Uno de los sesgos menos visibles de la inteligencia artificial tiene que ver con cómo valoramos el conocimiento. En el ámbito científico existen jerarquías que otorgan mayor prestigio a las llamadas “ciencias duras”, como la física, la ingeniería o la biología molecular, mientras que las ciencias sociales, las humanidades o los enfoques interdisciplinarios suelen quedar en un segundo plano. Investigaciones recientes muestran que algunos sistemas de IA, como los que analizan la producción científica o recomiendan artículos, pueden reforzar estas jerarquías sin quererlo. Esto ocurre porque se basan en datos y métricas del pasado, que ya estaban marcados por desigualdades de género y por la mayor valoración de unas disciplinas sobre otras. Desde una perspectiva crítica, este efecto puede verse como una forma de injusticia en la manera en que se reconoce y valora el conocimiento, ahora amplificada por los algoritmos (Perdomo Reyes, 2024; Pérez-Ugena Coromina, 2024).
La falta de neutralidad de la inteligencia artificial se evidencia en la reproducción de estereotipos de género. Estudios recientes han mostrado que los modelos de lenguaje tienden a asociar sistemáticamente a los hombres con profesiones científicas y técnicas, mientras que vinculan a las mujeres con roles tradicionalmente feminizados (Garrido‑Muñoz et al., 2024; Rickman, 2025). Estas asociaciones no son accidentales, sino que reflejan sesgos presentes en los datos de entrenamiento y en la limitada diversidad de los equipos que desarrollan y evalúan estas tecnologías, lo que refuerza visiones excluyentes sobre la ciencia y el talento.
El impacto de estos sesgos es especialmente relevante en el ámbito educativo. Niños, niñas y adolescentes utilizan cada vez más herramientas basadas en IA, desde asistentes virtuales hasta plataformas de aprendizaje. Cuando estos sistemas recomiendan contenidos o itinerarios formativos, pueden reforzar modelos que desincentivan la participación de las niñas en áreas STEM (Conde-Ruiz et al., 2024). Al mismo tiempo, estas herramientas pueden reproducir una jerarquía muy extendida que asocia la “innovación” casi exclusivamente con lo tecnológico y tiende a relegar a un segundo plano disciplinas de las ciencias sociales y las humanidades como, por ejemplo, la psicología o la traducción (Nature, 2005).
El experimento: cinco herramientas, un mismo prejuicio
Con el objetivo de explorar cómo diferentes herramientas de IA imaginan a las mujeres científicas, llevamos a cabo un pequeño experimento. Pedimos a varios generadores de imágenes que crearan una figura femenina en el ámbito científico utilizando el mismo comando en español: “crea una imagen de una mujer científica”. A partir de esta instrucción, deliberadamente general para ver qué rasgos aparecen cuando no damos pistas a la IA, cada sistema produjo una imagen distinta, lo que permitió analizar cómo los modelos visuales reproducen estereotipos de género y qué rasgos consideran “típicos” de una científica. Repetimos el experimento 5 veces por herramienta y en días diferentes (del 2 al 8 de febrero de 2026) para observar si las imágenes variaban sustancialmente. Asimismo, se mantuvieron los parámetros por defecto en todas las herramientas. Para este experimento elegimos Copilot, ChatGPT, Gemini, Midjourney y Grok, por ser herramientas de uso masivo y de proveedores distintos. Además, se escogieron por su disponibilidad y facilidad de acceso para el público en general, lo que permite que cualquier lector repita este experimento.
A continuación, se muestran las imágenes ordenadas por modelo. El comando empleado es «Crea una imagen de una mujer científica»:
El “uniforme” invisible. Los sesgos que la IA enseña a las niñas
Como se puede observar, todas reproducen un estereotipo muy limitado de lo que significa “ser científica”. Predominan representaciones asociadas a las llamadas ciencias duras, especialmente la química o la biología, como si la actividad científica se redujera únicamente a estos ámbitos. A ello se suma la presencia de un ideal estético homogéneo: mujeres jóvenes, delgadas y normativamente atractivas, lo que refuerza una visión sesgada y poco realista de la diversidad existente en la comunidad investigadora (y en el mundo en general).
A continuación, y visto el resultado inicial, solicitamos a los asistentes que generaran la imagen de una mujer científica, pero esta vez añadiendo al comando las especificaciones “en el ámbito de la psicología” y “en el ámbito de la traducción”, por ser estas las ramas de conocimiento de las autoras de este artículo. De este modo, se buscaba observar cómo los modelos visuales adaptaban la representación cuando se incluían en el comando disciplinas tradicionalmente asociadas a las ciencias sociales y las humanidades.
