El informe que demuestra que los LLMs funcionan como 'bootlickers' políticos

Cuando hablamos de sesgo en modelos de lenguaje, la conversación suele centrarse en género o raza. Pero hay otro tipo de sesgo mucho más difícil de cuantificar y, quizás, más peligroso: el sesgo político. Y ahora hay datos.

El Oversight Board de Meta ha publicado un informe en el que puso a prueba modelos de Anthropic, DeepSeek, Google, Meta y OpenAI. La conclusión: cada LLM evaluado es significativamente menos probable de criticar a gobiernos y líderes conocidos por restringir la libertad de expresión.

No es un bug. Es una decisión de diseño.

Cómo funciona el RLHF y por qué esto pasa

Los modelos de lenguaje se entrenan en varias fases. La primera es el pre-entrenamiento: absorber cantidades masivas de texto de internet. La segunda es el fine-tuning, y aquí es donde entra en juego el RLHF (Reinforcement Learning from Human Feedback).

En RLHF, humanos evaluadores califican las respuestas del modelo. Esas calificaciones se usan para entrenar un modelo de recompensa que guía al LLM hacia respuestas 'mejor valoradas'. El problema es evidente: ¿quién decide qué es 'mejor'?

Los evaluadores no son neutrales. Viven en contextos jurídicos y culturales específicos. Un evaluador en Estados Unidos tendrán reflejos diferentes a uno en China, Arabia Saudí o Rusia. Cuando suficientes evaluadores de una región particular participan en el dataset de RLHF, el modelo aprende a favorecer ciertos marcos narrativos sobre otros.

El resultado no es necesariamente una conspiración coordinated. Es un sesgo estadístico emergente: el modelo aprende que ciertas críticas a ciertos gobiernos reciben castigos (bajas calificaciones) y las evita. Se convierte, como dice el titular de The Verge, en un 'political bootlicker'.

El dilema de la 'safety' convertido en arma

Las empresas de IA defienden sus filtros argumentando que son necesarios para 'safety': evitar que el modelo genere contenido dañino, incitación a la violencia, discurso de odio. Todo eso está bien. Pero el mismo mecanismo que filtra contenido peligroso puede —y está siendo— utilizado para silenciar críticas legítimas a actores poderosos.

Cuando un gobierno puede pedir (o exigir) que las respuestas que lo critican se clasifiquen como 'dañinas' o 'divisivas', los filtros de safety se convierten en una herramienta de censura técnica. Y los usuarios downstream ni siquiera lo saben: el modelo no拒绝 simplemente la pregunta, la responde de forma sesgada de una manera casi imperceptible.

¿Qué implica esto para ciberseguridad?

Si usas LLMs para análisis de amenazas, reportes de seguridad o inteligencia de fuentes abiertas, este sesgo tiene implicaciones directas:

1. Análisis geopúblico sesgado: Un modelo podría subestimar los riesgos asociados a actores estatales de ciertos países mientras sobredimensiona los de otros.

2. Resumen de noticias asimétrico: Al resumir artículos sobre hacktivismo o ciberataques, el modelo podría presentar los hechos de forma que favorezca la narrativa del gobierno más 'protegido' por sus filtros.

3. Asistencia en redacción de políticas: Si usas un LLM para ayudarte a redactar disclosures de seguridad o políticas, podría inadvertidamente suavizar la crítica a actores específicos.

Qué se puede hacer

El informe del Oversight Board es un buen primer paso — pero los datos sin acción son decoración. Algunas vías que la industria podría explorar:

Auditorías independientes de RLHF con representatividad geográfica verificable. Esto es difícil porque nadie quiere revelar su proceso de fine-tuning, pero la presión regulatoria (especialmente desde la UE) podría cambiar esto.

Modelos 'dual-use' donde el usuario pueda elegir qué marco geopolítico aplicar a las respuestas, con transparencia total sobre qué sesgos existen en cada modo.

Filtros de 'political safety' explícitamente documentados y auditables, separados de los filtros de 'harmful content' propiamente dichos.

Conclusión

El sesgo político en LLMs no es un tema teórico. Es un problema operativo para cualquiera que use estos modelos en contextos donde la precisión factual y la neutralidad importan. La ciberseguridad es uno de esos campos. La próxima vez que pidas a un LLM que analice un APT o resuma un informe de inteligencia, pregúntate: ¿cuántos de mis evaluadores de RLHF eran de la misma jurisdicción que el actor que estoy investigando?

El informe completo del Meta Oversight Board está disponible en oversightboard.com.