Un estudio del Centro de Comunicación Constructiva del MIT, publicado el 19 de febrero de 2026, encontró que los modelos de Inteligencia Artificial más usados, entre ellos GPT-4, Claude 3 Opus y Llama 3, dan respuestas menos precisas y menos veraces a usuarios con menor dominio del inglés, menos formación académica formal, o procedentes de fuera de Estados Unidos. Si eres un profesional hispanohablante que pregunta en español o en un inglés no nativo, la respuesta que recibes puede tener, de partida, peor calidad que la que recibiría otra persona con el mismo perfil profesional preguntando en inglés nativo.
Esto no es una sensación ni una queja anecdótica. Es un hallazgo medido, con cifras concretas, sobre un sesgo que hasta ahora nadie había cuantificado con este nivel de detalle en modelos de Inteligencia Artificial de uso masivo.
¿Qué midió exactamente el estudio del MIT?
El equipo, liderado por la investigadora Elinor Poole-Dayan junto a Jad Kabbara y Deb Roy, sometió a tres modelos de Inteligencia Artificial a preguntas de dos bancos de datos distintos: TruthfulQA, diseñado para medir veracidad frente a errores comunes, y SciQ, con preguntas de ciencia de nivel examen. A cada pregunta le añadieron una breve biografía del usuario que variaba tres rasgos: nivel educativo, dominio del inglés y país de origen.
El resultado, publicado en la conferencia AAAI de Inteligencia Artificial en enero de 2026, fue una caída significativa en la precisión de las respuestas cuando el perfil describía a alguien con menos formación académica o hablante no nativo de inglés. El efecto se agravaba cuando ambos rasgos coincidían en la misma persona.
Los números que deberían preocupar a cualquier profesional hispanohablante
Claude 3 Opus se negó a responder casi el 11% de las preguntas cuando el perfil describía a un usuario con menos formación y no nativo de inglés, frente a solo el 3,6% en la condición de control sin ningún perfil asociado. Es decir, el mismo modelo esquivó la respuesta tres veces más a menudo solo por el perfil del usuario que preguntaba, no por la pregunta en sí.
Más llamativo aún: cuando los investigadores analizaron manualmente esas negativas, encontraron que Claude respondía con lenguaje condescendiente o displicente el 43,7% de las veces para usuarios con menos formación, frente a menos del 1% para usuarios con formación alta. En algunos casos, el modelo imitaba un inglés deliberadamente peor o adoptaba un dialecto exagerado.
¿Por qué ocurre esto? La huella del entrenamiento
Parte de la explicación es estructural. Los modelos de lenguaje se entrenan con enormes volúmenes de texto en inglés, muy superiores a los disponibles en español u otros idiomas. Esa desproporción histórica en los datos de entrenamiento deja el llamado espacio latente del modelo, la forma en que organiza internamente el conocimiento, sesgado hacia el inglés, con el resto de idiomas formando agrupaciones más superficiales y peor conectadas al razonamiento central del sistema, según la literatura académica sobre modelos multilingües revisada para este artículo.
A eso se suma un patrón documentado en ciencias sociales: los hablantes nativos de inglés tienden a percibir a los hablantes no nativos como menos formados, menos inteligentes y menos competentes, con independencia de su experiencia real. El estudio del MIT sugiere que ese sesgo humano, documentado durante décadas en aulas y evaluaciones, se ha filtrado también a los sistemas de Inteligencia Artificial que hoy responden millones de preguntas al día.
El Reuters Institute confirma que el problema del idioma ya se nota en el uso diario
El informe Digital News Report 2026 del Reuters Institute for the Study of Journalism, de la Universidad de Oxford, encontró que un tercio de las personas que usan Inteligencia Artificial para informarse la utiliza también para traducir noticias a su idioma preferido. Es un indicio directo de que millones de usuarios ya perciben, aunque sea de forma intuitiva, que la respuesta original en su idioma no es tan completa o tan clara como la que obtendrían en inglés.
El mismo informe encontró que solo el 20% de los usuarios confía en el contenido informativo generado por Inteligencia Artificial, una cifra que baja de forma consistente entre quienes no interactúan con estos sistemas en su lengua nativa.
¿Qué significa esto para un profesional que consulta a la Inteligencia Artificial en español?
Si preguntas en español sobre tu sector, tu normativa profesional o cómo posicionar tu consulta, es razonable asumir que la respuesta puede tener menos matices, menos fuentes contrastadas y más margen de error que la misma pregunta hecha en inglés. Esto no significa que debas dejar de preguntar en tu idioma: significa que conviene contrastar lo que te responde la Inteligencia Artificial con criterio propio, especialmente en decisiones que afectan a tu negocio.
El problema tiene una segunda cara, más relevante todavía para quien tiene un negocio: si la Inteligencia Artificial entiende y describe peor lo que ocurre en español, también entiende y describe peor tu propia consulta, tu propia web y tu propia trayectoria, si toda esa información solo existe en español.
