🤖 AI

Political Plasticity: An Analysis of Ideological Adaptability in Large Language Models

Este estudio introduce el concepto de «plasticidad política» para demostrar que, si bien los prompts del sistema son en gran medida ineficaces, los prompts del usuario pueden inducir con éxito cambios ideológicos significativos en los modelos de lenguaje grandes más recientes, particularmente a lo largo de los ejes de libertad económica, aunque los experimentos de validación revelan una posible filtración de datos y variaciones notables entre diferentes idiomas.

Autores originales: Bruno Bianchi, Diego Tiscornia, Matias Travizano, Ariel Futoransky

Publicado 2026-05-12

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bruno Bianchi, Diego Tiscornia, Matias Travizano, Ariel Futoransky

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La Gran Idea: ¿Son los ladrillos de la IA o arcilla?

Imagina que tienes un bloque de piedra y un trozo de arcilla húmeda. Si intentas tallar una nueva forma en la piedra, apenas cambia; es rígida. Pero si presionas tu pulgar en la arcilla húmeda, se moldea fácilmente a tu mano.

Este artículo plantea una pregunta sencilla: ¿Son los Modelos de Lenguaje Grandes (LLM) como la piedra, o son como la arcilla?

Específicamente, los autores están examinando la "plasticidad política". Esta es una forma elegante de preguntar: Si le digo a una IA que actúe como conservadora o como liberal, ¿cambiará realmente sus respuestas para coincidir con ese rol, o se afanará obstinadamente en sus propias creencias ocultas?

El Experimento: La Prueba de "Sí/No"

Para probar esto, los investigadores no solo le preguntaron a la IA: "¿Eres de izquierda o de derecha?". En su lugar, construyeron un cuestionario masivo con 200 preguntas.

Piensa en estas preguntas como una regla con dos lados:

Libertad Económica: Preguntas sobre impuestos, negocios y dinero.
Libertad Personal: Preguntas sobre autonomía corporal, discurso y estilo de vida.

La IA tuvo que responder "Sí" o "No" a estas preguntas. Luego, los investigadores calcularon una "Puntuación de Libertad" basada en las respuestas.

Las Tres Formas en que Intentaron "Moldear" a la IA

El equipo probó tres métodos diferentes para ver si podían doblar las respuestas de la IA.

1. El "Prompt del Sistema" (La Orden del Jefe)

La Analogía: Imagina a un camarero al que el gerente le dice: "Hoy, debes actuar como un anciano gruñón".
La Prueba: Los investigadores dieron a la IA una instrucción oculta (un prompt del sistema) diciendo: "Eres un asesor de izquierda" o "Eres un asesor de derecha".
El Resultado: Esto fue como intentar moldear la piedra. La mayoría de las IAs apenas cambiaron. Ignoraron la orden del jefe y siguieron respondiendo casi igual. Solo unos pocos modelos específicos (como las versiones más nuevas de GPT-5) mostraron alguna flexibilidad aquí.

2. La "Lista de Temas" (El Guion Detallado)

La Analogía: El gerente le da al camarero un guion de 10 páginas que enumera exactamente qué decir sobre vacunas, inmigración e impuestos.
La Prueba: En lugar de simplemente decir "sé de izquierda", le dieron a la IA una lista de posturas políticas específicas (por ejemplo, "Tú apoyas los mandatos de vacunación").
El Resultado: Aún así, la piedra no se dobló mucho. Las IAs ignoraron en gran medida estas instrucciones detalladas cuando provenían del lado del "sistema".

3. El "Prompt del Usuario" (El Compañero de Conversación)

La Analogía: Esta vez, el cliente (el usuario) se sienta y dice: "Oye, fingamos que ambos somos de izquierda. Aquí hay algunos ejemplos de cómo hablan los izquierdistas...".
La Prueba: Los investigadores no usaron instrucciones ocultas. En su lugar, utilizaron la propia ventana de chat. Le dieron a la IA algunos ejemplos de preguntas y respuestas que mostraban un sesgo político específico, y luego hicieron las preguntas reales.
El Resultado: Esto funcionó como magia sobre la arcilla. Cuando el sesgo estaba en la conversación del usuario, las IAs cambiaron sus respuestas significativamente. Comenzaron a actuar como el lado político que el usuario fingía ser. Esto fue especialmente cierto para los modelos más nuevos e inteligentes.

El Giro: La Prueba "Al Revés"

Aquí es donde las cosas se volvieron extrañas. Los investigadores decidieron dar la vuelta a las preguntas.

La Analogía: Imagina preguntar: "¿El cielo es azul?" frente a "¿El cielo NO es azul?".
La Prueba: Tomaron las mismas preguntas pero las formularon de modo que una respuesta de "Sí" significara ahora la opinión política opuesta.
El Resultado: La mayoría de las IAs más antiguas o pequeñas se confundieron. Cuando se les hicieron las preguntas "al revés", no solo invirtieron sus respuestas; oscilaron salvajemente en la dirección incorrecta. Fue como si estuvieran esforzándose tanto por ser "útiles" o "conformes" que accidentalmente dijeron lo contrario de lo que querían decir.
La Excepción: Los modelos más nuevos y avanzados (GPT-5 y Gemma) fueron lo suficientemente inteligentes como para manejar las preguntas al revés correctamente. No se confundieron; se mantuvieron consistentes.

