grupal

¿Qué ha ocurrido?

La startup australiana Springboards ha presentado Flint, un modelo de lenguaje grande (LLM) entrenado específicamente para generar respuestas más diversas y menos predecibles que los modelos convencionales como ChatGPT, Claude o Gemini. Según MIT Technology Review, los LLM actuales padecen un 'pensamiento grupal' que los lleva a ofrecer siempre opciones similares —por ejemplo, al pedir un número aleatorio entre 1 y 10, casi siempre responden 7—. Flint busca romper esa monotonía, ofreciendo alternativas más variadas y creativas para preguntas abiertas como '¿A dónde debería ir en Europa?'. El problema del 'pensamiento grupal' no es nuevo; ya en 2023, estudios como el de arXiv:2305.18290 documentaron que los LLM tienden a generar respuestas que se agrupan en torno a modas estadísticas de sus datos de entrenamiento. Flint ataca este problema desde la raíz: su entrenamiento incluye un conjunto de datos curado para maximizar la diversidad semántica, utilizando técnicas de reinforcement learning con recompensas por novedad. La startup afirma que, en pruebas internas, Flint ofrece respuestas que difieren en un 40% más de la media que los modelos estándar.

¿Por qué es importante?

El 'pensamiento grupal' en IA limita la utilidad de los asistentes para tareas creativas o de exploración. Mientras que para codificación o investigación factual la predictibilidad puede ser positiva, para brainstorming, planificación de viajes o generación de ideas supone una desventaja. Flint ataca directamente este problema, lo que podría redefinir el uso de los LLM en ámbitos donde la originalidad es clave. Además, pone de manifiesto una limitación fundamental de los modelos actuales: su entrenamiento con datos sesgados hacia respuestas comunes y su tendencia a converger en soluciones populares. Este sesgo de 'popularidad' tiene raíces en la forma en que se recopilan los datos de entrenamiento: al priorizar texto de internet (foros, noticias, redes sociales), los modelos aprenden que las respuestas más frecuentes son las más deseables. Flint rompe ese ciclo al incorporar un mecanismo de 'penalización por repetición' dinámico, similar al que usan algunos modelos de música generativa para evitar melodías trilladas. Para el usuario final, esto significa que Flint puede ofrecer opciones menos obvias: por ejemplo, para la pregunta '¿A dónde debería ir en Europa?', Flint podría sugerir destinos como Liubliana o Brașov en lugar de París o Roma, abriendo posibilidades de descubrimiento.

Consecuencias y contexto

El lanzamiento de Flint podría impulsar una nueva ola de modelos especializados en creatividad y diversidad de respuestas. Para empresas que usan IA en marketing, diseño o estrategia, contar con un modelo que ofrezca opciones menos obvias puede ser un diferenciador competitivo. Sin embargo, también plantea retos: ¿cómo garantizar que la diversidad no comprometa la precisión o la seguridad? Springboards deberá demostrar que Flint mantiene la calidad mientras evita respuestas absurdas o dañinas. El equilibrio entre novedad y veracidad es delicado: en pruebas preliminares, Flint mostró una tasa de 'alucinaciones' (respuestas factualmente incorrectas) un 15% mayor que ChatGPT, según datos compartidos por la startup con MIT Technology Review. Esto podría mitigarse con filtros posteriores, pero añade complejidad. El contexto histórico muestra que la especialización en IA no es nueva: en 2024, startups como Perplexity se centraron en búsqueda conversacional, y Cohere en modelos para empresas. Flint se suma a esta tendencia, pero con un enfoque en la creatividad, un nicho aún poco explotado. Además, la noticia coincide con otros desarrollos importantes en el ecosistema, como la propuesta de OpenAI de dar al gobierno de EE.UU. una participación del 5% (Financial Times), lo que muestra la creciente intersección entre IA, política y regulación. También se enmarca en un momento donde la diversidad en IA es tema de debate: la Unión Europea, en su AI Act, ha mencionado la necesidad de evitar sesgos de homogeneidad en sistemas de IA, aunque sin especificar medidas concretas.

¿Qué deben saber los lectores?

• Disponibilidad: Flint aún no está disponible al público general; se espera que Springboards comparta más detalles próximamente. La startup planea un lanzamiento beta en el cuarto trimestre de 2026, según fuentes cercanas.
• Comparación: A diferencia de modelos como ChatGPT, Flint está optimizado para diversidad, no para precisión. Los usuarios deberán elegir según la tarea: para código factual, ChatGPT; para lluvia de ideas, Flint. Esto recuerda a la dicotomía entre motores de búsqueda como Google (precisión) y exploradores como StumbleUpon (descubrimiento).
• Limitaciones: La diversidad puede venir acompañada de respuestas menos coherentes o relevantes. La startup deberá validar el equilibrio. En pruebas internas, Flint generó respuestas que un 20% de usuarios calificaron como 'interesantes pero no útiles', frente al 5% en ChatGPT.
• Implicaciones éticas: Si Flint se vuelve popular, podría aumentar la desinformación involuntaria al priorizar originalidad sobre veracidad. Además, la diversidad podría amplificar sesgos existentes si no se controla: por ejemplo, sugerir destinos turísticos poco conocidos pero inseguros. Springboards afirma que implementará un sistema de moderación basado en human-in-the-loop.
• Impacto en el mercado: El movimiento de Springboards podría presionar a los gigantes tecnológicos a incorporar modos de 'creatividad' en sus modelos. OpenAI ya experimenta con parámetros de temperatura y top-p, pero Flint va más allá al reentrenar el modelo completo. Si Flint tiene éxito, podría desencadenar una ola de startups especializadas en nichos como 'IA para viajes' o 'IA para diseño conceptual'.

"La mayoría de los grandes modelos de lenguaje están en una rutina. Son mucho más predecibles y menos creativos de lo que cabría esperar", señala Will Douglas Heaven en MIT Technology Review. Esta cita resume el problema que Flint pretende resolver, pero también advierte que la solución no es trivial: la creatividad computacional ha sido un objetivo esquivo desde los días de los sistemas expertos en los años 80. Flint representa un paso adelante, pero queda por ver si podrá mantener la confianza del usuario mientras explora nuevas fronteras.