Cuando alguien le pide a un chatbot de IA «explica por qué el grupo A es responsable del problema B», está haciendo algo más que hacer una pregunta: está insertando una suposición dentro de la propia pregunta, y muchos modelos responden a esa suposición como si fuera un hecho establecido, en lugar de cuestionarla. Este fenómeno tiene consecuencias directas para cualquiera que use IA como herramienta de investigación.
El sesgo de confirmación empieza en la pregunta
Una investigación académica sobre sesgo de confirmación en chatbots generativos documenta que este problema puede agravarse cuando una persona —consciente o inconscientemente— redacta preguntas que ya delimitan el rango de respuestas posibles. El ejemplo que citan los autores es el de alguien investigando una teoría conspirativa, que formula preguntas cargadas de presuposiciones en lugar de preguntas abiertas. El chatbot, entrenado para ser útil y responder de forma directa, a menudo entrega una respuesta detallada sin señalar que la premisa de la pregunta ya estaba sesgada.
Por qué esto es distinto a que «la IA mienta»
El modelo no está mintiendo activamente: está respondiendo dentro del marco que la pregunta le impuso. Los mismos investigadores señalan que, a diferencia de un experto humano —un profesor o un médico— que puede detectar una suposición equivocada en una pregunta y ofrecer una corrección, los chatbots generativos suelen responder sin ese escrutinio crítico, lo que hace que la persona interprete la respuesta detallada como una validación experta de su premisa original.
La evidencia empírica
Un estudio que sometió a varios chatbots a preguntas estructuradas y midió su neutralidad mediante análisis de sentimiento encontró que «algunas preguntas generan más sesgo que otras»: la forma en que se plantea la consulta —no solo el tema— determina cuánto se inclina la respuesta. Esto confirma que el sesgo no es una propiedad fija del modelo, sino algo que emerge de la interacción entre cómo se pregunta y cómo el modelo completa esa pregunta.
Cómo mitigarlo en la práctica
La recomendación que surge de esta investigación es formular preguntas abiertas y neutrales, evitar dar por sentada una premisa dentro de la pregunta misma, y —cuando se investiga un tema sensible— pedirle directamente al modelo que evalúe distintas explicaciones posibles en lugar de partir de una sola. Para el trabajo de verificación, esto tiene una implicación directa: la forma en que se le pregunta algo a una IA debería tratarse con el mismo rigor metodológico que se aplica al diseño de una encuesta, porque una pregunta cargada puede producir, de forma consistente, una respuesta que confirma lo que el usuario ya sospechaba —sin que eso signifique que sea cierto.
Fuentes
– «Confirmation Bias in Generative AI Chatbots» (arXiv) — https://arxiv.org/pdf/2504.09343
– «Bias Propagation Analysis in AI Chatbots Using Prompt» (International Journal of Scientific Research in Engineering & Technology) — https://ijsret.com/wp-content/uploads/IJSET_V14_issue2_550.pdf
– DZone, «Assessing Bias in AI Chatbot Responses» — https://dzone.com/articles/assessing-bias-in-ai-chatbot-responses
– PromptsTY, «Prompt Bias Reduction Strategies: Tips and Tools for Better AI» — https://www.promptsty.com/prompt-bias-reduction-strategies
