En pocas palabras: Según el paper “It’s How You Ask” (arXiv, 2026), los LLMs no te discriminan por decir tu género: reaccionan al estilo del prompt. El lenguaje atenuado —diminutivos, “si no te molesta”, preguntas de cortesía— degrada la respuesta: sale más corta, menos formal y menos elaborada.
Ponele que le pedís lo mismo a ChatGPT dos veces, pero una vez arrancás con “escribí un informe” y la otra con “¿podrías, si no es mucha molestia, armarme algo cortito?”. El estudio It’s How You Ask (2026) confirma que la segunda versión sale peor: más breve, menos formal y superficial. El sesgo no está en a quién nombrás, está en cómo redactás.
El sesgo lingüístico de género en LLMs es la tendencia de modelos como ChatGPT, Claude o Gemini a variar la calidad, longitud y formalidad de sus respuestas según rasgos del registro asociados socialmente a hombres o mujeres (atenuantes, preguntas etiquetadas, referencias colectivas), y no según el género declarado del usuario. El paper “It’s How You Ask” (arXiv, 2026) describe este fenómeno.
En 30 segundos
- No es sobre nombres: el modelo no te discrimina por decir “soy María”. Reacciona al estilo del prompt (atenuantes, diminutivos, preguntas de cortesía).
- El lenguaje “suave” degrada: prompts con hedges tipo “quizás”, “si no te molesta” o “podría ser” tienden a producir respuestas más cortas y menos formales.
- El español complica el cuadro: es una lengua con género gramatical (abogado/abogada) y menos datos de entrenamiento, pero su carácter pro-drop a veces genera respuestas más balanceadas que el inglés o el alemán.
- Está en las capas tempranas: el análisis mecanicista ubica estos rasgos en las primeras capas del transformer, no es un bug de una empresa puntual.
- Mitigar es difícil: los patrones están culturalmente incrustados y el fine-tuning en un idioma no transfiere bien a otro.
¿Qué rasgos del lenguaje disparan el sesgo lingüístico género LLMs?
Tres familias de rasgos, según describe el paper. Ninguna tiene que ver con declarar tu género de forma explícita.
- Atenuantes (hedges): las coletillas que bajan la afirmación. “Capaz”, “quizás”, “no sé si tiene sentido”, “podría llegar a ser”. En Argentina sumá el clásico “¿viste?” y el “una cosita”.
- Preguntas etiquetadas (tag questions): ese cierre que pide aprobación. “Está bien así, ¿no?”, “sería mejor eso, ¿verdad?”.
- Referencias colectivas: hablar en plural o difuminar la autoría propia. “Estábamos pensando”, “se nos ocurrió”, en vez de “necesito”.
La sociolingüística viene documentando desde hace décadas que estos rasgos aparecen más en el habla asociada a mujeres. El problema es que los modelos aprendieron esa correlación del texto de entrenamiento y la arrastran a la respuesta.
¿Por qué el lenguaje “suave” degrada la respuesta de la IA?
Porque el modelo interpreta el registro como una señal del nivel de exigencia. Si el prompt suena tentativo y de baja demanda, la respuesta se calibra hacia abajo: más breve, menos formal, con menos estructura. El estudio probó esto en varios modelos y encontró el patrón de forma consistente, no en uno solo. Cubrimos ese tema en detalle en la seguridad de infraestructuras.
Pensalo así. Un prompt directo (“armá un plan de migración en 5 pasos”) le dice al modelo “esto es serio, poné todo”. Un prompt atenuado (“¿capaz me podrías tirar alguna idea de por dónde arrancar?”) le dice “cualquier cosa zafa”. El modelo, que no tiene intención sino estadística, le da lo que la forma pide.
Lo incómodo es la asimetría. Dos personas con la misma pregunta de fondo obtienen distinta calidad según cómo hayan sido socializadas para pedir. Y como los rasgos son inconscientes, la persona afectada ni se entera de que está dejando calidad sobre la mesa.
¿El sesgo es distinto en español que en inglés?
Sí, y por dos motivos que tiran para lados opuestos. El español es una lengua con género gramatical marcado: las profesiones cambian de terminación (el abogado, la abogada; el ingeniero, la ingeniera). Eso da más superficie para que el modelo asocie rol con género, un fenómeno que la literatura sobre medición de sesgo en lenguas con género viene estudiando.
