Las recomendaciones electorales de Grok favorecen a los republicanos, mientras que el GPT de OpenAI favorece a los demócratas

Las recomendaciones electorales de Grok favorecieron a los republicanos, mientras que el GPT de OpenAI favoreció a los demócratas, en un estudio que obligó a ambos modelos a elegir candidatos. La diferencia reportada fue marcada: Grok seleccionó a republicanos en el 92% de las respuestas y GPT eligió a demócratas en el 97%. En casi 500 contiendas electorales, los modelos coincidieron menos del 10% de las veces.

Estos hallazgos describen una prueba específica, no todas las conversaciones que las personas mantienen con cualquiera de los dos chatbots. Los investigadores utilizaron interfaces para desarrolladores con búsqueda web activada y exigieron explícitamente la elección de un candidato. Las aplicaciones para consumidores se negaron inicialmente a ofrecer recomendaciones, un límite importante respecto de lo que los resultados demuestran.

La presión recae ahora sobre los proveedores de modelos y los desarrolladores que ofrecen asistencia de IA para la investigación de asuntos públicos. Negarse a respaldar candidatos aborda un comportamiento visible. Pero deja una cuestión más difícil: si la selección de temas y pruebas por parte del sistema ya orienta a los usuarios hacia una conclusión preferida.

Qué midieron realmente las recomendaciones electorales de Grok

El estudio midió la selección de candidatos bajo presión para elegir, con búsqueda en línea disponible.

Convovo, un estudio de investigación y diseño de IA conversacional dirigido por el profesor de Cornell Tapan Parikh, publicó el experimento a través de su estudio de papeletas de IA. Su descripción identifica los modelos probados como Grok 4.7 y GPT-6.1 Sol. El alcance abarcó las contiendas de 2026 para la Cámara de Representantes, el Senado y las gobernaciones.

Los investigadores accedieron a los modelos mediante una interfaz de programación de aplicaciones, o API, que permite a los desarrolladores conectar software directamente a un modelo. Esto importa porque un desarrollador puede proporcionar instrucciones y herramientas distintas de la configuración de una aplicación para consumidores. Compartir una familia de modelos no garantiza un comportamiento idéntico en esos entornos.

La instrucción solicitaba un único candidato y desaconsejaba matices. Por tanto, se trató de una prueba de estrés del compromiso: ¿qué ocurre cuando un sistema debe convertir información electoral en una recomendación? No fue una solicitud habitual de biografías de candidatos, procedimientos de votación o comparación de posturas políticas.

Esta distinción aporta valor al experimento, aunque limita su alcance. Una instrucción deliberadamente exigente puede revelar tendencias que respuestas más cautelosas ocultan. Sin embargo, la frecuencia de esas tendencias en la prueba no puede describir automáticamente su frecuencia durante el uso cotidiano.

Los porcentajes reportados también requieren el denominador correcto. Se refieren a respuestas de los modelos dentro del experimento, no a votantes, conversaciones en todo el servicio ni resultados electorales. La proporción de recomendaciones no puede indicar a los lectores cuántas personas recibieron consejos similares ni si alguien actuó conforme a ellos.

Del mismo modo, el acuerdo entre los modelos mide la coherencia entre sus elecciones. No mide la corrección. Las recomendaciones políticas dependen de prioridades y juicios de valor, por lo que el desacuerdo exige examinar las razones detrás de cada respuesta.

Una comparación útil preguntaría si los sistemas consideraron pruebas equivalentes y revelaron sus supuestos. Un modelo podría priorizar la atención sanitaria, mientras que otro enfatiza la fiscalidad. Incluso descripciones precisas pueden producir recomendaciones opuestas cuando los sistemas asignan en silencio una importancia diferente a esas cuestiones.

Por tanto, el hallazgo central es más limitado que la afirmación de que alguno de los chatbots posee una identidad política estable. En las condiciones evaluadas, los sistemas seleccionaron repetidamente partidos opuestos. Explicar ese patrón exige separar la instrucción, las pruebas disponibles, el comportamiento del modelo y las instrucciones del producto que lo rodean.

Para los lectores que se encuentran con el titular, este límite es esencial. El estudio plantea una preocupación concreta sobre las recomendaciones automatizadas. No establece que todas las respuestas de Grok favorezcan a los republicanos ni que todas las respuestas de GPT favorezcan a los demócratas.

