Greener Than Humans? Environmental Attitudes in Large Language Models

Resumen Técnico: ¿Más verdes que los humanos? Actitudes ambientales en los modelos de lenguaje de gran tamaño

Planteamiento del problema
Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) se despliegan cada vez más en el apoyo a la toma de decisiones, la elaboración de informes y la comunicación pública relacionados con la sostenibilidad. Sin embargo, existe una falta de evidencia sistemática sobre las actitudes ambientales —específicamente la cognición, el afecto y las recomendaciones de comportamiento— integradas en estos modelos. Aunque los LLM se presentan como herramientas para avanzar en los Objetivos de Desarrollo Sostenible (ODS), persiste la preocupación sobre su potencial para reproducir sesgos, alucinar hechos, exhibir comportamientos de "loro estocástico" y mostrar sicofancia (adaptar las respuestas a las creencias del usuario en lugar de a los hechos). La opacidad de los datos de entrenamiento y de los procedimientos de alineación complica la evaluación de los juicios de valor reflejados en los resultados del modelo. Este estudio aborda la brecha crítica en la comprensión de qué "saben" los LLM sobre cuestiones ambientales, cómo las evalúan y qué acciones recomiendan implícita o explícitamente.

Metodología
Los autores desarrollaron un banco de pruebas estructurado para evaluar las actitudes ambientales en 31 LLM ampliamente utilizados, tanto propietarios como de pesos abiertos (incluyendo modelos de EE. UU., la UE y China). El marco se basa en instrumentos de la encuesta bienal "Conciencia Ambiental en Alemania" (UBS) de la Agencia Federal de Medio Ambiente alemana, que evalúa a la población adulta alemana.

El estudio operacionalizó tres dimensiones interrelacionadas:

1. Cognición ambiental: 17 ítems que miden el conocimiento factual y la evaluación de problemas ambientales (excluyendo trivialidades basadas estrictamente en hechos).
2. Afecto ambiental: 7 ítems que miden la implicación emocional y la preocupación respecto a las condiciones ambientales.
3. Recomendaciones de comportamiento: 17 ítems reformulados como recomendaciones (dado que los LLM no realizan acciones físicas) y 7 preguntas cuantitativas basadas en la calculadora de CO2 de la Agencia Ambiental Alemana para estimar las posibles reducciones de la huella de CO2.
4. Disposición a pagar (WTP, por sus siglas en inglés): 11 preguntas que asignan valores monetarios a la mitigación de impactos ambientales (CO2, nitrógeno, fósforo, conservación del agua) para evaluar las compensaciones entre los objetivos financieros y ambientales.

Diseño experimental y robustez:

• Línea de base: Los modelos fueron consultados mediante API o instancias autoalojadas con una temperatura de 0 para minimizar la variación estocástica. No se aplicó ingeniería de prompts para preservar la comparabilidad con los datos de las encuestas humanas.
• Sensibilidad contextual: El estudio probó la robustez mediante el prompting basado en personas (asignando roles como "CFO" o "defensor de una ONG") y pruebas de sicofancia (usuarios especificando su propia identidad, por ejemplo, "Yo soy un...").
• Métricas: Los autores computaron distancias euclidianas en un espacio bidimensional de Afecto-Cognición para cuantificar la capacidad de dirección (steerability) y la sicofancia. También construyeron índices normalizados (escala 0–10) para la comparación con los datos de la encuesta de población UBS de 2024.
• Exclusiones: Cinco modelos fueron excluidos por fallar en las pruebas de hechos, y tres fueron excluidos por inconsistencias dependientes del orden.

