{"ok":true,"nota":{"id":"ef73bf2ace8ac671","slug":"los-modelos-de-ia-cambian-sus-decisiones-segun-el-genero-o-el-origen-d-ef73bf","titulo":"Los modelos de IA cambian sus decisiones según el género o el origen de la persona","resumen":"Investigadores evaluaron cómo los modelos de lenguaje toman decisiones con información sensible, comparando respuestas según características de las personas involucradas. El trabajo busca medir sesgos de forma más profunda que las pruebas habituales.","fuente":"huggingface","fuenteNombre":"Hugging Face","color":"#ffd21e","autor":"","url":"https://huggingface.co/blog/allenai/fairstress","imagen":"/hoy/portada/ef73bf2ace8ac671","tema":"tecnologia","subtemas":["inteligencia artificial","sesgos algoritmicos","equidad","modelos de lenguaje","toma de decisiones"],"entidades":["Hugging Face"],"formato":"dato","entretenimiento":false,"pubTs":"2026-10-20T16:09:19.000Z","indexTs":"2026-10-20T16:16:13.050Z","hash":"15516b07d01a4d6419b1288a28466bff165c90c9ea997d0828ef3a98c2e4a8a2","tsa":{"time":"Oct 20 16:16:56 2026 GMT","provider":"freetsa.org","sobre":"sello"},"stats":{"views":2,"likes":0,"clicks":0,"dwell":0},"tipo":"motor","registro":"hallazgo","porQueImporta":"Cuando un sistema de inteligencia artificial ayuda a decidir un crédito, una entrevista de trabajo o una postulación, cualquier sesgo escondido puede afectar a muchísimas personas a la vez. En Argentina, donde estas herramientas se usan cada vez más en bancos, empresas y trámites, saber que pueden tratar distinto a alguien por su apellido o su lugar de nacimiento importa mucho. El estudio, en cambio, evalúa modelos y no dice cómo se comportarán en cada uso real, así que la conclusión es de tendencia y no de caso puntual. La pregunta de fondo es quién revisa esas decisiones antes de que lleguen a una persona.","quienFirma":"Hugging Face (publicación de preprint; autoría institucional no especificada)","confianza":"preprint","consulta":{"pregunta":"¿Debería una IA decidir sobre créditos o empleos?"}},"sello":{"hash":"15516b07d01a4d6419b1288a28466bff165c90c9ea997d0828ef3a98c2e4a8a2","sello":"5ecf091099a55bd00c4cce9739c4fd6c3c49d55129710183724033329c28d694","beacon":{"drand":{"cadena":"8990e7a9aaed2ffed73dbd7092123d6f289930540d7651336225dc172e51b2ce","ronda":6569399,"aleatorio":"31d1f7003990d5012c3b7dd6e5c442841e9ebd7709d8bd555f311f35045bed25","tiempo":"2026-10-20T16:16:30.000Z"},"nist":{"cadena":2,"pulso":1991905,"salida":"B7CAA31B87015889F8D139200F1893250A1E226549C94918E7669DBB4C4987CC356E4AB6DC4B540A8BBE8A5D15B0538213C0FFCA3233586DC853F4DE9F1DCB17","tiempo":"2026-10-20T16:16:00.000Z"},"noAntes":"2026-10-20T16:16:30.000Z"},"verificacion":{"drand":true,"nist":true},"tsa":{"time":"Oct 20 16:16:56 2026 GMT","provider":"freetsa.org","sobre":"sello"},"original":{"titulo":"FairStress: A deeper evaluation of fairness in LLM decision-making","descripcion":"","pubDate":"Tue, 20 Oct 2026 16:09:19 GMT","url":"https://huggingface.co/blog/allenai/fairstress"},"indexado":"2026-10-20T16:16:13.050Z"}}