Un estudio publicado en arXiv por Katherine Van Koevering y su equipo demuestra que los grandes modelos de lenguaje (LLM) tratan de forma desigual a las personas usuarias en función de su registro lingüístico. Cuando unprompt contiene rasgos más asociados al habla femenina —muletillas atenuantes, etiquetas interrogativas y referencias colectivas—, los modelos devuelven respuestas sistemáticamente más cortas, menos sofisticadas y menos formales. El patrón se repite en tres tipos de documento (correos, informes y propuestas) y en cuatro modelos distintos, incluso tras controlar la complejidad delprompt y el arrastre de rasgos entre preguntas.
Los resultados indican que las pistas explícitas de género, como firmar con un nombre propio, apenas influyen en el resultado. En cambio, el registro lingüístico, que las personas usuarias manejan de manera inconsciente y culturalmente aprendida, produce efectos grandes y consistentes. El análisis mecanicista revela que estos rasgos se codifican en capas tempranas del transformador y aparecen entrelazados con otras características, lo que dificulta mitigarlos a posteriori. Los autores concluyen que ninguna estrategia consciente de autopresentación basta para esquivar el sesgo y reclaman intervenciones tempranas, en la fase de entrenamiento, que tengan en cuenta la variación lingüística para evitar impactos desiguales en la comunicación laboral mediada por inteligencia artificial.