La fórmula «no X, sino Y» no es un tic de la IA. Es una optimización semántica.
Sí, el título de este artículo es él mismo un «no X, sino Y». La elección es asumida. Léelo hasta el final antes de gritar al tic.
Desde hace dos años, una burla se instala en los comentarios de LinkedIn, los talleres de escritura y las redacciones de marca: los textos producidos por IA son reconocibles por el patrón «esto no es X, sino Y» o, en su versión más densa, «ni X, ni Y, sino Z». Se habría convertido en el indicio revelador del ghostwriter algorítmico, el equivalente de 2025 del «en tanto que experto» de las páginas de LinkedIn de 2018.
El veredicto es cómodo. También es incompleto.
Esta fórmula existía antes de la IA. Lleva un nombre en la retórica clásica. Su crecimiento en la literatura de management estadounidense precede a los LLM en varias décadas. Y cuando se desciende bajo la superficie, se descubre una razón estructural a su amplificación algorítmica: la negación es cognitivamente más eficaz que la afirmación para restringir el campo de los posibles — exactamente lo que un lector trata de hacer cuando se le presenta una tesis.
No es, por tanto, un tic. Es una optimización semántica. Y como toda optimización, tiene un coste: la saturación.
El diagnóstico demasiado fácil
Antes de defender la fórmula, concedamos lo que es cierto. Muchos textos producidos por IA saturan efectivamente el patrón. Tres, cuatro, cinco ocurrencias en una misma publicación. El lector desconecta. La estructura se vuelve mecánica. El tono pierde su variación. En el plano del puro producto acabado, la crítica es fundada: la IA lo sobreutiliza.
Pero «sobreutilizar una forma» no quiere decir «utilizar una forma defectuosa». Un cocinero que pone demasiada sal no demuestra que la sal sea mala. Demuestra que no la ha dosificado.
El problema es la dosis. El diagnóstico debería ser: la IA aplica una figura potente sin calibrar su intensidad al contexto del lector humano. El diagnóstico que circula es más pobre: la IA inventa un patrón artificial que traiciona su naturaleza. El segundo es falso. El primero es interesante.
Parte 1 — Una figura retórica que lleva un nombre desde Aristóteles
El patrón «no X, sino Y» no nació con GPT-3. Se llama correctio, en latín, o epanortosis en griego — literalmente «rectificación». Quintiliano lo trata en la Institutio Oratoria (Libro IX, capítulo 3), en el primer siglo de nuestra era, como una de las figuras de rectificación más útiles al discurso argumentativo. Heinrich Lausberg, en su Handbook of Literary Rhetoric — traducción inglesa (Brill, 1998) de su Handbuch de 1960 — le dedica las secciones §784 a §786 entre las figuras de pensamiento mayores de la tradición occidental.
[VERIFICADO] Correctio = figura retórica que consiste en rechazar un término para reemplazarlo por otro juzgado más justo. Fuentes: Quintiliano Institutio Oratoria IX.3; Lausberg §§784-786; entrada «correctio» de Silva Rhetoricae (rhetoric.byu.edu), la obra de referencia en línea sobre la retórica clásica.
La correctio se distingue de tres figuras vecinas con las que a menudo se confunde:
- La antítesis se limita a oponer dos términos sin rechazar el primero (la vida es corta, el arte es largo).
- La antimetábole invierte el orden de las palabras (no preguntes qué puede hacer tu país por ti, pregunta qué puedes hacer tú por tu país).
- La epanalepsis repite una misma palabra al principio y al final de la frase.
La correctio, por su parte, hace un movimiento preciso: plantea un término esperado, lo rechaza, y luego instala un término más justo. Es un giro argumentativo. Un 180 grados en miniatura. La mecánica es antigua, estable, estudiada.
No es una novedad. Es un resurgimiento.
Parte 2 — El crecimiento antes de la IA: el corpus business estadounidense
El patrón se volvió masivamente presente en la literatura de management estadounidense mucho antes de la democratización de los LLM. Simon Sinek, en Start With Why (Portfolio, 2009), lo utiliza como osamenta central de su libro y de su TED Talk How Great Leaders Inspire Action (2009, alrededor de 65 millones de visualizaciones). La tesis del libro está enteramente construida en torno a una cascada de correctio: people don't buy what you do, they buy why you do it.
[CLAIM — a verificar mediante estudio N-gram] El crecimiento del patrón en el corpus business estadounidense entre 1980 y 2020 merecería un análisis lingüístico dedicado. Dos pistas metodológicas:
- Google Books Ngram Viewer sobre las expresiones
"it's not about X, it's about"y variantes, sobre el corpus English 2019. - Análisis de corpus sobre los libros de management más vendidos del periodo: Drucker The Effective Executive (1967), Collins Good to Great (2001), Goleman Emotional Intelligence (1995), Sinek Start With Why (2009), Duhigg The Power of Habit (2012).