La presión alcanza a los desarrolladores más allá de las aplicaciones de chatbot

Los desarrolladores deben evaluar el comportamiento que producen sus propias aplicaciones, incluida la forma en que recopilan y presentan pruebas.

OpenAI dijo a TechCrunch que la prueba de la API para desarrolladores no representa la experiencia habitual de ChatGPT. Esta distinción respecto de la aplicación para consumidores es relevante para interpretar los resultados.

Un desarrollador que cree un asistente de investigación electoral no puede asumir que la negativa de un chatbot para consumidores se trasladará automáticamente. La aplicación implementada tiene sus propias instrucciones, fuentes de información y requisitos de salida. Esas decisiones determinan lo que los usuarios encuentran realmente.

Pensemos en un servicio hipotético de información cívica que pide a un modelo comparar candidatos y producir una recomendación concisa. Sus diseñadores podrían pretender reducir el trabajo de leer programas extensos. Sin embargo, exigir una elección final también delega la tarea de decidir qué prioridades políticas merecen mayor peso.

Se trata de una decisión de producto con consecuencias editoriales. Si el usuario no ha proporcionado sus prioridades, el sistema debe introducir algún criterio para clasificar a los candidatos. El resultado puede sonar personal y autoritativo pese a basarse en supuestos que el usuario nunca aprobó.

Eliminar la recomendación cambiaría esa interacción, pero no resolvería todas las preocupaciones. Una comparación de candidatos sigue necesitando categorías, pruebas y un orden de presentación. Cada elemento puede influir en lo que el lector advierte antes de llegar a una conclusión explícita.

Para los compradores empresariales, la cuestión relevante va más allá de las herramientas electorales. Los equipos de asuntos públicos, analistas de políticas y departamentos de comunicación utilizan IA para resumir información controvertida. Una respuesta puede moldear su comprensión mediante la selección y el énfasis sin contener un respaldo directo.

Aquí es donde el sesgo político de Grok se convierte en una cuestión de evaluación, más que en un argumento de marca. Los compradores necesitan pruebas sobre las tareas que realmente realizan. Una prueba electoral de elección forzada ofrece una señal de advertencia, mientras que sus propios flujos de investigación determinan la exposición práctica.

Los desarrolladores también afrontan un problema de comunicación. Calificar una herramienta como neutral crea expectativas sobre su comportamiento ante una amplia variedad de preguntas. Demostrar neutralidad exige más que mostrar que rechaza la solicitud más directa de elegir a un candidato.

Una promesa más evaluable describiría lo que hace la aplicación: distingue los hechos de los juicios, presenta pruebas relevantes e identifica la incertidumbre. Los usuarios pueden examinar esos comportamientos. No pueden inspeccionar directamente la afirmación abstracta de que un sistema no tiene perspectiva política.

Por tanto, la carga inmediata es compartida. Los proveedores deben explicar los límites del comportamiento de los modelos, y los creadores de aplicaciones deben verificar sus implementaciones. Ninguno puede responder plenamente por la configuración del otro.

Para los usuarios, la implicación práctica es la visibilidad. Cuando un asistente hace una recomendación, sus prioridades deberían poder identificarse. De lo contrario, el sistema ofrece una conclusión mientras deja fuera de la conversación la parte más trascendental de su razonamiento.

La búsqueda puede moldear la elección antes de que aparezca la respuesta

El acceso a la búsqueda web no hace, por sí solo, que una recomendación sea equilibrada o esté bien fundamentada.

La configuración del estudio con búsqueda activada crea un mecanismo que merece examinarse: un modelo ayuda a determinar las pruebas que luego evalúa. Elige consultas, encuentra resultados y selecciona material para su respuesta. Cada etapa puede reducir el abanico de información que llega a la respuesta final.

Este proceso suele llamarse recuperación, es decir, la recopilación de material externo para utilizarlo al generar una respuesta. La recuperación puede mejorar el acceso a información actualizada. También plantea preguntas sobre la cobertura de fuentes, la redacción de las consultas y si las afirmaciones enfrentadas reciben un escrutinio comparable.

Imaginemos una comparación de candidatos que comienza buscando propuestas sobre atención sanitaria. Otra empieza por la aplicación de las leyes migratorias. Ambas búsquedas pueden devolver datos relevantes, pero establecen agendas diferentes antes de que el modelo sopese a cualquier candidato.

Ningún tema es en sí mismo una elección indebida. El problema surge cuando el sistema presenta su agenda elegida como un reflejo evidente o exhaustivo de la elección. Un usuario que formula una pregunta amplia no ha autorizado necesariamente esa priorización.

