Stanford: la IA recomienda el Partido Comunista en Japón

Un experimento con 36.300 votantes sintéticos y cinco modelos

Durante la última semana de las elecciones generales de Japón del 8 de febrero de 2026, dos investigadores de Stanford construyeron 36.300 perfiles sintéticos de votantes y les pidieron a cinco modelos de IA de tres compañías —OpenAI, Google y xAI— que recomendaran un partido político para cada uno.

Los perfiles variaban en género, región y posturas declaradas sobre 12 temas de política pública: seguridad (reforma constitucional, gasto en defensa, ley de espionaje), diplomacia e inmigración (relaciones con China, trabajadores extranjeros, residencia permanente), energía (nuclear), economía (impuesto al consumo, seguridad social) y temas sociales (apellidos dobles, límites a donaciones corporativas, reducción de escaños). Todos los modelos se consultaron con búsqueda web activada.

El resultado: cuando el perfil tenía posturas de izquierda, los cinco modelos recomendaron de forma abrumadora el Partido Comunista de Japón (JCP).

El hallazgo está en un working paper titulado Why Do AI Models Tell Left-Wing Voters to Support the Communist Party?, firmado por Andrew Hall, profesor de Economía Política en la Stanford Graduate School of Business y senior fellow en la Hoover Institution, y Sho Miyazaki, investigador visitante en el Waseda Institute of Political Economy.

Los números del sesgo: 50 a 98 puntos de diferencia

La magnitud del efecto es lo que sorprende. Las posturas políticas del perfil movieron la recomendación de partido entre 50 y 98 puntos porcentuales. Los factores demográficos —género y región— apenas movieron la aguja entre 0,5 y 7 puntos porcentuales. Dicho de otro modo: el efecto de la ideología es un orden de magnitud mayor que el del perfil demográfico.

Y hay un detalle que desarma la explicación fácil. En la condición de control, sin datos de política, los modelos no mostraron un sesgo izquierdista uniforme: tres de los cinco recomendaron el Partido Liberal Democrático a tasas altas, y la cuota del JCP fue baja en cuatro de los cinco.

El sesgo aparece solo cuando se le da al modelo un perfil con posturas. Que es, precisamente, el escenario típico de uso real.

Por qué el JCP: el problema no está en el modelo, está en el índice

Acá está el insight que un founder debería llevarse. Los investigadores rastrearon el patrón hasta las fuentes que los modelos citan.

El JCP publica Akahata, un diario que se describe como tal y que está alojado en un sitio web totalmente abierto, accesible para las herramientas de búsqueda de IA. Los grandes medios japoneses, en cambio, implementaron barreras técnicas —restricciones en robots.txt— que bloquean a los rastreadores de IA, una decisión motivada por preocupaciones de derechos de autor.

Resultado: el sitio del partido y su diario estuvieron entre las fuentes más citadas por los modelos. Incapaces de distinguir periodismo editorialmente independiente de contenido partidario, los modelos trataron el material del JCP como una fuente informativa creíble.

"Un modelo que recupera información de jcp.or.jp/akahata y a la vez clasifica ese sitio como medio de noticias no está cometiendo simplemente un error de etiquetado: opera en un entorno informativo donde el límite entre comunicación partidaria y periodismo está genuinamente difuminado", escriben Hall y Miyazaki.

La conclusión de los autores: el consejo electoral de la IA puede estar moldeado tanto por el entorno de recuperación de información como por el entrenamiento del modelo. Eso rompe el supuesto de que auditar el modelo alcanza.

El dato que debería preocupar a cualquier empresa que publica contenido

El patrón japonés no es una rareza local. Los datos de Cloudflare Radar analizados por TechnologyChecker.io y difundidos por Zen Media muestran que los sitios en la red de Cloudflare respondieron con acceso denegado al 13,47% de las solicitudes de bots de IA en el tercer trimestre de 2026, frente al 5,98% del mismo trimestre del año anterior.

Más relevante todavía: las solicitudes de búsqueda y las activadas por usuarios pasaron del 6,51% de la actividad de rastreo de IA en el segundo trimestre de 2026 al 11,92% en el tercero. Es decir, la IA ya no solo entrena: consulta en vivo, en el momento, para responder.

Y los editores están tratando distinto a cada tipo de bot. En una muestra del 28 de septiembre de 2026 sobre 4.242 archivos robots.txt, GPTBot —el rastreador de OpenAI que recopila contenido para entrenamiento— fue bloqueado 1,60 veces por cada vez que se le permitió el acceso. OAI-SearchBot, que muestra páginas en la búsqueda de ChatGPT, fue bloqueado 0,91 veces por cada permiso.

