Why do models trained on today's web get progressively worse as AI writes more of it?
Oportunidad
The web is now the primary training corpus for frontier models and is already saturated with AI-generated text that no deployed filter reliably catches. Research published across 2024 to 2026 shows that even a fraction of a percent of synthetic data in a training run triggers distributional collapse over successive generations, narrowing output diversity and degrading tail performance. The feedback loop is structural: models trained this year produce content that contaminates the corpus for next year's training run. Proposed mitigations such as source-level allowlists, watermark filters, and synthetic-data verifiers each have bypass vectors and none has been deployed at web-crawler scale. There is no agreed protocol for identifying and quarantining AI-generated training data before it enters a model.
Por qué importa
A degrading shared training corpus sets a ceiling on every model built from public data, and that ceiling gets lower with each generation.
Cómo evalúo la oportunidad
La Puntuación de Oportunidad es mi propia lectura, no una medición: cuánto duele, con qué frecuencia aparece y qué tan poco existe para resolverlo hoy. Un valor más alto significa que creo que vale más la pena construirlo.
Cuánto dolor causa cuando aparece.
Con qué frecuencia la gente se topa con ello.
Qué tan pocas herramientas buenas existen para ello hoy.
Más problemas que vale la pena resolver
¿Por qué toda aplicación de IA me olvida en el momento en que cierro la pestaña?
AI¿Por qué aprender una nueva área sigue dependiendo de saber qué preguntar?
AI¿Por qué una persona sin experiencia no puede verificar lo que una IA acaba de decirle?
AI¿Por qué probamos los modelos en benchmarks pero los lanzamos a producción guiándonos por la intuición?
AI¿Por qué los agentes de IA no tienen memoria de sus propios errores?
AI¿Por qué no puedo auditar en qué fue entrenado realmente un modelo?