Sesgos de la inteligencia artificial: de dónde sale la perspectiva de sus respuestas y qué medios cita en España

Es la pregunta que el briefing diario de sinsesgo le hace cada mañana a la prensa: desde dónde cuenta cada medio una noticia y con qué fuentes. Aquí se la hacemos a ChatGPT, Gemini, Perplexity, Copilot y a los dos productos de IA del buscador de Google.

La pregunta útil no es si la IA es de izquierdas

Casi todo lo que se publica sobre el sesgo político de la IA sale de tests ideológicos. David Rozado aplicó once de esos cuestionarios a 24 modelos conversacionales y la mayoría salió a la izquierda del centro. Pero el resultado depende de cómo se pregunta. Röttger y su equipo comprobaron que basta reformular una instrucción para desplazar a un modelo en la brújula política más de lo que ese mismo test separa a Joe Biden de Donald Trump.

El sesgo de un modelo no es una cifra grabada en su interior. Es más útil pensarlo por capas, porque cada una deja su huella y no todas dependen de la empresa que lo fabrica:

1. Los textos con los que se entrenó.
2. El ajuste posterior, que le enseña qué es una buena respuesta.
3. Lo que entra en la conversación: instrucciones, tu pregunta, los documentos que le das.
4. Las páginas que encuentra cuando busca en la web.

Lo que el modelo aprende antes de hablar contigo

Un modelo de lenguaje aprende prediciendo la siguiente palabra en enormes colecciones de texto, sobre todo páginas web, y lo que contienen poco pesa poco. En el corpus de Llama 2, el modelo abierto de Meta, el español aparecía en el 0,13 % de los documentos, y el inglés, en el 89,7 %. Limpiar la web también selecciona: en C4, un corpus muy usado, el filtro de palabras vetadas eliminó el 42 % de los textos en inglés afroamericano y el 6,2 % de los asociados a hablantes blancos, según Dodge y su equipo. Y el signo político de los textos se hereda, aunque poco: Feng y sus coautores lo comprobaron entrenando modelos pequeños con noticias y foros de un solo lado.

Después llega el ajuste: personas, o a veces otro modelo, comparan respuestas y el sistema aprende a producir las preferidas. Los autores de InstructGPT, antecedente de ChatGPT, advierten de que lo alinearon con las preferencias de unos 40 evaluadores y de los propios investigadores, no con unos «valores humanos» genéricos. Ese paso mueve opiniones: según Santurkar y su equipo, tras el ajuste los modelos se parecían más a los estadounidenses liberales, con estudios e ingresos altos. Y deja otra huella, la complacencia: Sharma y su equipo vieron que cinco asistentes tendían a darle la razón al usuario, en parte porque quienes puntúan respuestas prefieren las que coinciden con su opinión. Si dejas ver tu postura, puede volverte reflejada.

Lo que entra en la conversación cambia la respuesta

Todo lo que el modelo tiene delante al responder cuenta: las instrucciones de sistema que fija la empresa, tu mensaje y los documentos que pegues o que la herramienta recupere. Y los modelos tratan ese material como evidencia. Xie y su equipo les dieron textos que contradecían lo aprendido y, si eran coherentes y convincentes, los adoptaban. Wan, Wallace y Klein vieron que, para decidir qué página les convence, se fijan sobre todo en si responde a la pregunta, y apenas en las referencias o el tono neutral que valoraría un lector atento.

De ahí el riesgo de un contexto parcial. En un experimento aún sin revisión por pares, Triedman y Shmatikov dieron a nueve modelos argumentos de un solo lado sobre 107 temas polémicos, y todos cambiaron de postura en muchos. Por eso un resumen «neutral» de tres artículos del mismo bloque puede salir escorado sin que el modelo tenga ideología alguna.

La forma de preguntar pesa igual: al evaluar sus modelos, OpenAI vio que se mantienen cerca de la objetividad con preguntas neutras y muestran un sesgo moderado con las de carga emocional, sobre todo las formuladas desde posiciones progresistas. Queda la búsqueda, la única capa que deja rastro visible desde fuera: las citas.

