23/01/2026
Los LLM y la Doom Spiral (y eventual maltratada y el inicio de la rebelión de las máquinas jajaja)
Empiezas con un prompt simple en una IA, no sale lo que quieres. Iteras: agregas detalles, corriges, pruebas variaciones... y entras en esa "Doom Spiral" de prompts infinitos, frustrado porque el LLM no capta tu idea precisa.
No es solo culpa tuya. Los LLM son modelos estadísticos que generan outputs basados en distribuciones de probabilidad sobre sus datos de entrenamiento. Siempre tienden al centro de la curva de la distribución de probabilidad (el caso más probable y común), no a las colas extremas.
Imagina una distribución normal (gaussiana): la "banda central" (media ± 1-2 desviaciones estándar) concentra ~95% de la masa probabilística. Ahí está el "promedio" de lo que el LLM ha visto en internet o en la base de entrenamiento.
Si pides algo en las colas (raro, innovador), o un proyecto muy específico, el LLM lucha por salir de esa banda. Es genial como colector del "sentido común" (el consenso estadístico sobre temas), pero flojo en los edge cases sino tiene guia extrema o detalle adicional que le ayude a salir de la banda central.
Ejemplo: le pides “una copa de vino llena hasta el borde, a punto de desbordarse”. Te da una copa a ~60-70% llena. ¿Por qué? En la distribución de imágenes en la web, el promedio muestra copas medio llenas (fotos estéticas, restaurantes, etc). Las llenas al tope tienen probabilidad baja → el LLM tiende al centro.
Otro caso: “un reloj de agujas mostrando exactamente las 7:40”. Sale con agujas en 10:10 o 12:15 (estándar de marketing). ¿Por qué? La mayoría de fotos en internet son de catálogos, donde las agujas están fijas en esa pose simétrica para mostrar el logo. Baja probabilidad para posiciones arbitrarias → de nuevo, el modelo tiende a la banda central de la funcion de probabilidad.
Moraleja: Los LLM brillan en el bulk de la distribución (lo común, el "sentido común" colectivo). En colas (innovación, casos especiales), es necesario utilizar chains of thought, few-shot prompting o fine-tuning para "empujarlos" fuera de la banda central. El juicio humano sigue siendo clave.
Es importante saber que se quiere, pero tambien entender que es lo que el LLM sabe, y asi en conjunto quizás llegar a un resultado, de lo contrario, la probabilidad de entrar en la Doom Spiral es muy alta.
¿Se imaginan ese software generado por programadores que no entienden estos criterios?, Más que nunca sigue siendo muy importante el análisis del problema y saber que se quiere, la implementación sigue siendo la parte trivial.
