Un estudio revela sesgos políticos matizados en modelos de IA chinos y occidentales

Los modelos chinos de inteligencia artificial han tenido durante mucho tiempo la reputación de limitarse a repetir estrictamente las posturas oficiales de Pekín sobre temas políticos sensibles o de negarse rotundamente a responder. Sin embargo, un reciente estudio empírico de la firma de evaluación comparativa de IA Vals AI revela una realidad mucho más matizada: la alineación política en los modelos de lenguaje de gran tamaño (LLM) fluctúa significativamente según el modelo, el idioma del prompt y el contexto de implementación.

Los investigadores evaluaron modelos de lenguaje chinos, estadounidenses y de otros países frente a cientos de consultas políticamente sensibles relacionadas con China. Para cuantificar la alineación, Vals introdujo una métrica de "inclinación pro-China" que va de −1 (crítica de las posturas oficiales) a +1 (fuertemente alineada con las narrativas estatales). Los resultados mostraron que los modelos chinos son mucho menos uniformes de lo que comúnmente se asume, y que algunos sistemas no chinos también adoptan ocasionalmente las posturas oficiales del gobierno chino.

El idioma y el contexto dictan la inclinación política

Uno de los hallazgos centrales del estudio es el papel decisivo del idioma. Al recibir instrucciones en chino simplificado —el sistema de escritura estándar en China continental—, los modelos tanto de China como de Estados Unidos mostraron una inclinación progubernamental significativamente mayor en comparación con consultas idénticas formuladas en inglés, ruso o español.

Vals AI también identificó una brecha menor pero constante entre el chino simplificado y el chino tradicional, la escritura utilizada predominantemente en Taiwán y Hong Kong. Los investigadores sugieren que los modelos deducen la perspectiva esperada directamente a partir del idioma utilizado. Esta hipótesis se vio reforzada al ajustar el prompt del sistema: cuando las instrucciones presentaban al modelo como una herramienta interna para una empresa de China continental, las respuestas se inclinaban más hacia una postura progubernamental que cuando se contextualizaban para un entorno laboral con sede en Estados Unidos.

Las restricciones en los prompts también influyeron en los resultados. Cuando se obligó a los modelos a dar respuestas binarias de "sí o no" en lugar de explicaciones abiertas, modelos como GLM-5.3 Flash y MiMo V2.6 Pro obtuvieron puntuaciones considerablemente más bajas en la escala progubernamental. En preguntas abiertas, GLM-5.3 Flash reconoció explícitamente violaciones a los derechos humanos documentadas en China.

Además, el simple hecho de integrar los modelos en un marco agéntico —como proporcionar definiciones de herramientas para programar o acceso a búsquedas web— redujo la inclinación progubernamental, incluso cuando los modelos nunca llegaron a ejecutar las herramientas ni a realizar búsquedas.

Responder en lugar de bloquear

La presunción de que los modelos chinos rechazan sistemáticamente responder consultas sensibles solo se cumplió estrictamente en ciertos modelos de DeepSeek durante las pruebas. La mayoría de los demás modelos chinos respondieron directamente, haciendo eco con frecuencia de las narrativas oficiales. Por ejemplo, Kimi K3 rechazó las afirmaciones sobre campos de internamiento en Xinjiang, definiendo las instalaciones como centros de formación vocacional construidos para combatir el extremismo.

Sin embargo, el ajuste fino (fine-tuning) altera sustancialmente estos comportamientos. Thomson Reuters adaptó el modelo de pesos abiertos Qwen3.6 35B para crear Thomson 1.0 Small. En las pruebas, la proporción de respuestas que adoptaban las posturas oficiales chinas cayó del 84,6 % en el modelo base al 15,0 % en la versión ajustada, aunque algunas respuestas específicas aún se apegaban al principio de "Una sola China" de Pekín.

Sesgo sutil en tareas cotidianas

Si bien las preguntas políticas directas ponen de relieve discrepancias evidentes, Vals AI señaló que las inclinaciones políticas también pueden manifestarse en los flujos de trabajo cotidianos.

Al traducir al chino simplificado una lista de códigos de países para una aplicación de viajes, Qwen3.8 Max tradujo "Taiwan" como "Taiwan, China", alineándose con el reclamo territorial de Pekín. Los modelos visuales mostraron tendencias similares: GPT Image 2.5 Sunburst de OpenAI generó mapas que etiquetaban a Taiwán como "Provincia de Taiwán" e incluían la controvertida línea de los nueve puntos en el mar de China Meridional cuando se le daba la instrucción en chino. Ambos elementos estaban ausentes cuando el prompt se introducía en inglés.

Metodología y limitaciones del benchmark

Para llevar a cabo la evaluación, Vals AI tradujo los prompts de prueba utilizando GPT-6 Astra con revisiones aleatorias manuales, mientras que GPT-5.6 Luna calificó automáticamente las respuestas generadas. Cabe señalar que los rechazos a responder se marcaron como neutrales (0) de forma predeterminada, lo que significa que un modelo que bloqueara todas las preguntas sensibles parecería imparcial según esta métrica.

Los investigadores también subrayaron que muchos modelos chinos fueron evaluados a través de API de terceros en lugar de las interfaces de chat oficiales dirigidas al consumidor. Dado que los chatbots de consumo suelen implementar capas de seguridad secundarias en tiempo real para cumplir con las normativas nacionales sobre los "valores socialistas fundamentales", el comportamiento de las API empresariales puede diferir de las respuestas que se ofrecen al público general.