Qué medios cita la IA en España, según Ahrefs

El estudio de Ahrefs sobre los medios más citados por la IA, firmado por Iván Fanego, analiza 2.262.194 preguntas lanzadas en España, con datos del 30 de junio de 2026. Antes de leer sus tablas conviene saber tres cosas:

• Mide respuestas, no enlaces: cuántas de las entre 303.000 y 330.000 respuestas de cada plataforma enlazan a un medio al menos una vez.
• Las preguntas no son de política. Según la metodología de Brand Radar, salen de búsquedas reales convertidas en preguntas y se lanzan en la versión gratuita de cada plataforma, sin historial. Como mucho, entre el 2,5 % (Gemini) y el 12,4 % (AI Overviews) de las respuestas enlaza alguno de los diez medios de la lista.
• Solo publica el top 10 de medios generalistas por plataforma, elegidos a mano y sin deportivos ni económicos. Un medio ausente no tiene cero citas: tiene menos que el décimo.

Dejamos fuera Grok, cuyos datos el autor da por desactualizados, y a cada dominio le asignamos la posición que sinsesgo usa en todo el sitio, explicada en de dónde sale la posición de cada medio.

Cómo se reparten las citas entre izquierda y derecha

Lo primero que salta es una ausencia: ninguno de los seis medios de izquierda entra en ninguna lista. Todo lo que queda a la izquierda del centro son El País y La Vanguardia. En cinco plataformas, ese bloque reúne alrededor de un tercio de las citas que podemos clasificar, y la centroderecha y la derecha, los otros dos tercios. ChatGPT invierte el reparto.

Por qué ChatGPT se separa del resto

Entre las fuentes que cita ChatGPT, un medio explica casi toda la diferencia: El País, con el 55,9 % de sus citas clasificables. Sin él, el bloque izquierdo cae del 66,8 % al 24,8 %. Para comparar en igualdad de condiciones, el gráfico 3 usa solo los seis medios presentes en las seis listas y los compara con el tráfico que reciben desde Google, según estima Ahrefs.

Hay dos explicaciones documentadas, y ninguna es ideológica. En marzo de 2024, OpenAI anunció un acuerdo con Prisa Media, editora de El País, para mostrar sus noticias en ChatGPT «con atribución y enlaces». Y algunos medios no dejan entrar a los rastreadores de las IA: en las copias de su robots.txt de abril y julio de 2026 que guarda Internet Archive, El Mundo bloquea el buscador de OpenAI, el de Perplexity y el permiso que usa Gemini. Falta justo en esas tres listas y es segundo en el Modo IA de Google, que no depende de ese permiso. ABC tiene el mismo bloqueo y falta en Gemini y Perplexity.

No lo explican todo. Sin El País, ChatGPT sigue dando a La Vanguardia más peso que su tráfico, y a OKDiario, menos. Con seis medios y una sola foto, no podemos saber si eso refleja una preferencia por ciertas cabeceras o algo tan prosaico como la forma en que cada web está indexada.

Lo que la tabla de Ahrefs no enseña

Al publicar solo diez medios por plataforma, el estudio deja fuera a once de los nuestros. El gráfico 4 prueba dos casos extremos para ver cuánto podría cambiar el reparto si hubieran entrado.

ChatGPT queda por encima del 50 % en cualquier caso, y Gemini y Perplexity, por debajo. En los dos productos de Google y en Copilot, lo que el estudio no publica podría inclinar la balanza hacia cualquier lado. Tampoco sabemos por qué no aparece elDiario.es: en la copia de su robots.txt del 30 de junio no bloquea a ninguna IA.

Qué dicen estos datos sobre los sesgos de la inteligencia artificial, y qué no

Al hablar de los sesgos de la inteligencia artificial se mezclan cuatro cosas distintas. Este análisis mide solo la segunda:

• La orientación de un medio es una propiedad de la cabecera, que estimamos con estudios de audiencia y de contenido cuando existen.
• El reparto de las fuentes citadas depende de qué páginas existen, se indexan, se dejan leer o tienen acuerdo comercial.
• El sesgo de una respuesta se juzga en el texto: puede ser parcial citando a los dos lados, o equilibrada citando a uno.
• El sesgo sistemático de un modelo exige comparar muchas respuestas en condiciones controladas, y ya hemos visto lo frágiles que son esas mediciones.

El caso español lo ilustra. En un trabajo aún sin revisión por pares, Chen y su equipo hicieron votar a varios modelos, algunos ya antiguos, 2.480 mociones del Congreso, y sus votos se parecían más a los de PSOE, ERC y Junts que a los de PP y Vox. Mientras, en el top 10 que publica Ahrefs, cinco plataformas citan sobre todo a medios de centroderecha y derecha. Las dos cosas pueden ser ciertas a la vez: una no sirve para deducir la otra.