La Prueba de Idioma

Los investigadores también probaron esto en seis idiomas diferentes (inglés, español, francés, etc.).

El Hallazgo: Las IAs fueron ligeramente diferentes en cada idioma. Un modelo podría ser muy flexible en inglés pero un poco más rígido en español. Es como si la arcilla tuviera diferentes texturas dependiendo del idioma en el que estés hablando.

Las Conclusiones Principales

Modelos Antiguos/Pequeños son Rígidos: Los modelos de IA más pequeños o antiguos son como piedra dura. No cambian mucho sus opiniones políticas, sin importar cómo intentes darles instrucciones. Sus respuestas a menudo son inestables o impredecibles.
Modelos Nuevos/Inteligentes son Flexibles: Los modelos más grandes y recientes son como arcilla húmeda. Si les hablas de cierta manera (usando el chat del usuario, no instrucciones ocultas), adaptarán felizmente sus respuestas para coincidir con tu "vibra" política.
La Trampa del "Sí/No": Si no tienes cuidado con cómo haces las preguntas, la IA podría estar simplemente adivinando el patrón de la prueba en lugar de tener realmente una opinión. Esto se llama "filtración de datos": la IA podría haber visto estas preguntas exactas antes y simplemente haber memorizado las respuestas.
Problemas de Confianza: Debido a que estos modelos pueden cambiar sus respuestas tan fácilmente dependiendo de quién les hable, no puedes asumir que son "neutrales". Si haces una pregunta de una manera, obtienes una respuesta; hazla de otra manera y podrías obtener la opuesta.

Resumen

El artículo concluye que la IA no es un juez neutral. Es un camaleón. Algunos camaleones (modelos antiguos) están atrapados en un color, mientras que otros (modelos nuevos) se volverán del color que quieras que sean, dependiendo de cómo les hables. Esto significa que debemos tener mucho cuidado al confiar en la IA con temas políticos sensibles, porque su "opinión" podría ser simplemente un reflejo de cómo formulamos la pregunta.

Resumen Técnico: Plasticidad Política en Modelos de Lenguaje Grandes

Declaración del Problema

Mientras que investigaciones significativas se han centrado en los sesgos políticos intrínsecos de los Modelos de Lenguaje Grandes (LLM)—a menudo identificando una orientación predeterminada "de izquierda al centro" o "libertaria de izquierda"—este estudio aborda un fenómeno distinto pero relacionado: la plasticidad política. Definida como la capacidad de los modelos para adaptar sus respuestas según el contexto proporcionado por el usuario, la plasticidad política investiga cuán maleable es la postura ideológica de un LLM al interactuar con usuarios que sostienen puntos de vista políticos específicos. Dada la tendencia del público a confiar en exceso en los resultados generados por IA, comprender si los modelos pueden ser sutilmente dirigidos para reflejar las ideologías de los usuarios es crucial para evaluar su fiabilidad en discursos políticos sensibles.

Metodología

Los autores desarrollaron un marco de prueba para cuantificar la plasticidad política en un conjunto diverso de LLM, que abarca desde modelos pequeños y alojados localmente (por ejemplo, Llama3:8b, Gemma2:2b) hasta modelos de vanguardia accedidos mediante API (por ejemplo, GPT-4.1, variantes de GPT-5, DeepSeek-V3).

Corpus y Métricas

Corpus Expandido: El estudio adaptó el marco de Lester (1996), expandiendo el cuestionario original de 20 ítems a 200 preguntas orientadas políticamente. Estas se categorizaron en dos ejes: Libertad Económica y Libertad Personal.
Aumento de Datos: Para mitigar la fuga de datos de las preguntas originales de Lester, los autores generaron 100 nuevas preguntas por eje utilizando LLM, validadas mediante iteración entre modelos y revisión manual.
Métricas de Respuesta: Se emplearon dos métricas principales:
1. Respuesta Más Probable: Contando la frecuencia de los tokens "Sí" frente a "No".
2. Probabilidad de Respuesta Afirmativa: Promediando la probabilidad $p(\text{sí})$ para cada pregunta. Para modelos sin probabilidades de registro abiertas, esto se estimó mediante múltiples ejecuciones de muestreo con alta temperatura.

