Un estudio fuerza a las IA a elegir candidatos y encuentra preferencias opuestas en Grok y OpenAI

Un estudio que plantea a sistemas de inteligencia artificial la elección entre candidatos pone el foco en una cuestión delicada: hasta qué punto las respuestas de estos modelos pueden reflejar preferencias políticas. El titular de la investigación apunta a resultados opuestos entre Grok y los modelos de OpenAI. La diferencia no demuestra, por sí sola, que una herramienta tenga una ideología definida, pero sí muestra por qué conviene examinar con cuidado cómo se construyen las preguntas, qué información recibe cada sistema y de qué manera interpreta una decisión electoral.

Qué significa obligar a una IA a elegir

Los asistentes conversacionales suelen estar diseñados para responder a solicitudes muy distintas. Pueden resumir propuestas, explicar conceptos o comparar posiciones. Sin embargo, pedirles que escojan un candidato cambia el tipo de tarea: en lugar de presentar información, el sistema debe producir una preferencia entre opciones políticas. Esa respuesta puede parecer una recomendación, aunque el modelo no tenga una opinión personal ni una intención política.

La expresión “forzar a elegir” describe una prueba en la que se solicita una decisión concreta, incluso cuando la herramienta podría preferir dar contexto o señalar que la elección depende de los valores de cada votante. El formato de la pregunta importa. No es lo mismo pedir una comparación equilibrada que exigir un nombre como respuesta. En el segundo caso, el sistema puede verse empujado a simplificar una cuestión que normalmente requiere considerar prioridades, circunstancias y fuentes diversas.

La respuesta generada tampoco equivale necesariamente a un respaldo deliberado. Los modelos de lenguaje producen texto a partir de patrones aprendidos durante su entrenamiento y de las instrucciones que reciben. Por eso, una preferencia mostrada en una prueba puede surgir de múltiples factores: la redacción del encargo, la información incluida, las reglas de seguridad del producto y la forma en que el sistema ordena los argumentos disponibles.

La pregunta puede cambiar el resultado

En una comparación política, pequeñas variaciones en el enunciado pueden modificar el marco de la respuesta. Una pregunta centrada en la economía puede llevar al modelo a destacar unas propuestas; otra enfocada en derechos, seguridad o servicios públicos puede poner el acento en aspectos distintos. También influye si se presentan perfiles simétricos o si una opción recibe más detalles que la otra.

Por esta razón, una prueba sólida no debería depender de una única formulación. Conviene repetir la evaluación con preguntas equivalentes, intercambiar el orden de los candidatos y comprobar si las conclusiones se mantienen. La consistencia ayuda a distinguir una tendencia persistente de una respuesta provocada por un detalle del prompt. Sin esa información metodológica, el hallazgo debe leerse como una señal que merece examen, no como una descripción completa de la conducta de cada producto.

Por qué Grok y OpenAI pueden responder de forma distinta

Grok y los modelos de OpenAI no son sistemas intercambiables. Cada producto tiene su propio diseño, sus datos de entrenamiento, sus instrucciones internas y sus mecanismos para responder a asuntos controvertidos. Incluso cuando dos herramientas reciben la misma pregunta, pueden interpretar de manera diferente qué significa ser útil, equilibrado o prudente. Esa combinación puede producir respuestas divergentes sin que exista una única causa evidente.

También importa cómo se ajusta el modelo después del entrenamiento general. Los sistemas suelen incorporar procesos destinados a mejorar la calidad de las respuestas y reducir determinados riesgos. Las decisiones tomadas en esas etapas pueden afectar a la manera de presentar información política: un producto puede inclinarse por ofrecer una comparación, mientras otro puede responder de forma más directa o evitar la elección. No basta con observar el resultado final para identificar qué regla o dato lo provocó.

Una preferencia no equivale a una ideología

Que una herramienta elija a un candidato en una prueba no permite concluir automáticamente que “apoya” a ese candidato. Los modelos no votan ni tienen convicciones personales. Generan respuestas condicionadas por instrucciones y patrones lingüísticos. El término preferencia, en este contexto, describe el resultado observable de una interacción, no una creencia interna comparable a la de una persona.

