AI slop: cuando producir contenido deja de significar producir conocimiento
Publicado el 03/09/2026
Estrategia y marketingPublicado el 03/09/2026
Estrategia y marketing
El AI slop no es contenido escrito por una inteligencia artificial: es contenido sustituible, el que cualquier competidor sin tus datos, tu experiencia o tu criterio publica igual. Google no penaliza usar IA; penaliza publicar páginas que no aportan nada que el lector no encuentre ya en otro sitio.
El término AI slop lleva más de un año circulando en X, LinkedIn y foros de SEO como sinónimo directo de «contenido generado por IA de baja calidad». Pero esa lectura es incompleta, ya que la pregunta que de verdad importa no es quién escribió el texto. Es esta: «Si una IA puede reconstruir íntegramente tu artículo sin consultar tu empresa, tus datos, tu experiencia ni tu punto de vista, ¿qué activo estás creando realmente?».
En este artículo desmontamos el falso debate detrás del AI slop: el contenido hecho con IA no equivale a slop, y el contenido escrito por humanos no equivale automáticamente a contenido valioso. Lo que separa uno del otro es la sustituibilidad.
¿Qué significa que un contenido sea sustituible? La sustituibilidad es la prueba que diferencia un contenido valioso de AI slop: ¿podrías cambiar el dominio y la firma del autor sin que el lector perdiera información? El contenido es sustituible cuando la respuesta es sí, sin importar si lo escribió una persona o un modelo de lenguaje.
Para entender qué es el AI slop conviene fijar dos conceptos. Alta sustituibilidad: un artículo que resume la definición de SEO técnico con las mismas fuentes que ya citan docenas de blogs. Baja sustituibilidad: un análisis de rendimiento de campaña con datos propios de Search Console, criterios de decisión explícitos y una recomendación que solo esa agencia respalda con esos números.
En Proun organizamos estos casos en una matriz de dos ejes: sustituibilidad y evidencia propia.
Hablemos de un ejemplo: el coste marginal del artículo número 101. Publicar el artículo número 101 sobre una misma keyword cuesta minutos con un modelo de lenguaje. Contratar a un especialista con diez años de experiencia en ese sector no. La producción de palabras y la producción de conocimiento siguen curvas de coste completamente distintas, y la IA generativa solo abarata la primera.
Así, la producción de palabras se desacopla de la producción de información. Y aquí es dónde empieza los riesgos del AI slop: la IA generativa multiplica el volumen de texto sin multiplicar los datos, los expertos ni la experiencia disponibles sobre un tema. La curva de páginas publicadas sube con rapidez. La curva de conocimiento real crece mucho más despacio.
Y es el que el coste de producción cero no implica coste de mantenimiento cero. El AI slop parece rentable en el momento de publicarlo: un modelo de lenguaje genera un artículo en minutos, casi sin coste marginal. La deuda aparece después, cuando esa página necesita actualizarse, verificarse o defenderse ante una consulta, y nadie en la empresa recuerda de dónde salió cada dato.
Ajustar el prompt engineering no resuelve esta deuda de conocimiento. Solo cambia la velocidad a la que se acumula.
Ahrefs documenta el concepto de information gain con una pregunta directa: qué aprende aquí el lector que no aprendería en los diez resultados anteriores. Google no ha confirmado públicamente que use un score de information gain como factor de ranking. Existe una patente que describe un sistema capaz de puntuar contenido nuevo frente al ya indexado, pero en Proun tratamos esta idea como marco de análisis editorial, no como factor de posicionamiento confirmado.
Si te preguntas ¿cuántas palabras necesito?, debes tener en cuenta que extensión y densidad de ideas no son lo mismo. Un artículo de 3.000 palabras sin information gain sigue siendo AI slop largo. Un artículo de 800 palabras con un dato exclusivo puede superarlo en valor y en probabilidad de cita.
Hablemos de la cobertura temática frente al volumen de páginas. La guía de Google para las funciones de IA generativa desaconseja explícitamente crear una página distinta para cada variante de una misma búsqueda —lo que Google llama fan-out de consultas—, porque multiplicar URLs sin multiplicar información diluye la autoridad temática en lugar de reforzarla.