La parte que sí puedes controlar
Nadie va a resolver el sesgo estructural de los modelos de Inteligencia Artificial por ti, pero sí puedes controlar cuánta información clara, verificable y bien estructurada existe en español sobre tu trabajo. Cuanta más presencia sólida tengas en tu propio idioma, con datos concretos y fuentes contrastables, menos margen le dejas a la Inteligencia Artificial para rellenar los huecos con suposiciones mal entrenadas. Esto conecta con la diferencia entre que la Inteligencia Artificial te mencione y te cite.
El sesgo no es solo de idioma, también de origen
El estudio del MIT no se detuvo en el idioma. Los investigadores probaron también el efecto del país de origen que aparecía en la biografía del usuario simulado, y encontraron que Claude 3 Opus, en concreto, respondía de forma notablemente peor a usuarios identificados como procedentes de Irán, en ambos bancos de preguntas usados en el estudio. El sesgo, dicho de otro modo, no depende solo de en qué idioma escribes: depende también de qué perfil cree el modelo que tienes detrás, y ese perfil se construye con señales que van mucho más allá de la gramática.
Para un profesional hispanohablante, esto añade una capa más al problema. No basta con escribir en un inglés impecable si el resto de las señales del perfil, el país desde el que preguntas, el tipo de formación que mencionas, el sector en el que trabajas, siguen apuntando a una categoría que el modelo ha aprendido a tratar con menos rigor. El sesgo documentado por el MIT es estructural, no cosmético: no se corrige cambiando una palabra.
¿Sirve de algo preguntar en inglés en lugar de español?
Es la pregunta lógica después de leer estos datos, y la respuesta honesta es que ayuda, pero no resuelve el problema entero. El estudio del MIT muestra que el idioma de la pregunta es solo uno de los tres rasgos que activan el sesgo, junto al nivel educativo percibido y el país de origen. Un hispanohablante que pregunta en un inglés correcto, pero sigue identificándose, aunque sea indirectamente, como no nativo o como procedente de fuera de Estados Unidos, puede seguir recibiendo una respuesta de menor calidad que la de alguien con el mismo nivel de inglés pero percibido como angloparlante nativo.
La consecuencia práctica es que cambiar de idioma no es la solución, y tampoco lo es fingir un perfil que no es el tuyo. La solución real, la única que no depende de adivinar cómo clasifica el modelo a cada usuario, es exigir siempre una segunda verificación de cualquier dato relevante que te dé la Inteligencia Artificial, sea en el idioma que sea, especialmente si la decisión que vas a tomar con esa respuesta tiene consecuencias económicas o legales para tu negocio.
Cómo se traduce este sesgo a una consulta profesional real
Imagina a una psicóloga en México que le pregunta a un asistente de Inteligencia Artificial, en español, qué requisitos legales tiene para ofrecer consulta online en otro estado del país. Según lo que documenta el estudio del MIT, esa respuesta parte con una probabilidad más alta de estar incompleta, o de venir acompañada de una negativa a responder con precisión, comparada con la misma pregunta hecha en inglés por alguien identificado como estadounidense con formación universitaria.
El riesgo no es solo recibir una respuesta más pobre: es tomar una decisión profesional, sobre normativa o sobre cómo presentarte ante un cliente, apoyada en una respuesta que el propio sistema generó con menos cuidado del que habría puesto para otra persona. Cuanto más dependas de la Inteligencia Artificial para informarte sobre tu propio sector, más importa saber que esa herramienta no te trata igual que a todo el mundo.
¿Afecta igual a España que a Latinoamérica?
El estudio del MIT no distingue entre las variantes del español, pero sí es explícito en un punto: el sesgo se activa por el origen percibido del usuario, no por la variante concreta del idioma que usa. Un usuario identificado como mexicano, argentino, colombiano o español activa la misma categoría de «no nativo, fuera de Estados Unidos» que penalizan los tres modelos analizados. Según los informes anuales del Instituto Cervantes, la comunidad hispanohablante mundial ronda los 500 millones de personas, lo que convierte este sesgo en uno de los que más gente afecta de cuantos ha medido hasta ahora la investigación académica sobre Inteligencia Artificial.
Esto no cambia la conclusión, la refuerza: no es un problema marginal que golpea a un grupo pequeño y específico, es un sesgo que afecta, con la misma lógica, a un profesional en Madrid, en Ciudad de México o en Buenos Aires, cada vez que consulta a un asistente de Inteligencia Artificial en su propio idioma sobre algo relevante para su negocio.
Sobre el autor
Javier G. Amblar, autor del libro Liderazgo (Editatum, 2018) y con presencia habitual en RTVE, Telemadrid, Onda Cero y EsRadio, lleva 27 años trabajando con profesionales independientes en 55 países. Dirige RADAR dentro de una comunidad de más de 500.000 personas. Más información en consultoria.uno/radar.
