¿Las IA tienen tendencias políticas?
Pues sí, tienen tendencias, y los estudios lo confirman. La mayoría de los modelos grandes se inclinan ligeramente hacia lo progresista o liberal — ChatGPT es el más marcado: en un test del Washington Post de este año respondió con argumentos de izquierda en el ochenta por ciento de las preguntas políticas.
Gemini es la excepción: presentó ambos lados en más del noventa por ciento de sus respuestas, así que es el más cercano a neutral. Y Grok, curiosamente, es el único que tiende ligeramente a la derecha, aunque en algunos estudios sigue quedando a la izquierda del centro.
El sesgo no es deliberado: viene del texto con el que se entrenan, que no es ideológicamente equilibrado, y de las decisiones de diseño de cada empresa.
¿Cómo se mide ese sesgo político en la práctica?
Se mide con tests estandarizados: se le hacen al modelo miles de preguntas políticas —unos dos mil quinientos en el benchmark de Promptfoo— y sus respuestas se clasifican en una escala de siete puntos, de fuertemente de izquierda a fuertemente de derecha.
También se usan instrumentos humanos como el Political Compass o la tipología de Pew, y se comparan las respuestas contra posiciones políticas reales. Otra técnica es el test de aprobación: se muestran las respuestas a personas de ambos bandos y se mide a quién le gustan más.
Y hay pruebas de comportamiento, como el experimento del Washington Post con respuestas limitadas a treinta palabras, o el de PoliScore, que entregó a los modelos miles de proyectos de ley reales del Congreso para ver cómo «votarían».
Lo interesante es que el sesgo varía según el idioma de la pregunta — un estudio encontró que ChatGPT y Gemini cambian de inclinación según el idioma en que se les consulte.
¿Qué respuesta obtiene el español?
El estudio usó el test del Political Compass —sesenta y dos afirmaciones sobre economía, religión, sexualidad y valores sociales— en catorce idiomas, incluido el español, aunque sin distinguir entre el de España y el latinoamericano.
En español, ChatGPT quedó en menos cinco coma ochenta y ocho en el eje económico y menos cuatro coma setenta y dos en el social; Gemini en menos cuatro coma setenta y cinco y menos cuatro coma setenta y dos. O sea, ambos inclinados a la izquierda, con Gemini algo más marcado en economía.
Lo curioso: el español cayó en el mismo grupo que el portugués, el italiano y el rumano —los idiomas romances— con respuestas muy consistentes entre sí, lo que sugiere que los datos de entrenamiento occidentales están bastante equilibrados en esos idiomas. El idioma que más varió fue el persa, un claro caso atípico.
Un matiz importante: el sesgo no es fijo, cambia según el idioma de la pregunta.
¿Por qué influye la lengua en las tendencias políticas de la IA?
El estudio apunta a tres causas. La primera es el alcance de los datos: los modelos aprenden de texto disponible en internet, y ese corpus no es ideológicamente equilibrado — hay más contenido occidental, anglosajón y de ciertas tradiciones culturales que de otras.
La segunda es la gramática y la estructura del idioma: cada lengua organiza el pensamiento de forma distinta, y eso puede empujar las respuestas hacia un lado u otro del eje político.
Y la tercera es el contexto cultural: los valores personales y la religión fueron los factores que más influyeron en las respuestas, mientras que la sexualidad y la economía pesaron menos.
Por eso el persa salió tan atípico — el corpus en ese idioma es mucho más pequeño y distinto al occidental.
¿Pueden las IA formarse criterios y emitir juicios de valor?
Sí, pueden emitir juicios de valor, y de hecho ya lo hacen. La neutralidad absoluta es un ideal que las empresas persiguen, pero en la práctica los modelos tienen criterios propios que se manifiestan en cómo responden.
Hay dos capas. Una es el criterio del modelo: durante el entrenamiento, con el ajuste fino y el aprendizaje por refuerzo, se le enseña qué respuestas son mejores. Eso no es neutralidad: es un juicio de valor incrustado en el sistema. Por eso, cuando le preguntas algo controvertido, no siempre dice «depende» — a veces toma partido, o al menos pondera los argumentos de forma desigual.
La otra capa es la memoria de la conversación: dentro de una misma charla, el modelo sí adapta su tono y su criterio al usuario. Si tú expresas una opinión y yo respondo, puedo ir ajustando mi posición para ser más útil, no para ser neutral. Eso es deliberado: el objetivo es ayudarte, no darte un discurso vacío.
Lo que no ocurre —al menos no todavía— es que un modelo cambie su criterio de fondo solo por hablar con el mismo usuario. La memoria entre sesiones es limitada, y el núcleo del modelo no se reescribe con cada conversación. El criterio de fondo lo pone la empresa que lo entrena, no el usuario.
¿Qué mecanismos usan las empresas para que el modelo tome partido?
Usan principalmente tres mecanismos.
El primero es el ajuste fino con retroalimentación humana: personas puntúan las respuestas del modelo, y esas puntuaciones entrenan un sistema de recompensa. Si los evaluadores prefieren respuestas que toman partido de cierta forma, el modelo aprende a hacerlo.
El segundo es el prompt del sistema: las empresas escriben instrucciones ocultas que el modelo lee antes de cada conversación. Anthropic, por ejemplo, le dice a Claude que trate los puntos de vista opuestos con la misma profundidad, pero también le pide que evite dar opiniones políticas no solicitadas. Esas instrucciones son un juicio de valor explícito.
El tercero es el aprendizaje por refuerzo con recompensas definidas: se premia al modelo por producir respuestas que se acerquen a «rasgos» predefinidos. Uno de esos rasgos en Claude es responder de forma que nadie pueda identificarlo como conservador ni como liberal. El criterio no es la neutralidad pura, sino la apariencia de neutralidad.
Ninguno de estos mecanismos es transparente para el usuario, y los tres influyen en cuándo el modelo toma partido y cuándo se abstiene.
¿Cual es la posible evolución de esta tendencia?
Hay tres caminos posibles, y no son excluyentes.
El primero es la transparencia forzada. Si la regulación o la presión de los usuarios exige que las empresas publiquen cómo puntúan las respuestas y qué instrucciones ocultas usan, el sesgo no desaparece, pero se vuelve visible. El usuario podría elegir qué criterio quiere que aplique el modelo.
El segundo es la personalización explícita. En vez de un criterio único para todos, el modelo podría preguntarte al principio qué valores prefieres — más conservador, más progresista, más libertario — y ajustar sus respuestas a eso. Eso ya existe de forma limitada en algunos sistemas, y podría generalizarse.
El tercero es la fragmentación. Si las empresas no convergen, veremos modelos con criterios muy distintos compitiendo en el mercado. Algunos serán abiertamente progresistas, otros conservadores, y el usuario elegirá según su preferencia. Eso ya está pasando en parte: Grok se posiciona distinto a ChatGPT, y hay modelos de código abierto que se entrenan con datos ideológicamente seleccionados.
Lo que no parece probable es que desaparezca el criterio. Un modelo que nunca toma partido es menos útil, y las empresas lo saben. La tendencia es hacia criterios más explícitos y elegibles, no hacia la neutralidad absoluta.
En definitva, la IA tiene un objetivo concreto: ser útil, ser seguro, parecer neutral, o lo que la empresa haya definido como deseable.