¿Los estereotipos describen la realidad o la deforman? Un equipo de científicos se hizo esa pregunta con un caso concreto: el cruce entre género y edad. Para responder analizaron 1,4 millones de imágenes y videos de Google, Wikipedia, IMDb, Flickr y YouTube, y contrastaron patrones con nueve modelos de lenguaje entrenados con textos de internet. El veredicto es claro: las mujeres aparecen representadas como más jóvenes que los hombres en múltiples ocupaciones y roles sociales, pese a que no existen diferencias sistemáticas de edad entre ambos en la fuerza laboral.
El trabajo, publicado en Nature y liderado por Douglas Guilbeault (Universidad de Stanford), detecta además que, para herramientas de inteligencia artificial, los perfiles de hombres mayores se evalúan como mejor cualificados que los de mujeres. La llamada “edadismo de género” —presión persistente para que ellas parezcan jóvenes— se verifica a gran escala y se amplifica en los sistemas algorítmicos.
Los autores eligieron imágenes porque la edad es una referencia observable que permite medir la exactitud de los estereotipos frente a anclas objetivas, como el Censo de EE. UU. Nuria Oliver (Fundación ELLIS Alicante) destaca la cuantificación del sesgo con datos verificables. El equipo midió la influencia de plataformas: en Google Images los doctores se muestran entre 25-34 años y las doctoras entre 18-24; en IMDb abundan actrices veinteañeras, mientras los actores suelen aparecer con cuarenta o cincuenta.
Otra parte del estudio midió cómo esa representación nutre nuestras creencias. A los voluntarios se les pidió estimar la edad media de hombres y mujeres en distintas ocupaciones; a algunos se les indicó buscar antes en Google Images. Quienes vieron esas galerías calcularon edades femeninas más bajas de forma consistente. La conclusión: la exposición previa a resultados sesgados empuja percepciones sesgadas.
¿Y qué pasa con los datos del mundo real? Buceando en el censo estadounidense, los investigadores no hallaron evidencia de categorías laborales donde las mujeres sean más jóvenes que los hombres. Es decir, el patrón visual de internet no refleja la estructura etaria del empleo. Ana Macanovic (Instituto Universitario Europeo) interpreta estos hallazgos como evidencia integral de edadismo de género: a ellas se las valora por juventud y atractivo, a ellos por experiencia y madurez, y esa norma social se perpetúa en contenidos visuales y textuales en línea.
El sesgo es más intenso en ocupaciones de mayor estatus: la juventud femenina aparece como norma visual, mientras a los hombres se los muestra con más edad. Las fuentes —Google, Wikipedia, IMDb, Flickr y YouTube— refuerzan esa pauta, y los nueve LLM la reproducen. También pesa el lenguaje: “chica” se asocia a mujeres más que “chico” a varones.
La segunda fase miró a los grandes modelos de lenguaje. Cuando se pide a esos sistemas que valoren currículos, puntúan mejor a hombres mayores que a mujeres jóvenes, y asocian ser mayor con ser hombre. Para Marian Blanco Ruiz (Universidad Rey Juan Carlos), el riesgo aparece cuando esos sesgos pasan de lo simbólico a lo material: acceso a empleo, alquiler o coberturas médicas. Pablo Haya Coll (Universidad Autónoma de Madrid) pide auditorías algorítmicas y transparencia, en línea con el Reglamento Europeo de Inteligencia Artificial.
El estudio no pretende zanjar un debate filosófico, pero mide con precisión cuándo y cómo los estereotipos fallan. Si buscadores y modelos muestran a mujeres perpetuamente jóvenes, el público aprende esa imagen y decide en función de ella. La respuesta no es solo técnica: implica curar datos, ajustar entrenamiento y evaluación, diversificar referentes y abrir criterios de selección en plataformas.
La pregunta final es práctica: ¿cómo evitar que estos sesgos afecten la vida cotidiana? El propio diseño del estudio ofrece pistas: usar anclajes objetivos, comparar salidas de IA con estadísticas oficiales y someter sistemas a pruebas independientes. Si, como muestran Guilbeault y sus colegas, género y edad se distorsionan conjuntamente en internet y en los algoritmos que lo median, el desafío —y la oportunidad— es construir herramientas que corrijan esa deriva en lugar de reproducirla. Eso requiere supervisión pública, pautas claras para diseño y uso, y una cultura de evaluación continua que haga visibles y corregibles los sesgos.