Trescientas landing pages casi idénticas sobre inteligencia artificial y SEO no construyen autoridad temática. Construyen redundancia. La densidad de conocimiento útil por página importa más que el número total de páginas indexadas.
Google actualizó en 2024 sus políticas contra el abuso de contenido a escala, la sección de sus directrices para webmasters que castiga publicar muchas páginas con poco o ningún valor añadido, sin importar si el proceso de producción usa IA, plantillas o redactores humanos. La propia guía de Google sobre contenido generado con IA confirma que la empresa evalúa el contenido por su utilidad para quien lo busca, no por el método de producción.
Pongamos un ejemplo: el análisis de 600.000 páginas de Ahrefs sobre 100.000 keywords encontró una correlación de 0,011 entre el porcentaje de contenido generado con IA de una página y su posición en el ranking. En términos estadísticos, esa cifra equivale a ausencia de correlación: usar IA no predice una mejor ni una peor posición.
En Proun interpretamos este dato así: Google no distingue entre contenido humano y contenido con IA en su algoritmo de ranking. Distingue entre contenido útil y contenido sustituible.
Extractability no es citability. Extractability es la facilidad con la que un sistema de IA puede extraer y resumir el contenido de una página. Citability es la probabilidad de que ese sistema, además de extraer el contenido, decida citar la página como fuente. Un texto puede ser extremadamente fácil de resumir y, al mismo tiempo, no aportar ningún motivo para ser citado.
Un análisis de investigación primaria y citas en IA sobre 301 páginas citadas por sistemas de IA en 316 consultas encontró que solo el 2,7 % de esas páginas —ocho de 301— contenía investigación primaria genuina: datos y metodología propios publicados en la misma página. Esas ocho páginas concentraron 90 de las 1.075 citas totales del estudio. Una página de investigación primaria recibió, en promedio, 11,3 citas; el resto del contenido analizado recibió, en promedio, 3,4. La investigación primaria resultó 3,3 veces más citable que el contenido sin datos propios.
Un estudio sobre clics en AI Overviews de Pew Research Center, con datos de navegación de 900 usuarios y casi 69.000 búsquedas en Google durante marzo de 2025, encontró que solo el 1 % de las páginas de resultados con un AI Overview generó un clic sobre alguno de los enlaces citados dentro del propio resumen. Lo que una IA produce fácilmente es, con frecuencia, lo que otra IA consume sin enviar la visita.
Los modelos de lenguaje no leen texto como una persona: lo convierten en embeddings, representaciones numéricas que un sistema de procesamiento de lenguaje natural (NLP) puede comparar entre sí. Cuando cientos de marcas describen el mismo servicio con las mismas entidades, los mismos atributos y las mismas promesas, sus embeddings terminan siendo casi indistinguibles entre ellos.
En Proun llamamos a este fenómeno aplanamiento semántico: cuando el contenido AI slop domina un sector, todas las marcas compiten por decir lo mismo con palabras distintas, y ningún embedding logra diferenciarlas.
El AI slop no nace de un mal prompt. Nace de un KPI mal diseñado: equipos que miden éxito en número de URLs publicadas, no en valor aportado por página. Cuando el objetivo son 600 keywords y 600 URLs, la IA generativa elimina la única fricción que antes frenaba ese plan: el tiempo de redacción.
Las herramientas con IA para empresas no crean el problema de incentivos. Lo aceleran, porque eliminan la barrera de coste que antes obligaba a priorizar. Una estrategia de contenidos que genere conversiones parte de la pregunta contraria: cuántas páginas necesita realmente el usuario, no cuántas keywords aparecen en la hoja de cálculo.
El coste de esa fricción eliminada no desaparece: se transfiere al lector. Cada página sustituible que publica una marca obliga al usuario a filtrar, verificar e interpretar información que ya existía en otro sitio, con otras palabras. En este punto, una agencia SEO con criterio marca la diferencia: no en generar más contenido, sino en decidir cuál no debe publicarse.
El AI slop en páginas web no puede reconstruir cinco activos: datos propios, acceso privilegiado a fuentes, experiencia acumulada, criterio editorial y casos reales con procedencia verificable. Estos cinco elementos son la evidencia que un modelo de lenguaje no puede inventar sin acceso directo a la empresa que los generó.