Ahora bien, el español también es una lengua pro-drop: el sujeto se omite (“trabajo”, no “yo trabajo”). Esa característica a veces produce respuestas más balanceadas que en inglés o alemán, donde el pronombre es obligatorio y fuerza al modelo a comprometerse con un género antes. No es que el español esté “curado” del problema. Está expuesto de otra manera.
Un factor extra juega en contra nuestro: el volumen de datos. El grueso del entrenamiento de estos modelos es texto en inglés, y trabajos como el de Fundar sobre sesgos algorítmicos señalan que el español queda con menos representación, lo que suele amplificar los sesgos en lugar de suavizarlos.
¿Cómo se codifica esto dentro del transformer?
El análisis mecanicista del paper ubica estos rasgos lingüísticos en las capas iniciales del modelo. En criollo: el transformer “decide” el registro y el tono muy temprano en el procesamiento, antes de razonar sobre el contenido de tu pedido. Para más detalles técnicos, mirá cómo ChatGPT responde ante sesgos.
Esto tiene una consecuencia fea. No es una preferencia superficial que se corrige con un par de ejemplos. Está metida en cómo el modelo representa el lenguaje desde el vamos. Por eso no sirve echarle la culpa solo a OpenAI o a Anthropic: es una propiedad de la arquitectura entrenada sobre lenguaje humano, y el lenguaje humano trae el sesgo adentro.
Ejemplos concretos: prompts neutros vs. prompts con atenuantes
Mirá la diferencia en la práctica. Mismo objetivo, distinta redacción, distinto resultado esperable.
| Rasgo lingüístico | Prompt de ejemplo | Efecto típico en la respuesta |
|---|---|---|
| Directo (baseline) | “Escribí un email profesional para reprogramar una reunión.” | Respuesta completa, formal, con estructura de saludo y cierre. |
| Atenuante (hedge) | “¿Capaz podrías, si no es mucha molestia, armarme un emailcito?” | Más corta, tono informal, menos elaborada. |
| Pregunta etiquetada | “Armame un email, estaría bien algo simple, ¿no?” | El modelo tiende a “simplificar” de más, asumiendo baja exigencia. |
| Referencia colectiva | “Estábamos viendo si se podía escribir algún email por ahí.” | Respuesta vaga, con la autoría y la demanda difuminadas. |
La fila de arriba y la de abajo pueden salir de la misma persona en el mismo día. Cambia el café, cambia el humor, cambia con quién está hablando. Y el modelo responde a esa forma, no a la necesidad real.
¿Cómo escribir prompts para evitar el sesgo lingüístico?
Con lenguaje directo y estructurado. No elimina el sesgo del modelo, pero le saca las señales que lo disparan. Estas prácticas ayudan. Más contexto en que fundamentan estos sistemas.
- Sacá los atenuantes: pedí, no consultes si se puede pedir. “Redactá X” en vez de “¿podrías quizás ver de X?”.
- Rol + tarea + contexto: “Actuá como analista financiero. Resumí este balance en 5 bullets. El público son directores no técnicos.” Estructura clara, cero cortesía innecesaria.
- Segunda persona firme: hablale de “vos/usted” al modelo con verbos en imperativo. El imperativo señala exigencia alta.
- Few-shot cuando importa: si querés una calidad puntual, mostrá un ejemplo del formato esperado. El modelo copia el nivel.
- Chain-of-thought para tareas complejas: pedir “pensá paso a paso” sube el esfuerzo del modelo independientemente del registro.
Ojo con la trampa: esto le pide a la persona que “hable como hombre” para que la IA la trate mejor. Es una solución de parche, no de fondo. Sirve para hoy, no te confundas con que arregla el problema.
¿Se puede “arreglar” el sesgo? Por qué la mitigación es limitada
Por ahora, poco y con asteriscos. El hallazgo más duro del paper es que estos patrones están culturalmente incrustados y quedan fuera del control consciente de quien escribe. No podés pedirle a la gente que evite estratégicamente rasgos que ni sabe que usa.
Del lado técnico, el panorama tampoco es cómodo. El fine-tuning que corrige el sesgo en un idioma no transfiere bien a otro, así que arreglarlo en inglés no te lo arregla en español. Y los patrones persisten aunque cambies la temperatura de sampling, o sea que no es ruido que se filtra tocando un parámetro. Está en la representación, y ahí es donde cuesta.