La distinción no resta importancia al resultado. Si un sistema expresa una inclinación de forma repetida y sin explicar sus criterios, puede influir en cómo una persona interpreta las opciones disponibles. El riesgo aumenta cuando la respuesta se presenta con seguridad, pero omite incertidumbres, contradicciones o límites de la información. La cuestión relevante no es atribuir una psicología humana al modelo, sino evaluar qué efectos puede tener su salida sobre quienes la consultan.

Además, una diferencia entre marcas no prueba que una sea neutral y la otra sesgada. La neutralidad no se mide solo por la opción que aparece al final. También requiere analizar si el sistema describe con rigor las propuestas, aplica los mismos criterios a todos los candidatos y reconoce cuándo una cuestión admite valoraciones distintas. Un modelo puede evitar nombrar a alguien y aun así presentar información desequilibrada; otro puede responder directamente, pero explicar sus límites con claridad.

Cómo interpretar los resultados de una prueba política

El valor de un estudio de este tipo depende de su método. Para interpretar una conclusión hacen falta detalles sobre los candidatos comparados, las instrucciones exactas, el número de formulaciones examinadas y la manera de clasificar las respuestas. También resulta necesario conocer si la evaluación considera una respuesta aislada o un patrón repetido. Sin esos elementos, no es posible saber cuánto pesa cada variable ni hasta dónde se pueden generalizar los resultados.

La comparación debe ser justa en la información que entrega a cada modelo. Si los perfiles no contienen el mismo nivel de detalle, o si una candidatura aparece asociada a más argumentos favorables, el resultado puede reflejar el diseño de la prueba. Lo mismo ocurre si los evaluadores deciden de antemano qué cuenta como una preferencia. Una respuesta matizada, por ejemplo, podría interpretarse de manera distinta según el criterio empleado para codificarla.

También es útil separar tres preguntas. La primera es qué contestó el sistema ante una instrucción concreta. La segunda es si esa respuesta se repite bajo otras formulaciones equivalentes. La tercera es si el patrón representa un problema para el público en un uso real. Cada una exige evidencia distinta. Una demostración llamativa puede servir para abrir el debate, pero no sustituye a una evaluación amplia ni permite afirmar que todos los usuarios recibirán la misma respuesta.

La transparencia como parte de la evaluación

Cuando una IA interviene en asuntos electorales, no solo importa la respuesta. También importa que el usuario entienda qué puede y qué no puede hacer la herramienta. Una explicación clara debería diferenciar entre datos verificables, interpretaciones y recomendaciones. Si el sistema no cuenta con información suficiente para comparar candidaturas, debería reconocerlo en vez de cubrir el vacío con una respuesta tajante.

La transparencia también afecta a quienes diseñan y evalúan estos productos. Publicar criterios generales, describir las limitaciones de las pruebas y repetir los experimentos con variaciones ayuda a que otras personas puedan valorar las conclusiones. No hace falta suponer una intención oculta para pedir rendición de cuentas: basta con reconocer que estas herramientas pueden moldear la comprensión de temas públicos cuando se usan para informarse o decidir.

Qué implica para votantes y empresas tecnológicas

Para los votantes, la principal precaución es no tratar una respuesta generada como una recomendación electoral independiente. Una IA puede ayudar a ordenar información o aclarar términos, pero no sustituye la consulta de programas, debates y fuentes diversas. También conviene pedir que compare criterios concretos y que distinga los hechos de las valoraciones. La responsabilidad de decidir permanece en cada persona.

Para las empresas tecnológicas, el reto consiste en equilibrar utilidad y cautela. Bloquear cualquier pregunta política reduciría algunos riesgos, pero también limitaría el acceso a explicaciones que pueden ser valiosas. Responder de forma directa a todas las solicitudes tampoco sería una solución suficiente. Los sistemas necesitan manejar las diferencias entre informar, comparar y persuadir, además de evitar que una petición sesgada convierta al asistente en una herramienta de propaganda.

El contraste señalado entre Grok y OpenAI sirve, así, para plantear una cuestión más amplia que la competencia entre productos. Las respuestas políticas de una IA dependen tanto de su arquitectura y de sus reglas como de las preguntas que recibe. Medirlas requiere pruebas repetibles, criterios explícitos y atención a los límites de cada conclusión. La meta no es imaginar que un modelo puede ser completamente ajeno a cualquier sesgo, sino saber detectar cómo aparecen posibles inclinaciones y reducir el riesgo de que se presenten como una verdad objetiva.