Google llama a esto E-E-A-T: experiencia, pericia, autoridad y confianza. La veracidad de un dato es condición necesaria para que ese dato importe. No es condición suficiente: hace falta, además, que sea difícil de reproducir sin acceso al origen.
En estrategia empresarial, un moat es una ventaja competitiva difícil de copiar. En una marca, esa ventaja casi nunca vive en su gestor de contenidos: está en su CRM, en Google Search Console, en los experimentos que ha realizado su equipo y en los especialistas que puede citar por nombre y cargo. Un servicio SEO centrado solo en publicar volumen ignora justamente esos activos.
Existe también una advertencia técnica que conviene mencionar con prudencia: un estudio publicado en Nature en 2024 describe el fenómeno de model collapse, la degradación progresiva de un modelo de lenguaje entrenado con datos generados por otros modelos de IA en lugar de datos originales humanos. Esto no significa que ChatGPT esté colapsando: es una advertencia sobre el ecosistema de datos de entrenamiento a largo plazo, no un diagnóstico sobre un producto concreto hoy.
Cuanta más web se llena de contenido sustituible generado por sistemas como ChatGPT o Claude —con sus propias diferencias entre ChatGPT y Claude en cómo seleccionan fuentes—, más escaso y más valioso se vuelve el contenido con evidencia propia verificable.
Entre 2020 y 2026 cambió el activo escaso en el contenido digital. Antes escaseaban las palabras sobre un tema. Ahora escasea la evidencia verificable detrás de esas palabras.
| Antes | Ahora | |
| Keyword coverage | → | Information gain |
| Volumen | → | Densidad de conocimiento |
| Redacción | → | Evidencia |
| Answerability | → | Citability |
| Content velocity | → | Knowledge velocity |
El AI slop, en el fondo, no es un problema de herramientas. Es un problema de qué se decide publicar y por qué. Una marca que audita qué contenido reconstruye una IA sin su ayuda sabe, con precisión, qué le queda por defender.
¿Cuánto de tu contenido podría reconstruir una IA sin consultar tu empresa? En Proun auditamos tu web para detectar páginas sustituibles y convertir tu conocimiento propio en contenido que Google y los buscadores con IA quieran mostrar y citar. Contáctanos.
No. El AI slop no depende de la herramienta usada para escribir: depende de si el contenido es sustituible, es decir, si otra empresa sin tus datos ni tu experiencia publica el mismo texto. Un artículo generado con IA pero construido sobre datos propios, casos reales y criterio editorial no es AI slop. Un artículo escrito por una persona sin ninguna aportación propia sí puede serlo.
No de forma directa. Google penaliza el abuso de contenido a escala —publicar muchas páginas sin valor añadido—, no el método de producción. Esa distinción figura en sus propias políticas de spam desde 2024.
Sí. La revisión humana corrige gramática, tono y errores factuales evidentes, pero no añade automáticamente datos propios, experiencia ni criterio editorial. Si el texto final sigue siendo reconstruible por cualquier competidor con las mismas fuentes públicas, la revisión humana no cambia su sustituibilidad. El AI slop se define por el contenido, no por quién firma la última lectura.
Los sistemas de IA citan páginas útiles dentro de una respuesta, no páginas fáciles de resumir. Un análisis sobre 301 páginas citadas por IA encontró que la investigación primaria genuina recibe 3,3 veces más citas que el contenido genérico. El AI slop, al no aportar información nueva, tiene menor probabilidad de ser citado, aunque sea perfectamente legible para un modelo de lenguaje.
Information gain es el concepto que mide cuánta información nueva aporta una URL frente a las que ya están indexadas para la misma búsqueda. Google no ha confirmado que use un score de information gain como factor de ranking, pero el concepto sirve como filtro editorial: si una página no responde qué aprende aquí el lector que no aprendería en el resultado anterior, es candidata a AI slop.
Auditando qué páginas de su web reconstruye un competidor sin acceso a sus datos, y priorizando ese diagnóstico por encima del volumen de keywords. El criterio no es cuánto contenido se publica, sino cuánto de ese contenido depende de evidencia que solo esa empresa posee.
