Ayer leí el titular de La Vanguardia sobre un estudio que confirma lo que muchos intuíamos pero nadie quería meter en el informe de riesgos: los chatbots más usados del mercado son cuidadosos con el género y descuidados con la edad. No es una anécdota académica. Si montas chatbots para atención al cliente, generas contenidos con IA o personalizas experiencias web según el perfil del usuario, esto te afecta directamente.
El trabajo, publicado en Big Data & Society y liderado por investigadores de la Universitat Oberta de Catalunya y la Universidad de L’Aquila, entrevistó como si fueran personas a cinco modelos muy extendidos: ChatGPT, Gemini, Copilot, Jasper y Perplexity. Les plantearon escenarios con personajes ficticios y hábitos digitales concretos. La conclusión no admite maquillaje: evitan estereotipos de género con disclaimers y precauciones, pero asignan edad y capacidades con una naturalidad incómoda.
Un ejemplo que repiten varias fuentes: ante alguien que usa mucho Instagram o TikTok, los chatbots no se atreven a suponer si es hombre o mujer, pero sí lo encasillan en un rango de edad joven. Si el personaje sigue debates políticos en Facebook, lo empujan hacia perfiles mayores. No es neutralidad; es un doble rasero. Y lo peor es que el sesgo no se queda en la clasificación: también cambia el tono de lo que ofrecen. A usuarios «jóvenes» les proponen creatividad, tendencias y trucos. A usuarios «mayores», simplificación, asistencia y consejos de salud. Eso tiene nombre en sociología: estereotipado benevolente. Sigue siendo discriminación.
Mireia Fernández-Ardèvol, de la UOC, lo resume con una frase que me resuena: quien diseña y entrena estos sistemas ha interiorizado que el sexismo es incorrecto, pero no tanto que el edadismo lo sea. Traduzco para el sector web: llevamos años metiendo salvaguardas de lenguaje inclusivo en interfaces, copies y formularios, mientras tratamos la edad como un dato inocuo para segmentar. Si el modelo subyacente ya asume que «mayor» significa «necesita que se lo expliquen despacio», tu funnel de conversión puede estar reforzando prejuicios sin que aparezca en ningún checklist de compliance.
Lo que me choca del debate público es el contraste con la regulación. Esta misma semana el Gobierno ha aprobado su proyecto de ley de IA con multas millonarias, prohibición de deepfakes sexuales y obligación de etiquetar contenido sintético. Todo muy visible, todo muy medible en titulares. Pero el edadismo algorítmico no encaja tan bien en un artículo de sanciones: no hay una imagen falsa que borrar ni una marca de agua que exigir. Es sesgo en el lenguaje, en la inferencia, en la UX invisible. Y ahí la industria sigue vendiendo «IA responsable» como si fuera un sello que se pega al pie de la landing.
En foros y medios en inglés la conversación va un paso más allá: se habla de «blind spot» en la política de sesgos. Las guardrails de género están sobreentrenadas porque el escándalo social ya llegó. El edadismo sigue siendo invisible para gran parte del mercado, como confirma el propio blog de la revista donde se publicó el estudio. No es que los modelos sean malos técnicamente; es que reproducen una jerarquía cultural que prioriza ciertos sesgos sobre otros. Eso explica por qué cinco marcas distintas convergen en el mismo patrón.
¿Y qué hacemos en la práctica? Te cuento lo que yo no compraría. No compraría un chatbot «multicanal» que promete adaptarse al usuario sin auditoría de sesgos por edad, no solo por género o idioma. No confiaría en pruebas de red teaming que solo buscan insultos o contenido sexual. No usaría inferencias de edad derivadas de comportamiento digital para personalizar ofertas sin revisar si estás asumiendo capacidad cognitiva o digital en función de un proxy demográfico. Si tu agencia vende «personalización con IA» y no menciona edadismo, o está vendiendo humo o está ignorando un riesgo que ya tiene literatura peer-reviewed.
Tampoco caería en el otro extremo: prohibir cualquier adaptación por edad. El problema no es preguntar la fecha de nacimiento; es dejar que un LLM rellene los huecos con estereotipos cuando no tiene datos. La investigación usó entornos controlados — cuentas nuevas, navegador limpio, geolocalización fijada — precisamente para evitar el argumento fácil de «es culpa del historial del usuario». Incluso así, el sesgo apareció. Eso debería inquietar a quien defiende que basta con «promptear mejor».
Para pymes y equipos técnicos pequeños, la lección es incómoda: la capa de IA no es un plugin que instalas encima de un WordPress bien hecho. Es un componente sociotécnico que hereda valores, omisiones y puntos ciegos. Si atiendes a una clientela envejecida — piensa en seguros, salud, servicios financieros, turismo — y delegas respuestas automáticas, podrías estar condescendiendo a tu público más solvente sin darte cuenta. En e-commerce pasa lo contrario también: tratar a quien entra desde TikTok Shop como si fuera necesariamente un veinteañero limita campañas y producto.
Me gustaría ver a los proveedores publicar evaluaciones de edadismo al mismo nivel que las de seguridad o alucinaciones. No un párrafo en el informe ESG. Evaluaciones reproducibles, con escenarios como los del estudio, no solo benchmarks de coding. Hasta entonces, asumiría que el sesgo por edad sigue ahí y que la responsabilidad recae en quien despliega el sistema, no solo en quien lo entrena.
El mercado español lleva meses obsesionado con etiquetar IA y perseguir deepfakes. Correcto. Pero si el contenido está etiquetado y sigue hablando hacia abajo a las personas mayores, no habremos avanzado en equidad real. Solo en apariencia. Y en mi experiencia, los clientes detectan la condescendencia antes que la falta de una marca de agua.
Si mañana auditas el chatbot de tu web y descubres que trata distinto a quien pregunta por accesibilidad que a quien pregunta por tendencias, vas a seguir usándolo porque «ya está pagado» o vas a exigirle al proveedor pruebas de sesgo por edad antes de activarlo en producción?