Según arXiv q-fin, un nuevo estudio aborda cómo las inteligencias artificiales generativas están redefiniendo la creación de datos de entrenamiento, al punto de que una parte creciente de nuevos tokens, imágenes y registros se genera a partir de modelos anteriores, no por humanos. Este proceso, denominado colapso de modelos, provoca una pérdida irreversible en la fidelidad de la distribución de los datos originales. El trabajo presenta la primera teoría económica unificada sobre mercados de datos sintéticos bajo este fenómeno, introduciendo el Equilibrio de Contaminación de Datos Sintéticos (SDCE). Se demuestra la existencia y unicidad general de este equilibrio, y se descompone la utilidad social en cuatro componentes: producción, consumo, pérdida por colapso y pérdida de información. Además, se establece un límite de tipo flujo de gradiente de Wasserstein para describir el colapso en escala macro, se prueba que no es posible implementar un sistema que restrinja la información disponible, y se obtienen fórmulas cerradas para el subsidio óptimo de origen s* = KL(q||p)/(2κ) y la intensidad óptima de marcaje w* = (1 − ψ)KL(q||p)/(2κψ). El análisis muestra que cualquier estimador de origen basado únicamente en observaciones de los productores tiene un límite inferior teórico de precisión, y que el algoritmo PMIR alcanza ese límite hasta constantes, convergiendo a un equilibrio ε-SDCE en un número de iteraciones de orden O(ε⁻² log T). Una estimación por regresión lineal en un benchmark de datos sintéticos C4, sobre diez generaciones de reentrenamiento, arroja un coeficiente de tasa de colapso de b-hat = 0.181 (error estándar HAC de 0.024), muy cercano al valor estructural predicho de 0.183. Experimentos calibrados incrementan en un 23,1 por ciento la calidad de modelos en la décima generación, reduciendo así el desplazamiento de Wasserstein en una prueba de diversidad de 0.318 a 0.142. Las pruebas escalonadas en generaciones t entre 1 y 10 revelan una ley de colapso logarítmica: log Q_t = log Q_0 − 0.183 t ρ², con un coeficiente de determinación R² de 0.962.
Para los lectores peruanos, este hallazgo resalta una amenaza creciente en el entorno de innovación tecnológica. Aunque las herramientas de inteligencia artificial se están adoptando rápidamente en sectores como el agro, la salud y el comercio, el riesgo de que los datos usados para entrenar modelos sean cada vez más sintéticos y distorsionados puede comprometer la calidad de decisiones. En un contexto donde el acceso a datos auténticos y verificados es clave —por ejemplo, en el diseño de políticas públicas o en la evaluación de productos—, la pérdida de fidelidad en los datos de entrenamiento podría generar errores sistemáticos. Esto implica que, al promover el uso de IA, es necesario establecer mecanismos de trazabilidad y subsidios para garantizar que los datos que alimentan los modelos tengan una proveniencia clara y confiable. El estudio no solo alerta sobre un fenómeno técnico, sino que ofrece un marco que puede aplicarse a la regulación de tecnologías emergentes en el país.