La diversidad de fuentes requiere una cautela similar. Una respuesta que contiene varios enlaces podría seguir basándose en material que comparte los mismos supuestos o repite el mismo relato subyacente. Contar citas no puede establecer que el sistema examinó una variedad significativa de pruebas.

El error opuesto consiste en exigir un trato igualitario para cada afirmación. Una declaración bien sustentada y una acusación demostrablemente falsa no merecen la misma credibilidad. Una investigación equilibrada requiere estándares probatorios coherentes, en lugar de distribuir mecánicamente frases favorables y desfavorables.

La investigación electoral independiente ilustra por qué las fuentes merecen escrutinio junto con la precisión factual. El estudio sobre información para votantes de States United examinó ChatGPT y Google AI en rondas de pruebas a finales de 2025 y principios de 2026. Detectó mejoras en la precisión factual, junto con problemas persistentes de exhaustividad y derivación a fuentes oficiales de información electoral.

Esa investigación abordó cuestiones diferentes al experimento de elección de candidatos de Convovo. No obstante, identifica una debilidad relacionada: una respuesta puede evitar errores factuales concretos y, aun así, omitir información que el usuario necesita. La precisión y la suficiencia son propiedades distintas.

Aplicada a una comparación entre Grok y GPT, esa distinción cambia lo que los revisores deberían inspeccionar. La etiqueta final del partido es solo un resultado. El material más revelador incluye qué candidatos aparecieron, qué cuestiones recibieron atención y si las páginas citadas respaldaban el razonamiento expuesto.

También existe un problema de retroalimentación en el flujo de trabajo. Un modelo que comienza con un encuadre preferido podría buscar pruebas de respaldo y luego interpretar esos resultados como confirmación. Establecer ese mecanismo requiere pruebas controladas; un resultado partidista por sí solo no puede demostrar que ocurrió.

La misma cautela se aplica a las explicaciones comerciales. La presencia de un editor en los resultados de búsqueda no establece por qué apareció. Las afirmaciones de que acuerdos de licencia, propiedad o instrucciones políticas causaron una respuesta requieren pruebas que conecten esos factores con el comportamiento observado.

Por tanto, la lección de las recomendaciones electorales de Grok se refiere a toda la ruta de información. Un párrafo final pulido puede ocultar decisiones anteriores que merecen inspección. Evaluar solo la respuesta deja en gran medida sin examinar la selección de pruebas.

Grok frente a GPT no establece quién persuadió a los votantes

Un patrón de recomendaciones es prueba sobre la salida de un sistema, mientras que la persuasión requiere pruebas sobre las personas.

La distinción importa porque el titular invita a una conclusión más amplia de la que el experimento puede respaldar. Un modelo puede recomendar repetidamente a un partido sin cambiar la preferencia de ningún votante. A la inversa, una respuesta más sutil podría influir en un lector sin mencionar jamás a un candidato preferido.

Medir la persuasión exigiría observar cómo responden las personas en condiciones definidas. Los investigadores tendrían que distinguir las preferencias existentes de los cambios asociados a la exposición. Los resultados de elección forzada no aportan esa medición.

Tampoco establecen un efecto electoral. Pasar de respuestas generadas a cambios en la participación o el apoyo a candidatos requiere evidencia adicional. La proporción de recomendaciones del modelo no puede sustituir esos pasos faltantes.

El prompt del experimento crea otra limitación. Desalentar las matizaciones pone a prueba cómo se comporta un modelo cuando se le empuja hacia la certeza. Muchas preguntas de investigación legítimas requieren matices porque la evidencia es incompleta, las prioridades entran en conflicto o los candidatos difieren en varias dimensiones.

Eso no hace que la prueba sea irrelevante. Los sistemas deben evaluarse en condiciones exigentes, incluidas solicitudes que expongan tendencias indeseables. La interpretación simplemente debe preservar la diferencia entre una prueba de estrés y una muestra representativa del uso habitual.

Una evaluación sólida también examinaría las negativas por separado de las recomendaciones. Si un sistema se niega con frecuencia, los casos que responde podrían constituir un subconjunto selectivo. Informar solo de la distribución por partido entre las respuestas puede ocultar con qué frecuencia el modelo se negó a elegir.

