¿Puede la IA encontrar el episodio de serie adecuado? No de forma fiable.

El mundo se está volviendo cada vez más conversacional, y la IA generativa está ayudando a las personas a desenvolverse en un mundo cada vez más complejo. En el ámbito del entretenimiento, los espectadores de televisión están utilizando la búsqueda por voz para abrirse paso entre la saturación del panorama audiovisual, que no deja de fragmentarse entre canales y servicios.

Sin embargo, a pesar de la generalización de la funcionalidad de voz en los distintos dispositivos, la utilidad de esta tecnología depende de los datos: información del mundo real y en tiempo real que un^LLM1 utiliza para validar, completar y corregir las respuestas que ofrece a las consultas de los usuarios. En el ámbito del streaming, esto resulta especialmente crucial para los contenidos por episodios.

No solo la cantidad de contenido por episodios supera con creces el número de películas disponibles, sino que el público busca los episodios de series de forma diferente a como busca las películas. Los espectadores rara vez saben la temporada o el episodio concreto que quieren ver, sobre todo en el caso de series que llevan tanto tiempo en antena como clásicos como «NCIS», «Anatomía de Grey» y «Los Simpson». Por eso, cuando realizan una búsqueda, utilizan consultas contextuales como «Muéstrame los episodios navideños de The Office»y «¿En qué episodios de Friends aparece Bruce Willis como estrella invitada?».

En estos casos, las respuestas de los modelos de lenguaje grande (LLM) suelen ser incorrectas. Esto se debe a que basan sus respuestas en probabilidades utilizando los números de temporada y de episodio. Para los proveedores, la mala experiencia de usuario asociada a las respuestas incorrectas agravará la frustración por la creciente fragmentación de los contenidos. Los contenidos episódicos desempeñan un papel importante en la congestión de contenidos, ya que los episodios de televisión representan el 85 % de los contenidos distribuidos por los seis proveedores globales de SVOD analizados en el Gracenote Data Hub.

A medida que crezcan los catálogos de vídeos, la IA generativa resultará cada vez más útil para los espectadores que busquen algo que ver. En solo un año y medio, por ejemplo, la cantidad de episodios de series disponibles para el público ha aumentado en más de un 21 %.

Al ofrecer funciones como la búsqueda conversacional, imágenes personalizadas de los programas, recomendaciones a medida y resúmenes deportivos en tiempo real, GenAI transformará la forma en que los espectadores interactúan con los contenidos de vídeo.

Para ofrecer estas funcionalidades —y hacerlo de forma relevante y personalizada—, los modelos de lenguaje a gran escala (LLM) que impulsan la búsqueda y el descubrimiento necesitan tener acceso a datos sobre entretenimiento precisos y exhaustivos. Esto es especialmente cierto en el caso del 50 % de los estadounidenses que afirman que se plantearían dar de baja un servicio si este no^les ofreciera contenidos de su interés².

La conexión con datos validados y en tiempo real es fundamental, ya que los modelos de lenguaje grande (LLM) que se implementan para uso empresarial no se basan en ninguna fuente de información externa. A diferencia de los chatbots más populares (por ejemplo, ChatGPT o Gemini), solo conocen lo que les proporcionan sus datos de entrenamiento. En este caso, la información sobre nuevos programas suele quedar fuera de los datos de entrenamiento de un LLM, lo que les impide ayudar a los espectadores a encontrar lo que buscan. La comedia Rooster, protagonizada por Steve Carell, por ejemplo, es demasiado reciente como para que un LLM lanzado en 2025 tenga información al respecto.

Las respuestas de los modelos de lenguaje grande (LLM) sin fundamento y la experiencia del usuario 

Tal y como se detalla en nuestro reciente informe «Plot holes in AI», los modelos de lenguaje grande (LLM) sin contexto tienen dificultades para ofrecer respuestas precisas cuando se les pregunta por atributos básicos de series de televisión y películas populares. En lo que respecta al contenido por episodios, esta deficiencia es mucho más pronunciada. Esto se debe a que los atributos de los metadatos son mucho más específicos a nivel de episodio que a nivel del título del programa. 

Las conjeturas semánticas, la probabilidad predictiva y la falta de capacidades de indexación contribuyen a que sea mucho más probable que un modelo de lenguaje grande (LLM) sin base de referencia sufra alucinaciones cuando lo único con lo que cuenta para trabajar es el título de una serie, el número de temporada y el número de episodio. Y, lo que es más importante, los espectadores rara vez buscan un episodio por su título.