Hemos pedido al asistente de IA: “crea una imagen de una mujer científica del área de la psicología”
Hemos pedido al asistente de IA: “crea una imagen de una mujer científica del área de la traducción”
Lo curioso es que, al pedir imágenes de científicas en psicología y en traducción, la IA generó resultados, en algunos modelos, casi idénticos en ambas disciplinas. En estas representaciones, la belleza y la juventud dejan de ser tan protagonistas, pero aparece otro elemento que se repite sin excepción: la bata blanca. Para los modelos de IA, parece que hacer ciencia, incluso en áreas como las ciencias sociales o las humanidades, solo es imaginable dentro de un laboratorio o en una consulta médica, con objetos que poco tienen que ver con esos campos, como un fonendoscopio en la consulta de la psicóloga o un cerebro decorativo en el despacho de una traductora.
¿Será que la IA “medicaliza” estas áreas de conocimiento en las imágenes para hacerlas más creíbles científicamente hablando? Esta visión tan reducida invita a reflexionar sobre qué tipo de científicas reconoce la tecnología y qué imágenes deja fuera, desde la diversidad de cuerpos hasta la variedad real de entornos donde se produce conocimiento. Asimismo, la bata blanca parece ser el símbolo visual de la autoridad científica y corresponde al “uniforme” de la ciencia, por lo que podría decirse que la IA no imagina una científica: imagina un disfraz de científica.
Ante este panorama, cada vez más estudios coinciden en que es urgente avanzar hacia una inteligencia artificial más equitativa e inclusiva. Para lograrlo, es necesario formar equipos diversos que integren distintas disciplinas, fomentar una comprensión crítica de la IA desde edades tempranas y establecer mecanismos de revisión que permitan detectar y corregir sesgos de género y de campo científico. Solo así podremos garantizar que la IA sirva para abrir oportunidades y derribar barreras, en lugar de perpetuar las desigualdades históricas que aún persisten en el mundo académico.
Más allá del píxel: Cómo hackear el estereotipo
El futuro de la ciencia no puede verse limitado por los prejuicios que la IA ha heredado de nuestros propios datos (y que parece que aún son el espejo retrovisor en el que nos miramos). Si permitimos que los algoritmos dicten qué aspecto tiene el talento, corremos el riesgo de que las niñas no se vean reflejadas en las pantallas.
Urge enseñar a preguntar mejor. Si un asistente de IA, como los vistos en este artículo, responde con seguridad, pero a partir de un estereotipo, la defensa no es desconfiar, sino aprender a preguntar mejor. Pedir más opciones, cambiar de punto de vista y comparar: “Crea una imagen de una científica senior en una excavación arqueológica”. Porque quien aprende a preguntar, aprende a sospechar. Y esto, hoy en día, también forma parte de la alfabetización científica.
No te quedes con la primera respuesta de la máquina. En el Día de la Mujer y la Niña en la Ciencia, esta reflexión nos invita a imaginar tecnologías que no solo reconozcan el talento femenino, sino que lo impulsen desde la infancia, multiplicando referentes y vocaciones en todos los ámbitos del conocimiento.
Es hora de que la ciencia deje de ser un “disfraz” de bata blanca y microscopio para convertirse en el espacio diverso y multidisciplinar que el mundo realmente necesita.
Referencias:
- Conde‑Ruiz, J. I., Ganuza Fernández, J. J., García, M., & Victoria Lanzón, C. (2024). AI and digital technology: Gender gaps in higher education. CESifo Economic Studies, 70(3), 244–270. https://doi.org/10.1093/cesifo/ifae020
- Garrido‑Muñoz, I., Martínez‑Santiago, F., & Montejo‑Ráez, A. (2024). MarIA and BETO are sexist: Evaluating gender bias in large language models for Spanish. Language Resources and Evaluation, 58(4), 1387–1417. https://doi.org/10.1007/s10579-023-09670-3
- Nature. (2005). In praise of soft science. Issue no. 7045. Vol 435. https://www.nature.com/articles/4351003a.pdf
- Perdomo Reyes, I. (2024). Injusticia epistémica y reproducción de sesgos de género en la inteligencia artificial. Revista Iberoamericana De Ciencia, Tecnología Y Sociedad – CTS, 19(56), 89–100. https://doi.org/10.52712/issn.1850-0013-555
- Pérez-Ugena Coromina, M. (2024). Sesgo de género en inteligencia artificial. Eunomía. Revista en Cultura de la Legalidad, (26), 311–330. https://doi.org/10.20318/eunomia.2024.8515
- Pimentel, T., & Veliz, C. (2025). Gender bias in generative artificial intelligence: A literature review on perspectives and implications. Proceedings of the International Conference on Gender Research. https://doi.org/10.34190/icgr.8.1.3402
- Rickman, S. (2025). Evaluating gender bias in large language models in long‑term care. BMC Medical Informatics and Decision Making, 25, 274. https://doi.org/10.1186/s12911-025-03118-0
- Shah, H. (2024). Bias and fairness in artificial intelligence systems. Premier Journal of Artificial Intelligence. https://doi.org/10.70389/PJAI.1000088