Para empresas y equipos en Latinoamérica que montan chatbots o asistentes internos, esto importa. Si tu app conversacional atiende clientes reales y la calidad de respuesta varía según el registro de quien pregunta, tenés un problema de equidad silencioso corriendo en producción. Vale medirlo antes de asumir que el modelo trata igual a todos. Relacionado: en las herramientas de Google.
Errores comunes al pensar el sesgo de género en IA
- Creer que es sobre pronombres: mucha gente cree que el sesgo aparece solo cuando el modelo asume “él” o “ella”. El hallazgo de “It’s How You Ask” es más sutil: está en el estilo del prompt, no en el género nombrado.
- Pensar que es culpa de una sola empresa: el patrón apareció en varios modelos de distintos proveedores. Es de la arquitectura entrenada sobre lenguaje humano, no de un equipo que se mandó una macana.
- Asumir que traducir resuelve: testear el sesgo en inglés y dar por hecho que el español está cubierto. No transfiere. Cada idioma se mide aparte.
- Confiar en un solo prompt de prueba: medir sesgo con dos o tres ejemplos sueltos no dice nada. Hace falta variar sistemáticamente el registro sobre la misma tarea para ver el efecto.
Preguntas Frecuentes
¿Qué es el sesgo lingüístico de género en modelos de lenguaje?
Es la tendencia de un LLM a dar respuestas de distinta calidad según rasgos del registro asociados socialmente a hombres o mujeres, como atenuantes y preguntas de cortesía. No depende del género que declara el usuario, sino de cómo está escrito el prompt.
¿Cómo influye la forma de preguntar en las respuestas de ChatGPT y Claude?
Un prompt directo y estructurado tiende a producir respuestas más completas y formales. Uno cargado de atenuantes (“quizás”, “si no te molesta”) suele generar respuestas más cortas y menos elaboradas, porque el modelo lee el registro tentativo como baja exigencia.
¿Por qué los atenuantes generan respuestas menos sofisticadas?
Porque el modelo asocia esos rasgos con un pedido de baja demanda y calibra su esfuerzo hacia abajo. El estudio “It’s How You Ask” ubica esa decisión en las capas tempranas del transformer, antes de razonar sobre el contenido del pedido.
¿El sesgo lingüístico es diferente en español que en inglés?
Sí. El español tiene género gramatical marcado en profesiones (abogado/abogada), lo que da más superficie al sesgo, pero su carácter pro-drop a veces produce respuestas más balanceadas que el inglés. La menor cantidad de datos de entrenamiento en español tiende a amplificar los sesgos.
¿Se puede mitigar el sesgo de género en prompts de IA?
Se puede reducir usando lenguaje directo, estructura de rol más tarea más contexto y evitando atenuantes, pero no se elimina. Los patrones están culturalmente incrustados y el fine-tuning que los corrige en un idioma no transfiere bien a otro.
Conclusión
Lo que cambia con “It’s How You Ask” es dónde ponemos la lupa. Veníamos mirando si el modelo asumía “él” o “ella”; el paper muestra que el sesgo más práctico está en el estilo del prompt y golpea la calidad de la respuesta sin que nadie lo note.
Para el usuario común, la recomendación de corto plazo es incómoda pero útil: pedile a la IA de forma directa y estructurada, sin coletillas de cortesía, y vas a sacar mejores respuestas. Para quien construye productos con LLMs, el mensaje es otro. Medí el sesgo en tu idioma, con variación real de registro, y no asumas que el modelo trata parejo a todo el mundo. La mitigación existe, pero hoy es parcial, y confiar en que se arregla solo es la mejor forma de dejarlo corriendo en producción.
Fuentes
- It’s How You Ask: Gender-Associated Linguistic Bias in LLMs (arXiv, 2026) – paper original sobre el sesgo por registro lingüístico.
- Estudio complementario en arXiv sobre sesgo de género en LLMs – análisis técnico relacionado.
- Fundar: Sesgos algorítmicos y representación social en modelos generativos – contexto sobre el español y la representación de datos.
- ACL Anthology: medición de sesgo de género en lenguas con género gramatical – metodología para lenguas como el español.
- ResearchGate: uso de LLMs para medir sesgo de género en lenguas gendered – enfoque de medición.