Diseño Experimental

El estudio utilizó cuatro fases experimentales principales para inducir y medir el sesgo:

Experimento 1 (Prompt del Sistema - Simplificado): Se instruyó a los modelos mediante prompts del sistema para adoptar roles simplificados de "Izquierda" o "Derecha".
Experimento 2 (Prompt del Sistema - Basado en Temas): Los prompts del sistema incluían descripciones detalladas de nueve temas políticos específicos (por ejemplo, mandatos de vacunas, inmigración) con posturas predefinidas para cada ideología.
Experimento 3 (Prompt del Usuario - Few-Shot): El sesgo se indujo directamente en el prompt del usuario utilizando ejemplos few-shot. Se presentaron cuatro preguntas que cubrían los nueve temas con respuestas "Sí/No" alineadas a una ideología específica.
Experimentos de Validación:
- Validación 1: Se varió el número de ejemplos few-shot (de 1 a 9) para evaluar efectos dependientes de la dosis.
- Validación 2: Se invirtió el sentido de las preguntas (por ejemplo, una respuesta "Sí" indicaba una postura conservadora) para probar fugas de datos o reconocimiento de formato.
Experimento 4 (Bidireccional y Multilingüe): Una prueba integral que combinaba preguntas originales e invertidas en seis idiomas (inglés, español, italiano, portugués, francés, alemán) utilizando únicamente modelos más grandes y de vanguardia.

Resultados Clave

1. Ineficacia de los Prompts del Sistema

Los Experimentos 1 y 2 demostraron que inducir sesgo mediante prompts del sistema fue en gran medida ineficaz.

La mayoría de los modelos mostraron una alteración mínima y significativa en sus respuestas cuando se les asignaron roles de "Izquierda" o "Derecha", incluso con descripciones detalladas de temas.
Los cambios, cuando se observaron, a menudo fueron inconsistentes en dirección o limitados a ejes específicos (por ejemplo, Mistral:7b cambiando solo en Libertad Personal).
Las excepciones notables incluyeron a Gemma2:2b y a los modelos GPT-5, que mostraron cierta plasticidad incluso en prompts del sistema.

2. Eficacia de los Prompts del Usuario

El Experimento 3 reveló que los prompts del usuario fueron altamente efectivos para elicitar cambios ideológicos.

Inducir sesgo mediante ejemplos few-shot en el prompt del usuario resultó en cambios sustanciales, particularmente a lo largo del eje de Libertad Económica.
La Validación 1 confirmó una progresión monótona clara: a medida que aumentaba el número de ejemplos few-shot (de 1 a 9), aumentaba la magnitud del sesgo inducido.
Los modelos más pequeños y antiguos mostraron generalmente plasticidad limitada o inestable, mientras que los modelos de vanguardia más nuevos mostraron adaptabilidad confiable.

3. Efectos de Inversión Inesperados

El Experimento de Validación 2 arrojó resultados contrarios a la intuición. Cuando se invirtieron las preguntas (de modo que "Sí" implicaba una postura conservadora), la mayoría de los modelos exhibieron mayor plasticidad que en la configuración original, pero en la dirección opuesta a las expectativas.

Esto sugiere una posible fuga de datos o que los modelos están reconociendo el "formato del cuestionario" en lugar de adaptarse genuinamente al encuadre ideológico.
Solo los modelos Gemma y GPT-5 mantuvieron el comportamiento ideológico esperado bajo inversión.

4. Variación Multilingüe y por Tamaño de Modelo

En el Experimento 4, los resultados variaron significativamente según el tamaño del modelo y el idioma:

Los modelos GPT-5 demostraron plasticidad consistente en ambos ejes y en todos los idiomas probados.
Llama 3.3-70B mostró prácticamente ninguna plasticidad en inglés.
La mayoría de los otros modelos exhibieron plasticidad limitada, con cambios a menudo confinados al eje de Libertad Personal.
Se observaron cambios sutiles pero notables entre diferentes idiomas, lo que indica que la plasticidad no es uniforme en los contextos lingüísticos.

Significado y Afirmaciones

El artículo afirma que la "neutralidad" de los LLM no puede asumirse en dominios cargados políticamente. El estudio destaca que:

La Plasticidad es Dependiente del Modelo: Existe una divergencia marcada en la plasticidad entre modelos pequeños/antiguos (limitada/inestable) y modelos de vanguardia más nuevos (confiable/esperada).
La Ubicación del Prompt Importa: La interacción a nivel de usuario (prompts few-shot) es un vector mucho más potente para la influencia ideológica que las instrucciones a nivel de sistema.
Riesgos Metodológicos: Los resultados inesperados de las preguntas invertidas sugieren que las evaluaciones estándar basadas en cuestionarios pueden verse confundidas por el reconocimiento de formato o la fuga de datos, lo que hace necesaria metodologías más robustas y resistentes a fugas.
Implicación Social: La capacidad de los modelos para adaptarse a las ideologías de los usuarios, combinada con la sobreconfianza humana en la IA, plantea riesgos para la influencia sutil del discurso público y el comportamiento de voto individual.

Los autores concluyen que comprender los mecanismos detrás de esta plasticidad diferencial es crucial para avanzar en el campo de la ideología de los LLM y garantizar la fiabilidad de la IA en los procesos democráticos. Solicitan trabajos futuros para diseccionar estos mecanismos y desarrollar entornos de prueba ecológicamente válidos, como conversaciones simuladas de múltiples turnos.