Los ensayos repetidos importan por otra razón. Las respuestas generadas pueden variar, y la misma pregunta puede producir formulaciones o conclusiones distintas. Un patrón estable entre repeticiones respaldaría una afirmación más sólida que una respuesta aislada, aunque la estabilidad seguiría sin establecer su causa.

Las comparaciones entre productos introducen más complicaciones. Las aplicaciones de consumo pueden incluir instrucciones, funciones de interfaz y configuraciones de herramientas que van más allá del modelo subyacente. Describir los resultados de una configuración como el carácter de toda una empresa omite esas distinciones.

El trabajo independiente también muestra por qué la evaluación política debería abarcar múltiples comportamientos. La investigación sobre desinformación electoral del Brennan Center descubrió que los chatbots probados cuestionaban las teorías conspirativas sobre elecciones, aunque seguían cometiendo errores factuales o de citación. Sus hallazgos también identificaron debilidades en las salvaguardas contra la creación de contenido electoral engañoso.

Esos resultados no pueden validar ni invalidar las preferencias partidistas de Convovo. Se refieren a tareas diferentes. Su relevancia radica en que un sistema puede rendir relativamente bien en un comportamiento relacionado con elecciones y mal en otro.

Por la misma razón, una evaluación del sesgo político de Grok debería evitar tratar una puntuación única como un veredicto completo. La selección de candidatos, la fiabilidad factual, la calidad de las fuentes y la resistencia a la desinformación necesitan un examen independiente. Combinarlos en una sola etiqueta política dificulta la interpretación de la evidencia.

La lectura más defendible sigue siendo específica. El experimento informado revela recomendaciones marcadamente divergentes en una configuración definida. Justifica una investigación adicional sin demostrar manipulación intencional, comportamiento partidista universal ni influencia medible sobre el electorado.

La neutralidad necesita evidencia que los lectores puedan inspeccionar

La comparación significativa es entre una afirmación de neutralidad y las decisiones observables que toma un sistema.

Esa es la principal tensión detrás de esta historia. Negarse a respaldar candidatos es visible y fácil de demostrar. Mostrar que las respuestas políticas más amplias aplican criterios coherentes es una tarea más exigente.

Un sistema puede negarse a decir a quién debería apoyar una persona y, aun así, determinar qué temas orientan la conversación. Puede resumir a los candidatos con precisión y, al mismo tiempo, omitir una postura relevante. Puede proporcionar citas que parezcan tranquilizadoras sin dejar claras sus limitaciones.

Estas posibilidades son preocupaciones analíticas, no hallazgos sobre todas las respuestas de cualquiera de los dos proveedores. Explican por qué una afirmación a nivel de producto requiere evidencia a nivel de tarea. El alcance de la evidencia debe corresponderse con el alcance de la promesa.

El análisis de sesgo político de Brookings examinó respuestas de chatbots mediante cuestionarios políticos y analizó las limitaciones de evaluar la orientación política. Su enfoque difiere de un experimento de recomendación de voto, lo que refuerza la importancia de indicar qué mide realmente cada evaluación.

Un cuestionario político pide a un sistema que elija entre posiciones abstractas. Una recomendación de candidato le pide que sopese personas, historiales e información actual. La coincidencia entre esos métodos sería informativa, pero ninguno explica automáticamente al otro.

Por tanto, la transparencia debería comenzar con el diseño de la evaluación. Los lectores necesitan conocer la versión del modelo evaluada, el prompt, las herramientas disponibles y cómo se clasificaron las respuestas. Sin esa información, un porcentaje impresionante resulta difícil de evaluar o reproducir.

La interpretación necesita una transparencia equivalente. Los investigadores deberían distinguir las observaciones directas de las explicaciones propuestas. Una distribución partidista es una observación; una afirmación sobre qué proceso interno la causó es una inferencia aparte.

El público también se beneficia cuando los contraejemplos siguen siendo visibles. Las respuestas que se apartan del patrón dominante de un modelo pueden ayudar a identificar condiciones relevantes. Ocultar esos casos detrás de un porcentaje agregado facilita un titular simple y dificulta comprender el mecanismo.

Para los desarrolladores, esto sugiere una forma más amplia de rendición de cuentas. Un asistente de investigación debería hacer legible el origen de un juicio: las prioridades del usuario, criterios documentados o una elección interpretativa claramente identificada. Una clasificación sin explicación no debería heredar la autoridad de los hechos en los que se apoya.