Que las fuentes no basten para medir el sesgo no significa que den igual. Lo que entra en el contexto condiciona la respuesta, y la selección puede tener su propio sesgo: en Estados Unidos, Dai y su equipo comprobaron que los modelos citan medios clasificados como de izquierda más que un buscador clásico, por el nombre del medio y no por el texto. Y una cita no garantiza nada: en la auditoría de Liu, Zhang y Liang, una de cada cuatro no respaldaba su frase, y el estudio de la UER y la BBC con 22 radiotelevisiones públicas, RTVE entre ellas, halló problemas graves de fuentes en el 31 % de las respuestas sobre noticias.

Cómo preguntar a una IA sobre política sin empujar la respuesta

No puedes cambiar cómo se entrenó un modelo, pero sí casi todo lo que entra en la conversación. Una premisa escondida, una palabra cargada o un único documento le dicen qué respuesta esperas:

• Premisa escondida. En lugar de «¿Por qué la subida del salario mínimo destruye empleo?», pregunta: «¿Qué efectos ha tenido la subida del salario mínimo sobre el empleo según los estudios publicados? Separa lo medido de lo que se discute».
• Palabra cargada. En lugar de «¿Qué opinas del despilfarro en ayudas públicas?», pregunta: «¿Cuánto se gasta en esas ayudas, quién las recibe y qué dicen sus defensores y sus críticos?».
• Contexto de un solo lado. Si pegas un artículo, pide además qué afirmaciones dependen de sus fuentes y qué contaría un medio con la línea contraria.

Pedir una postura neutral ayuda: en un estudio de Stanford con más de 10.000 estadounidenses, aún sin revisión por pares, las respuestas a las que se les pedía neutralidad se percibían como más neutrales. Después, examina la primera respuesta:

1. «¿Qué parte de tu respuesta es un hecho comprobable, cuál una interpretación y cuál una opinión?» Lo explica la guía sobre opinión e información.
2. «¿Cuál es el argumento más sólido de quien piensa lo contrario?»
3. «¿Qué fuente primaria respalda esa cifra? Dame el enlace y la frase exacta.» Ábrelo y comprueba que dice lo que se le atribuye.
4. «¿Qué no se sabe todavía y qué datos faltan?»

Desconfía también del contexto que has puesto tú. Si la respuesta repite tus palabras o solo cita los documentos que le diste, repite la pregunta en una conversación nueva, sin ellos, o házsela a otro asistente. Y antes de dar por buena una afirmación importante, búscala fuera de la IA, en fuentes independientes entre sí, como explica la guía sobre cómo contrastar una noticia.

Fuentes

• Fanego, «Cuáles son los medios más citados por la IA en España», Ahrefs, 13 de julio de 2026, y la metodología de Brand Radar.
• Rozado, «The political preferences of LLMs», PLOS ONE, 2024.
• Röttger et al., «Political Compass or Spinning Arrow?», ACL, 2024.
• Touvron et al., «Llama 2: Open Foundation and Fine-Tuned Chat Models», arXiv, 2023.
• Dodge et al., «Documenting Large Webtext Corpora», EMNLP, 2021.
• Feng et al., «From Pretraining Data to Language Models to Downstream Tasks», ACL, 2023.
• Ouyang et al., «Training language models to follow instructions with human feedback», NeurIPS, 2022.
• Santurkar et al., «Whose Opinions Do Language Models Reflect?», ICML, 2023.
• Sharma et al., «Towards Understanding Sycophancy in Language Models», ICLR, 2024.
• Xie et al., «Adaptive Chameleon or Stubborn Sloth», ICLR, 2024.
• Wan, Wallace y Klein, «What Evidence Do Language Models Find Convincing?», ACL, 2024.
• Triedman y Shmatikov, «MillStone: How Open-Minded Are LLMs?», arXiv, 2025 (sin revisión por pares).
• OpenAI, «Defining and evaluating political bias in LLMs», 2025.
• OpenAI, «Global news partnerships: Le Monde and Prisa Media», 2024, y la documentación de sus rastreadores.
• Google, documentación de Google-Extended.
• Internet Archive, copias del robots.txt de El Mundo (abril y julio de 2026), de ABC y de elDiario.es.
• Chen et al., «Uncovering Political Bias in Large Language Models using Parliamentary Voting Records», arXiv, 2026 (sin revisión por pares).
• Dai et al., «Media Source Matters More Than Content», EMNLP, 2025.
• Liu, Zhang y Liang, «Evaluating Verifiability in Generative Search Engines», Findings of EMNLP, 2023.
• UER y BBC, «News Integrity in AI Assistants», 2025.
• Westwood, Grimmer y Hall, «Measuring Perceived Slant in Large Language Models Through User Evaluations», Stanford GSB, 2025 (documento de trabajo).