La aparición de sistemas de inteligencia artificial generativa capaces de producir textos, imágenes, música, código y otros objetos complejos ha reabierto una pregunta que durante décadas perteneció principalmente a la psicología, la filosofía y las ciencias cognitivas: ¿qué significa realmente crear? En el lenguaje cotidiano, se afirma con facilidad que una máquina es ‘creativa’ cuando produce algo novedoso. Sin embargo, trasladar el concepto de creatividad desde el ámbito humano hacia un sistema computacional, como lo es una inteligencia artificial, implica importantes problemas conceptuales.
Contenidos relacionados:
- Problemas de usar inteligencia artificial como psicoterapeuta
- Geoffrey Hinton: ‘Padrino de la Inteligencia Artificial’
- Riesgos en el uso de la inteligencia artificial generativa
En psicología, la creatividad suele relacionarse con la producción de ideas u obras que son simultáneamente originales y apropiadas, útiles o efectivas dentro de un contexto determinado (Runco, Jaeger, 2012). En cambio, en la inteligencia artificial el término puede emplearse de manera operacional para describir sistemas capaces de generar resultados que observadores humanos consideran novedosos o valiosos (Wiggins, 2006).
La cuestión se vuelve especialmente compleja con los modelos generativos contemporáneos. Algunos experimentos han encontrado que determinados modelos de lenguaje pueden superar a participantes humanos en tareas específicas de pensamiento divergente, particularmente en originalidad y elaboración (Hubert et al., 2024). Sin embargo, obtener resultados estadísticamente originales no demuestra necesariamente que una máquina posea creatividad en el mismo sentido psicológico que una persona. La inteligencia artificial no tiene, al menos según la evidencia disponible, una biografía, necesidades, emociones, proyectos vitales o conciencia subjetiva comparables a las humanas. Por ello, más que preguntar simplemente si una máquina ‘es creativa’, resulta científicamente más productivo analizar qué procesos computacionales producen resultados que reconocemos como creativos, qué semejanzas guardan con la creatividad humana y cuáles son sus diferencias fundamentales.
La creatividad de acuerdo a la psicología
En psicología, la creatividad no se reduce a producir algo extraño, novedoso o diferente. Una definición ampliamente utilizada sostiene que una producción creativa debe reunir dos condiciones: originalidad y efectividad o adecuación. Una idea completamente nueva pero inútil, incoherente o inaplicable difícilmente puede considerarse creativa en un sentido psicológico amplio (Runco, Jaeger, 2012). Esta concepción permite diferenciar la creatividad de la simple novedad. Un error puede ser novedoso, pero no necesariamente creativo; del mismo modo, una copia técnicamente perfecta puede ser valiosa, pero no constituye una producción original.
La American Psychological Association (APA, 2018) define la creatividad como la capacidad para producir o desarrollar trabajos, teorías, técnicas o pensamientos originales, y relaciona el fenómeno con características como la originalidad, la imaginación y la expresividad. La psicología cognitiva también ha estudiado el pensamiento divergente, entendido como la capacidad para generar múltiples soluciones o respuestas ante un problema. Esta habilidad suele evaluarse mediante tareas que solicitan producir numerosos usos posibles de un objeto, asociaciones entre conceptos o diferentes soluciones para una situación determinada.
No obstante, pensamiento divergente y creatividad no son conceptos equivalentes. La creatividad humana implica también procesos de selección, evaluación, conocimiento previo, elaboración y adaptación al contexto. Una persona creativa no solamente genera posibilidades: decide cuáles merece la pena desarrollar y modifica sus ideas de acuerdo con objetivos, restricciones y valores.
Además, la creatividad humana se encuentra integrada en sistemas cognitivos, emocionales, sociales y culturales. Una novela, una teoría científica o una composición musical surge dentro de una historia personal y de un contexto cultural que influyen en aquello que el individuo considera significativo. Por ello, aunque la creatividad puede estudiarse mediante indicadores observables —como originalidad, fluidez o flexibilidad—, el fenómeno psicológico es más amplio que el producto final.
La creatividad trasladada al ámbito de la inteligencia artificial
En el campo de la IA, la expresión ‘creatividad computacional’ posee una historia propia. Para el estudio de sistemas que manifiestan comportamientos que, en seres humanos serían considerados creativos, no es necesario demostrar que una computadora tiene una mente creativa, sino analizar cómo pueden diseñarse sistemas capaces de producir resultados que satisfagan determinados criterios de creatividad (Wiggins, 2006).
Desde esta perspectiva, el término creatividad puede utilizarse de manera funcional u operacional. Si un sistema genera una composición musical novedosa, una imagen inesperada o una solución que un observador considera original y adecuada, puede describirse su comportamiento como creativo. Esta aproximación permite estudiar la creatividad sin asumir que el sistema experimenta emociones, intenciones o conciencia.
La llegada de los modelos generativos ha ampliado considerablemente este debate. Los grandes modelos de lenguaje pueden producir textos nuevos a partir de instrucciones humanas; los modelos de difusión pueden generar imágenes a partir de descripciones lingüísticas; y otros sistemas pueden producir música, código o diseños. En consecuencia, la IA contemporánea puede generar resultados que presentan algunas características tradicionalmente asociadas con la creatividad humana.
