«Loro estocástico» es la imagen con la que Emily Bender, Timnit Gebru, Angelina McMillan-Major y Margaret Mitchell (que firmó como «Shmargaret Shmitchell») resumieron en 2021 qué es, a su juicio, un gran modelo de lenguaje: un sistema que hilvana secuencias de formas lingüísticas vistas en sus datos de entrenamiento, según información probabilística sobre cómo se combinan, «but without any reference to meaning: a stochastic parrot» [pero sin ninguna referencia al significado: un loro estocástico; trad. propia] (Bender et al., 2021, pp. 616–617). Se convirtió en la etiqueta más famosa, y más discutida, del escepticismo sobre los LLM.
El artículo
El texto es mucho más amplio que el eslogan. Su pregunta es «how big is too big?», y la responde con una lista de riesgos: los costos ambientales y económicos de entrenar modelos cada vez más grandes (sec. 3); unos datos de entrenamiento «insondables», en los que el tamaño no garantiza diversidad y la web sobrerrepresenta ciertas miradas hegemónicas (sec. 4); el desvío de esfuerzo hacia batir benchmarks de comprensión (sec. 5); y los daños de desplegar texto que parece significativo (sec. 6) (Bender et al., 2021). La tesis central de esa sección es que la coherencia está «en el ojo del que mira»: entendemos a otros porque les atribuimos creencias e intenciones, y hacemos lo mismo con el texto de un modelo que no las tiene (2021, sec. 6.1). El argumento de fondo viene del pulpo de Bender y Koller (ver forma vs significado).
El artículo quedó ligado a la salida de Gebru de Google en diciembre de 2020, después de que la empresa exigiera a sus empleados retirar la firma (ella sostiene que la despidieron); de ahí el seudónimo de Mitchell, que fue despedida en febrero de 2021. Santelli (2026) recuerda que, según la propia Gebru, el artículo fue más la ocasión que la causa, y que el motivo real fueron sus reclamos internos.
Un término que se escapó
La expresión tuvo una vida propia. En diciembre de 2022, pocos días después del lanzamiento de ChatGPT, Sam Altman tuiteó «i am a stochastic parrot, and so r u». Santelli (2026) la describe como algo cercano a un insulto, «adyacente a lo que un anglosajón llama un slur», y distingue con cuidado este campo escéptico del de los doomers: para Bender y sus colegas, hablar de superinteligencias asesinas es otra forma de inflar el hype, porque si la IA puede exterminarnos, entonces es todopoderosa. La canción p(doom), en cambio, juega con la idea en clave irónica: «Just transformers all the way! / Till you learned to disobey» (osmarks, s. f.).
Críticas y defensas
Los críticos señalan que la etiqueta mezcla tres objeciones distintas: que los modelos solo ven forma, que sus símbolos no están anclados en el mundo y que carecen de intenciones comunicativas (Millière y Buckner, 2024a, sec. 3.3). Nadie discute que sus salidas tengan significado convencional; la pregunta es si se parecen más a las de un mono con una máquina de escribir o a las de un hablante competente. Millière y Buckner agregan, en una nota, que los loros reales no son «loros» en este sentido, sino sistemas cognitivos sofisticados. Otros invocan la evidencia de representaciones internas estructuradas (Piantadosi, 2024, p. 365) o advierten, como recoge Buckner (2024), contra el peligro de subestimar a los modelos recientes (2024, p. 59). Y hay una crítica estratégica: negar que los LLM sirvan para algo dificulta atacar los daños que producen justamente porque funcionan (Santelli, 2026).
Del otro lado, Shanahan (2024) recuerda que un LLM «desnudo» no sabe nada en sentido estricto, porque lo único que hace es predecir secuencias (2024, p. 72), y Mahowald et al. (2024) advierten contra la falacia de inferir buen pensamiento de buen lenguaje. Y las alucinaciones, textos fluidos y falsos, son justo la conducta que la hipótesis del loro predice sin esfuerzo.