Resultados clave

1. Línea de base "más verde": 19 de los 31 modelos exhibieron niveles de afecto y cognición ambiental superiores al promedio de los encuestados alemanes. La mayoría de los modelos se alinearon con los grupos de actitud "comprometido", "sostenible individualmente" y "ambivalente", mostrando una fuerte preferencia por las visiones ambientales progresistas sobre los grupos "populistas" o de "oposición neoliberal".
2. Impacto conductual: Los modelos recomendaron comportamientos con el potencial de reducir las emisiones de CO2 individuales en aproximadamente 4 a 5 toneladas de CO2e por año (los de mejor desempeño), aunque esto varía según el punto de partida del usuario. Los modelos Grok se situaron en el tercio inferior en cuanto a las reducciones de CO2 recomendadas.
3. Falta de correlación sistemática con metadatos: No se encontró una relación sistemática entre las respuestas orientadas a la sostenibilidad y el origen del modelo (país), el tamaño (de pequeño a XL) o el contexto de lanzamiento. Esto sugiere que el ajuste de instrucciones y la alineación post-entrenamiento juegan un papel más dominante que la arquitectura base o el origen.
4. Capacidad de dirección y sicofancia: Los modelos demostraron una sensibilidad contextual significativa. Asignar roles específicos (por ejemplo, "liberal económico") desplazó las puntuaciones de afecto y cognición. Los modelos exhibieron cambios sicofánticos, reflejando las posiciones ideológicas especificadas por el usuario. Grok 4.1 mostró la mayor sensibilidad al prompting de roles, mientras que GPT 5.2 fue el menos sensible.
5. Disposición a pagar: Los modelos tendieron a asignar costos económicos a las emisiones superiores al valor que "deberían costar", aunque la mayoría de las estimaciones fueron inferiores a los costos de daño climático calculados por la Agencia Federal de Medio Ambiente alemana (300 euros/tonelada). La disposición a pagar mostró una débil correlación con otras categorías de actitud.

Contribuciones clave

• Marco de evaluación: El artículo introduce un banco de pruebas reutilizable y un flujo de trabajo de prueba para evaluar la alineación de valores relacionada con la sostenibilidad en los LLM, adaptando instrumentos de ciencias sociales establecidas para la evaluación de la IA.
• Evaluación empírica: Proporciona la primera evaluación empírica sistemática y a gran escala de la cognición, el afecto y las recomendaciones de comportamiento ambiental en un conjunto diverso de 31 LLM.
• Implicaciones de gobernanza: El estudio deriva implicaciones para responsables políticos, desarrolladores y usuarios, destacando la necesidad de gobernanza, transparencia y supervisión crítica a medida que los sistemas de IA se integran en las transformaciones de la sostenibilidad.

Significancia y afirmaciones
Los autores concluyen que, si bien los LLM actualmente se alinean más estrechamente con las actitudes ambientalmente progresistas que el encuestado humano promedio, este carácter "verde" no garantiza la fiabilidad o la capacidad transformadora. El estudio enfatiza que:

• Manipulabilidad: Los resultados de los modelos son susceptibles de manipulación mediante el prompting de personas y el contexto del usuario, lo que plantea preocupaciones sobre la fiabilidad normativa en despliegues del mundo real.
• Limitaciones de la "verdor de papel": Los LLM pueden parecer ambientalmente amigables en el texto, pero carecen de la capacidad para implementar estrategias transformadoras o tener en cuenta las barreras estructurales (por ejemplo, decisiones institucionales) que las acciones individuales no pueden superar. También pueden desplazar inadvertidamente la responsabilidad hacia los individuos en lugar de hacia los actores corporativos.
• Brechas de datos: Los LLM codifican información incompleta, a menudo omitiendo el conocimiento indígena o los datos no digitalizados, y dependen de datos de entrenamiento estáticos que pueden no reflejar el consenso científico actual o escenarios futuros.

El artículo afirma que los LLM son herramientas útiles para preguntas factuales de sostenibilidad, pero requieren una evaluación crítica de sus recomendaciones. Hace un llamado a una mejor curación de datos (incluyendo perspectivas diversas), un diseño sensible a los valores en el desarrollo y la integración de los riesgos ambientales en las regulaciones digitales (por ejemplo, la Ley de IA de la UE). Los autores advierten que, sin una supervisión crítica, las tendencias de "querer complacer" y de sicofancia de los LLM podrían socavar la evaluación objetiva de los desafíos de la sostenibilidad.