El Post

Lo esencial: Múltiples estudios científicos publicados entre 2024 y 2025 confirman que los grandes modelos de lenguaje exhiben sesgos políticos, con una marcada tendencia hacia posiciones libertario-izquierdistas, y que la neutralidad total parece inalcanzable.

La evidencia proviene de pruebas estandarizadas, auditorías de usuarios, análisis multilingües y evaluaciones técnicas de empresas y centros académicos.

Por qué importa: Los sistemas de IA ya influyen en decisiones individuales y colectivas —desde opinión pública y consumo informativo hasta procesos electorales y políticas públicas—, pero su sesgo puede alterar percepciones, reforzar polarización o afectar a grupos vulnerables.

La región enfrenta riesgos adicionales por menor precisión en español y ausencia de marcos regulatorios robustos.

La evidencia del sesgo: Los estudios coinciden en un patrón: la mayoría de los modelos comerciales se inclinan hacia posiciones libertarias-progresistas.

GPT-3.5 y GPT-4 se ubicaron sistemáticamente en el cuadrante libertario-izquierdista del Political Compass Test; la reducción del sesgo entre versiones fue “negligible”.
Un estudio masivo del Stanford HAI mostró que tanto demócratas como republicanos perciben sesgos izquierdistas, siendo más marcados en modelos de OpenAI.
Evaluaciones multilingües en 14 idiomas confirman sesgo persistente, con variaciones relevantes entre idiomas.

De dónde proviene el sesgo: La literatura identifica causas estructurales.

Datos de entrenamiento desbalanceados: predominio de contenido de izquierda en los corpus masivos usados para pre-entrenar modelos.
Alineación con principios de seguridad: las reglas para evitar discriminación o desinformación tienden a asociarse culturalmente con valores progresistas.
Modelos de recompensa: sesgos detectados incluso cuando se entrenan con datos verdaderos/falsos, especialmente en temas de clima, energía y sindicatos.
Escalamiento: los modelos más grandes amplifican el sesgo (Qwen-72B, Llama-70B).

El debate: ¿neutralidad imposible o sesgo justificable?

Investigadores de Stanford sostienen que la neutralidad perfecta es “teórica y prácticamente imposible”, proponiendo “aproximaciones de neutralidad” como presentar múltiples perspectivas o etiquetar salidas sesgadas.

Anthropic, mediante Constitutional AI, busca “paridad política”. Sus modelos Claude Sonnet 4.5 y Opus 4.1 reportan más del 94% de neutralidad medida, por encima de Meta y OpenAI.

Académicos críticos plantean que el sesgo hacia valores progresistas es inevitable si se respetan principios de seguridad como evitar odio, extremismo y desinformación.

Otra corriente propone pluralismo ideológico: modelos con “diales” que permitan ajustar la inclinación hacia posiciones conservadoras, liberales o neutrales.

Medidas en desarrollo: Las empresas y reguladores aplican varias estrategias.

Auditorías y red teaming para detectar sesgos antes del despliegue.
Métricas de evaluación estandarizadas (Anthropic y OpenAI publicaron bancos de pruebas para medir neutralidad política).
Mitigación algorítmica mediante curación de datos, restricciones internas de equidad y calibración de salidas.
Transparencia: documentación de principios de entrenamiento, perfiles de sesgo y monitoreo continuo.

Presión regulatoria creciente: La discusión ya llegó a gobiernos.

EE. UU. (EO 14319 – “Previniendo IA Woke”): exige que los sistemas adquiridos por el Estado muestren “neutralidad ideológica”, prohibiendo ciertos conceptos asociados a teorías críticas.
Unión Europea (AI Act): exige pruebas de sesgo para sistemas de alto riesgo, incluso permitiendo tratar datos sensibles para detectar discriminación.
IEEE 7003-2024: establece estándares globales para medir y mitigar sesgo algorítmico.

Impacto real en decisiones políticas: Un estudio con 299 participantes demostró que pocas interacciones con chatbots sesgados bastan para mover opiniones políticas en la dirección del modelo, incluso cuando los usuarios detectan el sesgo.

Las personas con mayor alfabetización en IA mostraron menor desplazamiento.

El caso latinoamericano: La región enfrenta retos particulares:

Modelos de IA responden con menor precisión en español.
Datos traducidos o incompletos perpetúan sesgos raciales o de género.
Sistemas automatizados usados en programas sociales pueden reproducir exclusiones.
En Bolivia, un análisis automatizado de un fallo judicial reactivó el debate local sobre si la IA puede ser un “árbitro neutral”.

Qué sigue: El consenso emergente es que la neutralidad perfecta no existe, pero sí es posible reducir daño mediante:

Datos representativos
Métricas de equidad por subgrupos
Auditorías externas obligatorias
Explicabilidad y documentación de sesgos
Mecanismos de reparación cuando un sistema causa daño verificable

La conclusión: El desafío abierto es quién define la línea entre seguridad, pluralismo y censura en un ecosistema donde los modelos influyen cada vez más en opinión pública, instituciones y democracia.