Lo que se puede afirmar sin estudio cuantitativo dedicado es que la correctio está documentada como figura cognitiva de elección en la literatura retórica moderna. Max Atkinson, en Lend Me Your Ears (Oxford University Press, 2004), demuestra sobre corpus televisivo que el contrast pair es uno de los tres detonantes de aplauso más fiables en los discursos políticos británicos y estadounidenses. Jay Heinrichs, en Thank You for Arguing (Crown, 2007, reedición 2020), trata explícitamente la correctio como herramienta de comunicación corporate moderna.
La fórmula no fue inventada por la IA. Fue ingerida por ella.
Parte 3 — Por qué la IA amplifica esta figura
Dos mecanismos se superponen.
(a) El entrenamiento sobre el corpus
Los grandes modelos de lenguaje se entrenan sobre miles de millones de tokens procedentes de la web, de los libros digitalizados, de los artículos de prensa y de los contenidos corporate. El corpus de management y de thought leadership estadounidense está masivamente representado en ellos. Si la correctio es una figura frecuente — lo que el análisis de Sinek y Atkinson sugiere — entonces un LLM la reproducirá naturalmente en su salida. Es un efecto espejo de su alimentación.
(b) El alineamiento por RLHF refuerza la preferencia por las formas discriminantes
Ouyang et al. (2022), en el artículo fundacional de InstructGPT [Training language models to follow instructions with human feedback, arXiv:2203.02155], demuestran que el alineamiento por preferencias humanas (RLHF) empuja a los modelos hacia producciones estructuradas, explícitas, discriminantes. Los anotadores humanos prefieren, a contenido equivalente, las formulaciones que zanjan — aquellas que dicen claramente lo que una tesis no es antes de decir lo que es. El RLHF incorpora esta preferencia en el modelo.
Liang et al. (2024), en Monitoring AI-Modified Content at Scale (arXiv:2403.07183, Stanford), van más lejos. Su estudio detecta la firma estilística GPT en un volumen masivo de reviews académicas sometidas a ICLR y NeurIPS. Entre los marcadores estables: la sobrerrepresentación de giros de tipo correctio y antítesis estructurada.
La IA, por tanto, no se limita a reproducir. Amplifica, porque el alineamiento humano la empuja hacia las formas que tienen el mayor poder de persuasión medido — y la correctio forma parte de ellas.
Parte 4 — La negación restringe el campo más rápido que la afirmación
Hay una tercera razón, más profunda, por la cual la IA (y el humano) favorecen la correctio en un contexto argumentativo: la negación es un operador cognitivo más potente que la afirmación cuando se trata de restringir un campo de posibles.
Tomemos un ejemplo concreto. Si te digo:
El executive summary es una propuesta de valor.
Comprendes la afirmación, pero tu espacio mental sigue siendo amplio. ¿Qué es una propuesta de valor? ¿A qué se opone? El concepto flota.
Ahora bien, si te digo:
El executive summary no es un resumen. Es una propuesta de valor.
Algo diferente ocurre. La negación excluye de inmediato la interpretación más probable («resumen» es la lectura por defecto de la palabra «summary»). El campo mental se restringe de golpe. Luego la segunda proposición viene a llenar el espacio despejado con precisión.
Es exactamente lo que describe Laurence R. Horn en A Natural History of Negation (University of Chicago Press, 1989, reedición CSLI 2001), la obra de referencia sobre la pragmática de la negación: la negación marcada porta una información semántica asimétrica — no dice solamente que X es falso, señala que X era la expectativa saliente y que hay que corregirla.
Herbert Clark, en Linguistic Processes in Deductive Reasoning (Psychological Review, 1969), mostró que procesar una negación cuesta más caro cognitivamente que una afirmación equivalente — pero que la discriminación que produce es más fuerte. El lector paga un poco más de cognición para ganar mucha más precisión.
Grice, en Logic and Conversation (1975), proporciona el fundamento teórico: la implicatura escalar activada por la correctio le señala al lector que el autor ha reflexionado sobre el contraste, que ha rechazado la lectura saliente, y que se compromete con una formulación precisa. Es una señal de rigor argumentativo, no un tic.
La correctio no le ahorra esfuerzo al lector. Le hace ganar en precisión lo que le cuesta en esfuerzo.
Parte 5 — No es, por tanto, un tic, sino una optimización semántica
Volvamos a juntar las piezas.
Tenemos una figura retórica clásica, estudiada desde Quintiliano, documentada en los tratados de retórica occidental. Tenemos un crecimiento en la literatura de management estadounidense de los años 1980-2020 — anterior a ChatGPT. Tenemos un mecanismo de alineamiento RLHF que empuja a los LLM a favorecer su uso porque los humanos la prefieren. Tenemos un fundamento cognitivo que explica por qué la negación restringe más rápido el campo de los posibles que una afirmación sola.
La conclusión es casi inevitable: la fórmula «no X, sino Y» no es un defecto accidental de la IA. Es una optimización semántica, surgida de una larga tradición retórica, reforzada por el alineamiento humano, y estructuralmente más eficaz que una afirmación simple para discriminar una tesis.
