Estudio de citas de IA: ¿las IA citan Stack Overflow?

Stack Overflow es un archivo público basado en un único formato: una pregunta técnica precisa, varias respuestas, votos y, a menudo, una solución aceptada. Cada hilo une un problema con una solución que otros desarrolladores han comprobado, justo el tipo de material del que un modelo de lenguaje aprende bien.

Tres rasgos lo convierten en una fuente útil:

• Mensajes de error citados al pie de la letra, que coinciden con lo que los usuarios pegan en un chatbot.
• Fragmentos de código con explicaciones y comentarios que señalan los casos límite.
• Señales de la comunidad (votos, respuestas aceptadas, ediciones) que muestran qué solución funciona de verdad.

Las contribuciones se publican con una licencia Creative Commons que exige atribución. En 2024, Stack Overflow anunció acuerdos con Google y OpenAI sobre el uso de sus contenidos en sus productos de IA, con mención a los hilos originales.

Las citas aparecen cuando la pregunta es concreta y técnica: «TypeError: cannot read properties of undefined en React», «cómo deshacer el último commit de git», «comprensión de listas en Python con dos condiciones», «por qué mi JOIN de SQL devuelve duplicados». Cuando el asistente busca en la web, un hilo de Stack Overflow suele estar entre las coincidencias más cercanas.

Las preguntas sobre empresas, productos o servicios casi nunca llevan hasta allí. «Qué CRM elegir para una agencia pequeña» o «¿es fiable este proveedor de alojamiento web?» no tienen respuesta en Stack Overflow, cuyas normas cierran las peticiones de recomendación de herramientas o productos.

Las preguntas en las que se basan estos datos tratan sobre todo de empresas y sus mercados, así que Stack Overflow rara vez aparece citado aquí. Eso refleja el tipo de pregunta mucho más que la autoridad del sitio.

Gran parte del valor de Stack Overflow llegó a los modelos de IA a través del entrenamiento. La red Stack Exchange lleva años publicando volcados de su contenido público, y los modelos han asimilado las soluciones habituales hasta el punto de escribirlas de memoria. Una respuesta generada de memoria no tiene ningún enlace que mostrar.

Los hábitos de búsqueda hacen el resto. Perplexity busca en cada pregunta y muestra sus fuentes, así que un hilo puede aparecer cuando una consulta de depuración encaja con él. Gemini, apoyado en la Búsqueda de Google, y ChatGPT con la búsqueda activada muestran hilos sobre todo para errores raros o recientes. Grok puede añadir publicaciones de desarrolladores en X, mientras que Claude suele escribir la solución por sí mismo y solo enlaza un hilo cuando usa la búsqueda web.

Esta relación ha cambiado el propio sitio. El número de preguntas nuevas ha caído de forma notable desde que los asistentes conversacionales se generalizaron, porque muchos desarrolladores consultan primero a una IA. El archivo sigue ahí, pero las bibliotecas y versiones recientes cuentan con menos hilos nuevos.

Una tasa de citas baja no hace irrelevante a Stack Overflow. Para una herramienta de desarrollo, una API o un producto técnico, sus hilos siguen influyendo en cómo los modelos describen ese producto y resuelven sus problemas, aunque no aparezca ningún enlace.

Dos límites afectan a las cifras. Solo se cuenta stackoverflow.com, mientras que los sitios hermanos de la red Stack Exchange, como Super User o Server Fault, tienen sus propios dominios. Y para una empresa sin público técnico, el sitio queda simplemente fuera de las fuentes que responden a las preguntas de los clientes.