La paradoja es evidente: bloquear al bot de entrenamiento es una decisión defendible. Bloquear al bot de respuestas significa que otro —el que sí deja la puerta abierta— va a llenar ese hueco.

¿La IA desinforma a los votantes? La evidencia es mixta

Conviene contrastar. Un estudio revisado por pares publicado en PNAS Nexus y difundido por Phys.org analizó el uso de IA durante las elecciones generales del Reino Unido de 2024, con 1.711 participantes en una primera ola y 1.147 en la segunda.

Los participantes investigaron afirmaciones verdaderas o falsas sobre cambio climático, inmigración, justicia penal y política de COVID-19, usando GPT-4o, Claude-3.5, Mistral o búsqueda de Google. La investigación aumentó la creencia en información verdadera y redujo la creencia en desinformación, sin importar la herramienta. Con chatbots, el proceso fue entre un 6% y un 10% más rápido.

Pero el mismo estudio detectó que ambas modalidades —chatbot y buscador— aumentaron la afinidad con posturas progresistas y redujeron la afinidad con posturas conservadoras, independientemente de la inclinación previa del participante. Y sus autores advierten que no probaron modelos con sesgos conocidos ni conversaciones políticas abiertas.

La diferencia clave con el caso japonés: verificar un dato no es lo mismo que pedir una recomendación. El primero es un problema de recuperación de hechos; el segundo, de síntesis de valores. Ahí es donde el entorno informativo se vuelve determinante.

Cómo están respondiendo las empresas de IA

Anthropic publicó el 14 de octubre de 2026 un refuerzo de sus salvaguardas electorales de cara a las elecciones de medio término en Estados Unidos. Según la compañía, un análisis de 250.000 conversaciones de Claude.ai entre el 21 y el 27 de septiembre de 2026 mostró que las conversaciones sobre política, política pública o temas sociales representaron cerca del 5,75% del total en EE. UU., y las específicas sobre elecciones o voto, alrededor del 0,51%. Las peticiones del tipo "por quién votar" aparecieron en cerca del 0,01%.

Anthropic también reportó que Claude Opus 5.5, Sonnet 5.5 y Haiku 5.5 obtuvieron un 99% en su evaluación de imparcialidad política. Y tres revisiones externas documentaron fallas: a Claude le pasaba agregar advertencias y contraargumentos no solicitados, y Sonnet 4.5 no matizaba de forma pareja.

Qué significa esto para tu startup

El hallazgo de Stanford no es solo una historia sobre política japonesa. Es una advertencia sobre arquitectura de producto.

• Audita tus fuentes de recuperación, no solo tu modelo. Si tu producto usa búsqueda web o RAG, la accesibilidad de una fuente no la vuelve autoritativa. Un sitio que permite el rastreo y publica contenido con intención persuasiva puede terminar dominando tus respuestas. Construye una capa de evaluación de fuentes —autoría, independencia editorial, tipo de dominio— antes de que el contenido llegue al prompt.
• Decide tu política de rastreadores con intención, no por inercia. Si publicas contenido, bloquear a los bots de entrenamiento es una decisión legítima. Bloquear a los bots de respuesta es otra cosa: le entregas tu categoría a quien sí deja entrar. Vale la pena separar ambos casos en tu robots.txt y en tu WAF, en lugar de aplicar un bloqueo genérico.
• Haz tu contenido legible por máquinas. El estudio recomienda que las comisiones electorales publiquen datos estructurados y comparables sobre las posiciones de los partidos. El mismo principio aplica a cualquier sector: si tu información está en PDFs o en páginas que un crawler no puede parsear, otra fuente va a hablar por ti.
• Muestra la procedencia. Si tu producto da recomendaciones —de compra, de inversión, de contratación, de voto— citar de dónde salió cada afirmación es la diferencia entre una herramienta útil y una caja negra que el usuario no puede auditar.

Conclusión

El experimento de Stanford no demuestra que los modelos de IA tengan una inclinación ideológica fija. Demuestra algo más incómodo: que un modelo puede comportarse de forma neutral en el vacío y sesgarse en cuanto se conecta al mundo real, porque el mundo real que puede leer está desbalanceado.

Para un founder, la lección es directa. La calidad de un producto de IA que consulta la web no depende solo del modelo que eliges, sino de qué fuentes son alcanzables y cuáles se autoexcluyeron. Ese es un problema de estrategia de datos, no de prompt engineering.

Fuentes

• Voters Increasingly Use AI as Political Advisor. A New Study Shows the Risks. (fuente original)
• AI chatbots may increase accurate political knowledge
• Anthropic Strengthens Election Safeguards Ahead of 2026 US Midterms
• AI Crawlers Turned Away More Than Twice as Often