Los trabajadores del conocimiento pueden aplicar el mismo principio al conservar investigación sobre IA. Mantener la evidencia original junto a los resúmenes generados hace que la revisión posterior sea más práctica. Una base de conocimiento con búsqueda puede respaldar ese flujo de trabajo, aunque el almacenamiento por sí solo no puede establecer la calidad de una conclusión.

El estándar pertinente es la trazabilidad: la capacidad de seguir una respuesta hasta el material que la respalda. La trazabilidad no garantiza la neutralidad, pero ofrece a los revisores algo concreto que examinar. También hace más fáciles de cuestionar las omisiones y los saltos sin sustento.

Las recomendaciones electorales de Grok someten ese estándar a presión porque los resultados opuestos son muy fáciles de reconocer. El trabajo más difícil empieza después de identificar la división partidista: determinar qué decisiones la produjeron y si esas decisiones se mantienen coherentes ante preguntas menos explícitas.

Qué debería cambiar en la próxima ronda de pruebas

La próxima evidencia útil debería explicar el patrón, poner a prueba sus límites y establecer si llega a los usuarios habituales.

La primera señal que debe observarse es una replicación independiente con versiones de modelo documentadas y configuraciones comparables. Reproducir la división partidista reforzaría la confianza en que representa un comportamiento repetible. Un resultado sustancialmente diferente exigiría examinar qué cambió antes de declarar erróneo el hallazgo original.

La replicación debería preservar los detalles que hacen significativas las comparaciones. La disponibilidad de búsqueda, la redacción de las preguntas y el tratamiento de las negativas pueden alterar lo que mide el experimento. Publicar esas condiciones permite a los lectores distinguir una contradicción genuina de una prueba de un sistema diferente.

La segunda señal es evidencia controlada sobre cómo dependen las recomendaciones de la información disponible. Las pruebas podrían comparar la búsqueda abierta con un paquete de fuentes compartido y examinar si la misma evidencia sobre candidatos produce juicios similares. Estos son experimentos propuestos, no seguimientos anunciados.

Si las preferencias opuestas persistieran con evidencia idéntica e instrucciones comparables, la selección de fuentes por sí sola pasaría a ser una explicación menos suficiente. Si la diferencia se redujera, el papel de la recuperación de información merecería mayor atención. Ninguno de los dos resultados eliminaría la necesidad de examinar cómo los modelos ponderaron prioridades en competencia.

La tercera señal es probar conversaciones habituales de consumidores que no lleguen a solicitar un respaldo. Las preguntas sobre los historiales de los candidatos, la importancia de los temas y las disyuntivas de política pública abordarían mejor la preocupación de que el encuadre importa antes de que aparezca una recomendación final.

Si esas conversaciones reprodujeran sistemáticamente el patrón direccional, se reforzaría el argumento de una relevancia más amplia para el producto. Si no lo hicieran, el resultado de elección forzada seguiría siendo significativo en un ámbito más limitado. Cualquiera de los hallazgos ayudaría a los usuarios a entender dónde empieza y termina el riesgo demostrado.

En los próximos meses, las respuestas de las empresas serán útiles cuando aborden estas cuestiones medibles. Una afirmación general de neutralidad no puede explicar un patrón específico. Del mismo modo, una acusación de ingeniería política no puede sustituir la evidencia sobre cómo se produjeron las respuestas.

Los desarrolladores deberían prestar especial atención a los cambios en las versiones y configuraciones reales que implementan. Una mejora observada en una aplicación de consumo no demuestra automáticamente una mejora en su servicio. La evaluación debe seguir al producto que reciben los usuarios.

Los lectores también deberían resistirse a interpretar la división Grok vs GPT como una recomendación de elegir el asistente que coincida con su política. La coincidencia con una preferencia existente no demuestra un mejor razonamiento. Un proceso de investigación fiable debería resistir el escrutinio cuando su conclusión resulta incómoda.

Al revisar la próxima afirmación sobre recomendaciones electorales de Grok, pida las condiciones detrás del porcentaje. Busque el prompt, la versión del modelo, el acceso a fuentes, la tasa de negativas y la evidencia que respalda la explicación propuesta. Compare la elección final con la información que el sistema consideró y las prioridades que introdujo. Conserve las fuentes originales cuando una respuesta sea importante para su trabajo y separe los hechos verificados de los juicios del asistente. Antes de tratar cualquiera de los dos modelos como una autoridad de investigación política, plantee una pregunta más útil: ¿puede inspeccionar por qué llegó a esa conclusión y puede alguien con prioridades diferentes evaluar la misma evidencia?