Borrar es trabajo. La IA no lo hace por ti.

Generar es fácil para la IA. Borrar, no. Ese desbalance es uno de los rasgos menos discutidos del trabajo con modelos de lenguaje, y es el que más afecta la calidad del output final.

La IA está sesgada hacia agregar. Si le pides ayuda con un texto, la mayoría de las veces te va a dar más palabras de las que le diste. Si le pides estructura, te va a dar más secciones. Si le pides ejemplos, te va a dar más ejemplos de los que pediste. Por diseño: agregar es seguro, borrar es arriesgado, y el modelo aprendió que las respuestas largas tienden a ser percibidas como más útiles.

El problema es que el oficio casi siempre vive en el otro lado. Las mejores ediciones suelen ser sustracciones: la frase que sobraba, el párrafo redundante, el ejemplo que distraía del argumento principal, el matiz que parecía agregar pero diluía. Cada una de esas borraduras es decisión específica que el modelo no toma con la confianza necesaria.

Cuando le pides a la IA que recorte, lo intenta. Pero suele equivocarse: borra lo más distintivo, conserva lo más genérico. Porque desde su lado, lo genérico parece seguro y lo distintivo parece arriesgado. La proporción se invierte en el papel.

Por eso borrar queda del lado del artesano. Es donde tu juicio sobre qué importa se vuelve trabajo concreto. Y donde la pieza pasa de adecuada a precisa.