Estructura. La fila real no se apila. Cinco estructuras, tres de ellas empatadas en 7 de 24, la casilla más llena una celda por encima de lo que daría el azar. Siete de los 24 no llevan ni una palabra: una bolsa de café, una lata, una tarjeta de regalo, una bolsa de tela. Los 40 generados usan seis estructuras, 18 de 40 en una y 31 en dos: GPT diez de diez, Recraft nueve, Nano Banana seis, Seedream tres y tres. Cero de 40 sin palabras, porque el brief exigía un titular. Eso es cosa mía, y significa que lo que las cafeterías reales hacen con más libertad es lo único que las máquinas no podían hacer.

FIGURE 5b · Coffee shops, the line chance does not cross.

Una celda por anuncio, tinta para la estructura más llena, marca hueca en la línea del azar.

Figura 6b, mismo armado: las tiras de las cafeterías reales arriba, los diez de cada modelo debajo.

FIGURE 6b · Coffee shops, color and elements, real beside machine.

Arriba: la paleta dominante de cada uno de los 24 anuncios reales. Abajo: los diez de cada modelo. Después, los recuentos: producto a la vista, una persona, un botón de CTA, la tipografía del titular.

Color. Las cafeterías reales son cálidas, 15 de 24, con 4 frías y 5 neutras. GPT y Nano Banana se fueron al marrón, diez de diez cada uno; Recraft y Seedream, siete de diez cálidos. Aquí los modelos están cerca de la sala.

Qué hay en la imagen. Reales: una foto en 24 de 24, el producto en 22, una persona en 3, un dispositivo en ninguno. Máquina: producto en 40 de 40, una persona en 4, todas de Nano Banana. La tipografía es donde se separan. Los titulares reales van casi siempre en una display grande, 10 de 24, con 3 en serif y 7 sin titular. Las máquinas pusieron 27 de 40 en serif; GPT y Seedream, diez de diez cada uno.

Copy y llamada a la acción. Palabras arriba, al centro: 14 de 24 reales, 31 de 40 generados. El botón de CTA es raro de los dos lados: 2 de 24 reales, 3 de 40 generados. No conté si el titular salió letra por letra.

¿Copian el promedio real? Las mismas cinco decisiones, contra la elección más común de las cafeterías reales. Un anuncio real se aparta en 1,2 de cinco; uno generado, en 1,4 (GPT y Recraft 1,0, Seedream y Nano Banana 1,8). En este brief las máquinas quedan más o menos tan cerca del promedio real como los anuncios reales. La diferencia es la dispersión: 24 anuncios reales, 14 combinaciones distintas; los diez de GPT, una combinación diez veces.

Lo que dicen los dos briefs juntos

Las figuras 5a y 5b ponen las pilas en una línea cada una: una celda por anuncio, tinta para la estructura más llena, una marca hueca donde el azar caería una vez de cada veinte. El SaaS real la pasa por mucho. Las cafeterías reales apenas la tocan. Las dos pistas de máquina la pasan mezcladas, y por modelo dos de los cuatro son más hondos que cualquier fila real que tengo.

Los modelos no copian el anuncio real promedio. En SaaS quedan más lejos de él que los anuncios reales; en café, más o menos igual de cerca. Sea como sea, cada modelo tiene su propio anuncio promedio y lo repite: una foto azul de un operario con una tableta, una tarjeta marrón en serif con un bollo. Las filas reales dan 17 y 14 combinaciones; GPT da dos y una. La única decisión que comparten los cuatro modelos y las dos filas reales son las palabras arriba, al centro, 62 de 80 generados. Y donde las cafeterías reales dejan que siete anuncios de 24 no digan nada, las máquinas siempre ponen un titular arriba.

La mejor respuesta es que el modelo hizo lo que le pedí. Escribí «ad» y recibí la versión más reconocible de un anuncio; veinte de veinte es el modelo funcionando, no fallando. Esa defensa es sobre leer. La cuenta es sobre el momento anterior a que alguien decida si mira. Si el brief es una línea, el brief es el diseño, y un brief de una línea es el promedio a pedido. No el promedio humano. El propio del modelo.

Cuatro artículos marcan dónde se acaba la evidencia, y ninguno va de anuncios. Doshi y Hauser (2024): los cuentos escritos con ideas de GPT-4 fueron mejor calificados uno por uno y más parecidos entre sí como conjunto. Anderson, Shah y Kreminski (2024): la gente que hacía lluvia de ideas con un chatbot quedó más cerca del promedio del grupo, porque el modelo le sugería las mismas ideas a todos. Shumailov y colegas (Nature, 2024): un modelo reentrenado con su propia salida pierde primero los casos raros. Alemohammad y colegas (ICLR 2024): los modelos de imagen puestos en bucle pierden variedad más rápido cuando el bucle favorece lo típico.

Cinco preguntas antes de escribir el brief

1. ¿De quién es este promedio, del mercado o del modelo? Los anuncios reales de SaaS vinieron en 17 combinaciones de 26; los diez del modelo, en dos.

2. ¿Qué herramienta, y qué hace cada vez? Una de estas dio la misma estructura 20 veces de 20; pide diez y mira primero las estructuras.

3. ¿Pasaría este anuncio con la marca tapada, junto a dos de la competencia? Cada modelo respondió el brief de SaaS en un solo color, y tres de los cuatro eligieron el azul.

4. ¿Qué nombró el brief? El modelo dibuja los sustantivos: «field crews» se volvió un chaleco y una tableta, 20 veces.

5. ¿Qué tan largo es el brief? Si escribiste una línea, pediste el promedio.