En relación con esto, un experimento comparó a GPT-4 con 151 participantes humanos mediante varias tareas de pensamiento divergente. El modelo obtuvo puntuaciones superiores en diferentes medidas de creatividad, incluyendo originalidad y elaboración, incluso después de controlar la fluidez de las respuestas (Hubert et al., 2024). Sin embargo, los propios resultados deben interpretarse dentro del alcance de las tareas utilizadas, ya que demostrar un desempeño superior en determinadas pruebas no equivale a demostrar que el sistema posee una capacidad creativa global equivalente a la humana.
Por ello, en investigación sobre IA, resulta útil hablar de creatividad evitando convertir automáticamente estas expresiones en afirmaciones acerca de una experiencia mental.
¿Cómo crea algo original una inteligencia artificial?
Para comprender el proceso resulta importante abandonar la idea de que una inteligencia artificial generativa ‘imagina’ una respuesta de la misma manera que una persona. Un modelo generativo aprende regularidades a partir de grandes cantidades de datos durante su entrenamiento. En términos simplificados, identifica relaciones estadísticas y estructurales entre elementos: palabras, imágenes, sonidos, fragmentos de código u otras representaciones. Posteriormente, utiliza esos patrones para producir nuevas combinaciones bajo determinadas condiciones.
En un modelo de lenguaje, por ejemplo, una instrucción o prompt proporciona un contexto inicial. El sistema procesa la secuencia lingüística y calcula distribuciones de probabilidad sobre posibles continuaciones. A partir de esas probabilidades genera una secuencia de elementos, paso a paso, hasta construir una respuesta completa. El resultado puede ser sorprendentemente novedoso porque el sistema combina regularidades aprendidas de una manera que no corresponde necesariamente a una copia literal de un único ejemplo.
En los modelos de generación de imágenes, el mecanismo es diferente en sus detalles técnicos, pero mantiene una lógica semejante: durante el entrenamiento, el sistema aprende relaciones entre representaciones visuales y conceptos; posteriormente, transforma una representación inicial mediante sucesivos pasos computacionales, hasta producir una imagen que se ajusta estadísticamente a la descripción solicitada.
La originalidad, por tanto, puede emerger de la recombinación y transformación de patrones aprendidos. La creatividad computacional estudia precisamente cómo sistemas de este tipo pueden producir comportamientos que los observadores humanos juzgan creativos (Wiggins, 2006).
Sin embargo, ‘recombinar’ no significa necesariamente ‘copiar’. Una producción puede ser nueva como configuración concreta, aunque sus componentes y relaciones provengan de datos anteriores. Algo semejante ocurre, en cierto sentido, en la creatividad humana: las personas tampoco crean desde una ausencia absoluta de conocimientos previos. Una obra literaria, una teoría o una imagen incorpora lenguaje, conceptos, técnicas y convenciones previamente existentes.
Diferencias entre la creatividad humana y la de una inteligencia artificial
La primera diferencia importante se encuentra en la naturaleza del agente. La creatividad humana ocurre dentro de organismoscon una historia biográfica, necesidades, emociones, memoria autobiográfica, relaciones sociales y objetivos. Una persona puede crear una pintura para expresar duelo, desarrollar una teoría para solucionar un problema científico o escribir una novela porque desea comunicar una experiencia. En los sistemas generativos actuales no existe evidencia comparable de una motivación subjetiva propia.
Una segunda diferencia corresponde a la intencionalidad. El ser humano puede proponerse explícitamente crear algo, evaluar su propio proceso y modificar deliberadamente una obra para aproximarse a un objetivo. Un modelo generativo responde a condiciones introducidas por usuarios, desarrolladores y procedimientos algorítmicos. Puede producir resultados que parecen intencionales sin que ello implique necesariamente que el sistema tenga una intención consciente.
Una tercera diferencia es el aprendizaje situado. Las personas aprenden dentro de ambientes físicos y sociales, interactúan con otras personas y reciben consecuencias de sus acciones. Los sistemas generativos aprenden principalmente mediante procesos computacionales sobre conjuntos de datos y posteriormente generan resultados bajo condiciones definidas por su arquitectura y contexto de uso.
No obstante, existen semejanzas importantes. Tanto las personas como los sistemas de inteligencia artificial pueden combinar elementos previamente existentes y producir configuraciones nuevas. Además, ambos pueden generar múltiples alternativas y seleccionar o modificar resultados con base en determinados criterios. En este sentido, la frontera no es simplemente ‘humanos creativos frente a máquinas que copian’.
Por ello, la comparación adecuada en este tema no consiste en preguntar quién ‘gana’ en creatividad, sino qué clase de creatividad estamos midiendo.
Controversias sobre la creatividad de la inteligencia artificial
Una de las controversias centrales se relaciona con los datos utilizados para entrenar los modelos. Los sistemas generativos dependen de grandes cantidades de material producido por seres humanos. Esto plantea preguntas sobre si determinadas obras protegidas por derechos de autor pueden utilizarse para entrenar modelos y bajo qué condiciones. El problema es especialmente relevante porque los sistemas pueden producir textos, imágenes o composiciones que presentan semejanzas estilísticas con obras existentes.
