Última actualización: 28 de agosto de 2026
Esta semana el debate sobre escribir con IA ha salido de los foros técnicos y ha llegado a la portada del Wall Street Journal. El caso es incómodo y muy útil para cualquier empresa: no se discute si vale la pena usar IA para redactar, sino qué pasa cuando el lector se da cuenta. Aquí van las reglas que aplicamos con nuestros clientes.
¿Qué pasó exactamente con el artículo del Wall Street Journal?
El 24 de agosto el Wall Street Journal publicó una tribuna del inversor Stanley Druckenmiller, titulada Let the Bond Market Speak, criticando las intervenciones del secretario del Tesoro Scott Bessent en el mercado de bonos. Al día siguiente, la herramienta de detección Pangram señaló que el texto había sido escrito con inteligencia artificial. Druckenmiller no lo negó: dijo que por supuesto había usado IA y que no le avergonzaba.
El Wall Street Journal respondió el 25 de agosto que la tribuna no incumplía sus normas editoriales. Y ahí está lo interesante. Nadie infringió ninguna regla. Aun así, la conversación durante los tres días siguientes no fue sobre los bonos del Tesoro: fue sobre el autor. El argumento quedó tapado por la herramienta.
Semafor publicó el 26 de agosto un dato que ordena el fenómeno: en el último mes, 10 de 310 tribunas enviadas a tres grandes cabeceras fueron marcadas por Pangram como al menos un 80 % generadas por IA. Es una minoría, pero ya no es una anécdota.
¿Por qué el problema no es usar IA, sino usarla sin criterio?
Porque el lector no penaliza la herramienta, penaliza la ausencia de pensamiento. Un texto delata que nadie se ha detenido a pensar cuando no contiene ninguna decisión difícil: ni una cifra propia, ni una opinión que pueda molestar a alguien, ni un ejemplo que solo conozca quien ha estado dentro del negocio.
En una pyme esto pesa más que en un periódico. Un despacho, una ingeniería o una consultora venden criterio. Si la propuesta comercial, la newsletter o el artículo de LinkedIn suenan exactamente igual que los de los otros cuatro competidores, el cliente concluye lo lógico: que da igual con quién trabaje. La IA no ha creado ese riesgo, lo ha abaratado y multiplicado.
Lo hemos visto en proyectos de contenidos: el equipo pasa de publicar dos artículos al mes a ocho, y las visitas suben, pero las peticiones de reunión no se mueven. El volumen creció y la voz se diluyó.
¿Cómo distingue un lector un texto con criterio de uno hecho en piloto automático?
Por tres señales, y ninguna tiene que ver con el estilo. La primera es la especificidad: nombres, cifras, plazos y sectores concretos frente a generalidades. La segunda es la postura: el texto dice qué haría y qué no haría, en lugar de listar ventajas e inconvenientes y dejar la decisión al lector. La tercera es el coste: se nota cuando alguien ha renunciado a algo, por ejemplo a un cliente potencial que no encaja, para poder afirmar algo con claridad.
Un modelo de lenguaje produce prosa correcta a la primera. Lo que no produce es lo que tu empresa sabe y los demás no.
¿Qué cinco reglas debería fijar tu empresa antes de publicar nada escrito con IA?
Estas son las que recomendamos implantar por escrito, en una página, y compartir con todo el que redacte algo que salga de la empresa:
- La tesis la pone una persona. Antes de abrir ninguna herramienta, alguien escribe en una frase qué se quiere defender y por qué. Si esa frase no existe, no hay texto, hay relleno.
- Los datos propios son obligatorios. Cada pieza debe incluir al menos un dato, caso o detalle que solo pueda aportar tu empresa. Si no lo hay, se busca antes de escribir, no después.
- Quien firma, revisa y responde. La persona que aparece como autora lee el texto entero y se hace responsable de cada afirmación, igual que si lo hubiera tecleado.
- La IA no toma decisiones de negocio. Precios, compromisos con clientes, plazos y posiciones públicas de la empresa no se delegan a un modelo, ni siquiera en borrador.
- Transparencia interna, naturalidad externa. Dentro del equipo se sabe qué se ha hecho con IA y qué no. Fuera no hace falta un aviso legal en cada correo, pero tampoco se miente si alguien pregunta.
¿Qué textos conviene delegar a la IA y cuáles no?
No todo el contenido corre el mismo riesgo. Esta tabla es el reparto que usamos como punto de partida en las formaciones:
| Tipo de texto | Papel de la IA | Riesgo si se automatiza del todo |
|---|---|---|
| Actas y resúmenes de reuniones | Redacción completa | Bajo |
| Descripciones de producto y fichas técnicas | Primer borrador y homogeneización | Bajo |
| Respuestas frecuentes de atención al cliente | Borrador con revisión humana | Medio |
| Newsletter y artículos de blog | Estructura y edición, tesis humana | Alto |
| Propuestas comerciales | Formato y apoyo, argumentos humanos | Alto |
| Posiciones públicas y comunicación de crisis | Ninguno | Muy alto |
La regla práctica: cuanto más se parezca el texto a una promesa que la empresa tendrá que cumplir, menos margen tiene la automatización.
¿Por dónde empezar la semana del 31 de agosto?
Tres acciones que caben en una mañana y no requieren comprar nada:
- Haz un inventario de lo que ya sale con IA. Pregunta al equipo, sin tono de auditoría, qué textos se están redactando con asistencia. Casi siempre son más de los que dirección cree.
- Escribe las cinco reglas en una página y compártela. Una política corta que la gente lee vale más que un manual de veinte páginas que nadie abre. Puedes partir de las cinco de arriba y adaptarlas a tu sector.
- Elige una pieza reciente y reescríbela con la regla del dato propio. Compara las dos versiones en equipo. Es el ejercicio que más rápido cambia la manera de trabajar, porque la diferencia se ve sin necesidad de explicarla.
Si en tu empresa ya se publica con IA pero nadie ha fijado dónde está el límite, el paso siguiente no es prohibir nada: es dar al equipo un criterio compartido. Eso es exactamente lo que trabajamos en la formación en IA a medida para equipos, y lo hemos detallado en nuestra guía sobre cómo formar a los equipos de una empresa en IA. Si además quieres ver qué otras tareas de tu operativa admiten esta misma lógica de reparto, tenemos recogidos varios casos de uso reales de IA generativa con retorno medible.
El caso Druckenmiller deja una lección barata para quien quiera aprovecharla: la herramienta no era el problema, la falta de huella propia sí. Si quieres que revisemos cómo escribe tu equipo y dónde conviene poner los límites, reserva 30 minutos con nosotros y lo vemos con tus textos reales delante.