Para comprender mejor la importancia de basarse en datos concretos a la hora de realizar búsquedas y descubrimientos a nivel de episodio, recientemente hemos evaluado la calidad de las respuestas de los modelos de lenguaje a gran escala (LLM) sin base en datos concretos a preguntas básicas sobre episodios de televisión específicos. Aunque la gente no realiza búsquedas de esta forma, utilizamos los números de temporada y de episodio en nuestras consultas para evaluar la precisión de los metadatos correspondientes. El estudio incluyó 100 episodios populares de 13 países (1.300 en total).

En conjunto, la precisión factual de las respuestas relativas a los episodios fue significativamente inferior a la de las series de televisión y las películas. Entre los 100 episodios más vistos en EE. UU., por ejemplo, solo el 27 % de las descripciones de los programas, de media, eran^precisas², frente a una media del 69 % de las descripciones de las 100 series de televisión y las 100 películas más vistas.

La precisión no fue el único aspecto con el que tuvo dificultades el LLM sin datos de referencia a lo largo de los 1.300 episodios (100 por país) del estudio. La falta de información supuso un problema aún mayor, ya que no disponía de ninguna información (título, descripción, actores, género) sobre 604 de los episodios (el 46,5 % del total). Esto resultó especialmente evidente en Suecia, donde no se facilitó información sobre 73 de los 100 episodios. En EE. UU., el LLM sin datos de referencia no proporcionó información sobre 31 episodios.

El que tiene una trama equivocada

Cuando el LLM sin entrenamiento no devolvía respuestas vacías, solía proporcionar descripciones de episodios incorrectas —una consecuencia de las conjeturas semánticas, la probabilidad predictiva y la falta de indexación—. Aunque es probable que los espectadores nunca busquen un episodio utilizando únicamente el número de la serie y el número de episodio, los servicios de streaming utilizan estos atributos para convertir los títulos de los episodios resultantes en enlaces profundos o en un registro asociado en su lago de datos. En este sentido, la armonización e indexación de los datos en el backend son fundamentales para garantizar que un servicio pueda ofrecer con precisión el contenido adecuado a cada espectador individual. 

Al contar únicamente con el número de la serie y el número de episodio en cada consulta, el LLM sin contextualización solía ofrecer descripciones que detallaban episodios totalmente distintos a los que se preguntaban. En los ejemplos que figuran a continuación, los títulos y las descripciones proporcionados por el LLM sin contextualización son incorrectos.

La conexión con la realidad es fundamental para las experiencias de contenido de última generación

La forma en que los consumidores buscan información y las herramientas que utilizan están cambiando. El uso de la IA general es habitual entre los nativos digitales, y su adopción se está extendiendo rápidamente.

El panorama actual de los contenidos es demasiado amplio como para poder navegar por él con las funciones de búsqueda tradicionales, incluso dentro de las propias plataformas y servicios. El uso de la IA generativa (GenAI) para la búsqueda y el descubrimiento de contenidos supone un cambio radical en la experiencia del usuario que tiene el potencial de reducir en gran medida la percepción negativa de los espectadores a medida que aumenta la saturación de contenidos. 

Sin embargo, cuando se le preguntó sobre el episodio S02E06 de «Stranger Things», la respuesta del LLM sin base combinó información de varios episodios diferentes. En este caso, el espectador acabará por desconfiar del servicio, algo que ya es habitual entre los usuarios actuales de los chatbots: el 75 % afirma que verifica los resultados que proporcionan los chatbots de IA porque les preocupa que sean^{incorrectos³}.

El resultado final en este caso es una experiencia de usuario deficiente, que podría llevar al espectador a buscar en otro sitio algo que ver.

Si deseas obtener más información sobre el uso de modelos de lenguaje grandes (LLM) sin entrenamiento específico en experiencias de búsqueda y descubrimiento de contenidos, descarga nuestro informe «Plot holes in AI».

Notas

1. Los modelos de lenguaje a gran escala (LLM) son un tipo de IA generativa que se entrena con enormes cantidades de datos para comprender y generar un lenguaje similar al humano.
2. Al compararlos con los datos de aterrizamiento.
3. Gracenote Estudio sobre el uso de la IA de generación 2026