La controversia no es únicamente jurídica. También existe una discusión ética sobre la relación entre los creadores humanos y las empresas que desarrollan inteligencia artificial. Si una compañía obtiene enormes cantidades de obras humanas para entrenar un modelo que posteriormente compite con los creadores de esas obras, surge la pregunta de si los autores originales deberían recibir reconocimiento, compensación o algún mecanismo de participación (Tyagi, 2024).
Otra preocupación consiste en la homogeneización de la producción creativa. Aunque los modelos pueden generar una enorme cantidad de resultados, sus producciones dependen de regularidades existentes en los datos de entrenamiento. Además, la utilización masiva de herramientas similares podría favorecer determinados estilos, estructuras narrativas o convenciones visuales.
También existe evidencia de que la interacción con inteligencia artificial puede modificar el propio proceso creativo humano. Los resultados no son necesariamente positivos o negativos de manera uniforme: la IA puede ampliar la capacidad de producción, pero también puede introducir dependencia, fijación sobre determinadas soluciones o pérdida de diversidad.
Finalmente, está la cuestión epistemológica. Un resultado generado por una máquina puede ser novedoso y estéticamente valioso sin que exista acuerdo sobre si debemos llamarlo ‘creativo’. Algunos investigadores consideran que atribuir creatividad al sistema es una descripción funcional legítima; otros sostienen que hacerlo confunde el comportamiento observable con un proceso psicológico.
¿Quién es el autor de un contenido generado por IA?
La cuestión de la autoría constituye quizá el problema más complejo, ya que cuando una persona introduce un prompt y un sistema genera una imagen, un texto o una composición, intervienen potencialmente múltiples participantes.
Una primera posibilidad consiste en considerar autor al usuario del prompt. Esta posición resulta intuitivamente atractiva cuando la persona proporciona instrucciones detalladas, selecciona resultados, realiza modificaciones y dirige el proceso. Sin embargo, no todo prompt implica el mismo nivel de control creativo. La U.S. Copyright Office (2025) concluyó que, bajo la legislación estadounidense, los prompts por sí solos generalmente no proporcionan suficiente control sobre los elementos expresivos del resultado como para conferir autoría. En cambio, sí puede existir protección cuando una persona realiza modificaciones creativas, selecciona y organiza materiales o incorpora la salida de IA en una obra humana más amplia.
Una segunda posibilidad sería atribuir algún tipo de autoría a los creadores de los materiales de entrenamiento. Esta postura reconoce que la generación depende de obras humanas anteriores, pero presenta dificultades: una salida concreta rara vez puede atribuirse de manera sencilla a una única obra de entrenamiento, y el proceso de aprendizaje del modelo transforma estadísticamente enormes cantidades de información.
Una tercera posibilidad sería atribuir la autoría al propio sistema. Desde el punto de vista jurídico actual, esta alternativa enfrenta obstáculos importantes, especialmente porque los sistemas de inteligencia artificial no son reconocidos generalmente como autores humanos.
Una cuarta alternativa es considerar la creación como un fenómeno colectivo; esto es, un marco de ‘creación centrada en colectivos’, según el cual el mérito creativo puede distribuirse en diferentes grados entre usuarios, sistemas, desarrolladores y productores de los datos utilizados para entrenamiento (Khosrowi et al., 2024).
Referencias:
- American Psychological Association. (2018). Creativity. APA Dictionary of Psychology. dictionary.apa.org
- Hubert, K., Awa, K., Zabelina, D. (2024). The current state of artificial intelligence generative language models is more creative than humans on divergent thinking tasks. Scientific Reports, 14, Article 3440. nature.com
- Khosrowi, D., Finn, F., Clark, E. (2024). Engaging the many-hands problem of generative-AI outputs: A framework for attributing credit. AI and Ethics, 5, 4495–4513. link.springer.com
- Mazzi, F. (2024). Authorship in artificial intelligence-generated works: Exploring originality in text prompts and artificial intelligence outputs through philosophical foundations of copyright and collage protection. The Journal of World Intellectual Property, 27(3), 410–427. onlinelibrary.wiley.com
- Runco, M., Jaeger, G. (2012). The standard definition of creativity. Creativity Research Journal, 24(1), 92–96. tandfonline.com
- Tyagi, K. (2024). Copyright, text & data mining and the innovation dimension of generative AI. Journal of Intellectual Property Law & Practice, 19(7), 557–570. academic.oup.com
- U.S. Copyright Office. (2025). Copyright and artificial intelligence, Part 2: Copyrightability. U.S. Copyright Office. copyright.gov
- Wadinambiarachchi, S., Kelly, S., Pareek, S., Zhou, Q., Velloso, E. (2024). The effects of generative AI on design fixation and divergent thinking. Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems, Article 380, 1–18. dl.acm.org
- Wiggins, G. (2006). A preliminary framework for description, analysis and comparison of creative systems. Knowledge-Based Systems, 19(7), 449–458. sciencedirect.com
Créditos de imagen de portada: Foto de Google DeepMind