La burla corriente («es un tic de la IA») plantea un mal diagnóstico. El patrón no señala una máquina. Señala una forma cognitiva potente. Su omnipresencia en las salidas de la IA no revela un bug — revela la importancia que siempre ha tenido en la escritura argumentativa y que una generación de lectores descubrió al mismo tiempo que descubría la IA.
Asumamos la formulación: lo que llamamos «tic de la IA» es en realidad una figura clásica cuya visibilidad la IA ha acelerado.
Parte 6 — El reto editorial: reconocer, valorizar, dominar
Reconocer el valor de una figura no autoriza a saturarla. Un buen escritor dosifica. Un escritor IA no calibrado satura. Es la diferencia entre una especia y un aderezo, entre una música y un ruido.
Para un humano que escribe — con o sin asistencia de IA — la regla de uso de la correctio se resume en tres puntos.
Uno. Utilizar la correctio cuando la lectura saliente por defecto debe ser rechazada explícitamente. Si el lector va a leer «resumen» por defecto al ver «executive summary», hay que corregirlo antes de construir. Si ninguna lectura por defecto estorba, la figura es un coste sin beneficio.
Dos. Limitar a una ocurrencia por unidad argumentativa (párrafo, sección, publicación). Dos o tres ocurrencias en un mismo texto corto señalan que el autor — o su IA — aplica la figura por reflejo, sin razón estructural. La variación sintáctica es lo que distingue la prosa escrita por un humano atento de una producción de tokens generada en cadena.
Tres. Asumir la figura cuando es justa, incluso si suena a IA. Un buen argumento no se vuelve malo porque se parezca a la IA. Un título eficaz no se vuelve dudoso porque utilice una correctio. Rechazar la figura por miedo al estigma algorítmico es una forma de sobrecorrección que sacrifica la precisión del mensaje a la cosmética del estilo.
El verdadero criterio no es si suena a IA — es si esta figura, aquí, discrimina mejor que una afirmación simple. Si es así, se conserva. Si no, se suprime. El lector profesional, al contrario de lo que a menudo se cree, no es más sensible a la forma que al fondo. Es sensible a ambos de manera acoplada: una forma pesada traiciona un pensamiento blando, una forma elegante traiciona un pensamiento claro.
Para el lector avisado, la forma es el fondo en movimiento.
Conclusión
La fórmula «no X, sino Y» es un revelador. Opone dos culturas retóricas: la de los practicantes que la ven como una figura cognitiva potente desde hace dos milenios, y la de una parte del público contemporáneo que la percibe como una firma de la IA porque la redescubrió a través de ChatGPT.
Ambos tienen razón a medias. La figura es antigua. Su amplificación es reciente. Su eficacia es estructural. Su saturación es un defecto de dosis. El reto no es, por tanto, ni prohibirla ni imponerla. El reto es dominarla.
Para los practicantes de la preventa, del bid management, del consulting — todos esos oficios donde hay que convencer a un evaluador en pocas palabras — la correctio sigue siendo una herramienta de primer orden. A condición de utilizarla allí donde el lector tiene una expectativa implícita que rectificar. Y de retirarla en todo lo demás.
No es un tic. Es una optimización semántica. Pero una optimización sin límite se convierte en una restricción. Y una restricción no dominada se convierte en un tic.
Es ahí, y en ningún otro lugar, donde se juega la diferencia entre una IA que asiste y una IA que ahoga: en la capacidad del humano de retomar el control sobre las formas que ella produce en ráfaga.
Un próximo artículo volverá en detalle sobre la cuestión más técnica: por qué la negación es computacionalmente más eficaz para un LLM que la afirmación equivalente, y lo que esto implica para el diseño de un sistema cognitivo explícito.
Fuentes principales
- Quintiliano, Institutio Oratoria, Libro IX, capítulo 3 (tratamiento clásico de la correctio).
- Heinrich Lausberg, Handbook of Literary Rhetoric, Brill, 1998 (trad. ingl.), §§784-786.
- Silva Rhetoricae (rhetoric.byu.edu), entrada «correctio».
- Simon Sinek, Start With Why, Portfolio, 2009 + TED Talk How Great Leaders Inspire Action, 2009.
- Max Atkinson, Lend Me Your Ears: All You Need to Know About Making Speeches and Presentations, Oxford University Press, 2004.
- Jay Heinrichs, Thank You for Arguing, Crown, 2007 (reedición 2020).
- Ouyang et al., Training language models to follow instructions with human feedback, arXiv:2203.02155, 2022 (InstructGPT / RLHF).
- Liang et al., Monitoring AI-Modified Content at Scale, arXiv:2403.07183, Stanford, 2024.
- Laurence R. Horn, A Natural History of Negation, University of Chicago Press, 1989, reedición CSLI 2001.
- Herbert H. Clark, Linguistic Processes in Deductive Reasoning, Psychological Review, 1969.
- H. P. Grice, Logic and Conversation, 1975 (implicatura escalar).