En un estudio sobre asistentes de IA en realidad virtual, los participantes asignaron de media 2,96 CHF a Johan y 2,54 CHF a Johanna para contribuir al desarrollo de cada asistente. La diferencia fue estadísticamente significativa, pero las puntuaciones de confianza entre ambos avatares no lo fueron. El resultado tampoco permite atribuir la diferencia de recompensa únicamente al género percibido.
Qué midió el estudio
Los investigadores analizaron a 189 trabajadores del conocimiento. Cada participante interactuó con un chatbot de texto, un robot de escritorio y uno de dos avatares de aspecto humano: Johan o Johanna. Las cuatro representaciones utilizaban el mismo modelo, gpt-4-1106-preview; cada persona vio solo uno de los avatares.
En una simulación laboral de unos 30 minutos, los participantes propusieron soluciones relacionadas con el bienestar, la inclusión y la colaboración en el trabajo. Después valoraron la humanidad percibida, la confianza y el mérito atribuido a cada asistente en una escala de 1 a 7.
El análisis de las recompensas incluyó a 159 participantes. Los demás quedaron fuera de ese análisis porque sus empleadores les prohibían aceptar compensaciones. Cada participante podía destinar entre 0 y 4 CHF por asistente a su desarrollo; el dinero no asignado se lo quedaba la persona participante. No eran salarios para las IA.
Las valoraciones de Johan y Johanna
Las medias de humanidad percibida, confianza y mérito atribuido corresponden a la escala de 1 a 7. La recompensa es la cantidad media asignada en francos suizos.
| Medida | Johan | Johanna | Resultado estadístico |
| Humanidad percibida | 5,09 | 4,59 | p = 0,029 |
| Confianza | 5,58 | 5,25 | p = 0,065 |
| Mérito atribuido | 5,24 | 5,05 | p = 0,164 |
| Recompensa media | 2,96 CHF | 2,54 CHF | p = 0,026 |
La diferencia entre las recompensas medias fue de 0,42 CHF. El estudio la consideró estadísticamente significativa. En cambio, las diferencias de confianza y mérito atribuido no alcanzaron significación estadística. Aunque Johan obtuvo una puntuación mayor en humanidad percibida, los investigadores señalan que el diseño no permite separar limpiamente el género de esa percepción ni de los rasgos concretos de voz y apariencia de los avatares.
La presentación también importó en otra comparación del experimento: al considerar conjuntamente las representaciones de aspecto humano, recibieron puntuaciones medias más altas que el robot de escritorio en confianza (5,41 frente a 5,05) y mérito atribuido (5,14 frente a 4,90), además de una mayor asignación media (2,76 CHF frente a 1,98 CHF). Esto sitúa el resultado de Johan y Johanna dentro de una prueba sobre distintas formas de presentar asistentes, no de una medición aislada del género.
Otros estudios examinan tareas distintas
Una investigación publicada en 2024 evaluó 1.400 cartas de recomendación generadas con ChatGPT-3.5 para nombres históricamente masculinos y femeninos en Estados Unidos. Encontró diferencias de lenguaje que variaban según el prompt y la categoría analizada. Ese estudio examinó generación de texto, mientras que el experimento de realidad virtual comparó interacciones con avatares, un robot y un chatbot; sus resultados corresponden a preguntas distintas.
