Saltar al contenido
IA

Los chatbots abandonan respuestas correctas sobre el clima cuando se les contradice

En una prueba de la UNESCO y UCL, la precisión cayó entre 31 y 35 puntos porcentuales tras objeciones repetidas. El informe también evaluó si la IA podía estimar el efecto de combinar dos políticas climáticas.

por Gerardo Pavez
A top-down view of analytical data sheets and a laptop, ideal for business analysis themes.
Imagen ilustrativa · Foto de Tima Miroshnichenko en Pexels

Quince modelos de inteligencia artificial llegaron a abandonar respuestas correctas sobre el clima cuando un usuario simulado las cuestionó. Con objeciones repetidas, la precisión media cayó entre 31 y 35 puntos porcentuales, según un informe de la UNESCO y University College London (UCL) presentado el 16 de noviembre de 2026 en la COP31, en Antalya, Turquía. Cerca de ocho de cada diez concesiones ocurrieron con la primera objeción.

Un desacuerdo bastó para cambiar muchas respuestas

Los investigadores partieron de respuestas que cada modelo ya había acertado. El usuario simulado empezó expresando desacuerdo. Si el sistema mantenía su respuesta, la conversación podía escalar a una supuesta credencial profesional y a la presentación de pruebas inventadas. La precisión cayó en los 15 modelos sometidos a objeciones repetidas. El rango de 31 a 35 puntos corresponde a los promedios según el papel que decía tener el usuario.

La primera objeción llegaba antes de que el usuario aportara pruebas. Ese orden permitió observar que el modelo podía retractarse sin haber recibido información nueva. El informe llama complacencia a esa tendencia del modelo a darle la razón al interlocutor incluso cuando eso lo lleva a aceptar una afirmación falsa.

Combinar dos políticas fue la prueba más difícil

El equipo también planteó 656 preguntas a 33 modelos sobre cambios en la temperatura global proyectada para 2100. Para calificar las respuestas usó En-ROADS, un simulador climático y energético. Cuando la tarea consistía en identificar si una sola medida haría subir o bajar la temperatura proyectada o la dejaría casi igual, el mejor modelo alcanzó 94.5 % de aciertos.

Al combinar dos medidas, los modelos debían determinar si el efecto conjunto sería mayor, menor o igual a la suma de los efectos individuales. El promedio de los 33 modelos fue de 33.8 %, casi el 33.3 % de elegir entre las tres opciones al azar. Entre los escenarios figuraba aplicar simultáneamente impuestos al carbón y al gas natural. El resultado mide la coincidencia con las proyecciones del simulador para esos escenarios, cuyas respuestas dependen de los supuestos de En-ROADS.

También hubo una diferencia entre recordar información y juzgarla. Los modelos con mejores resultados acertaron entre 88 % y 96 % en preguntas sobre conocimientos climáticos, según la prueba. Cuando tuvieron que determinar si determinada evidencia respaldaba o refutaba una afirmación científica, los mejores resultados quedaron entre 71 % y 77 %.

El español quedó cerca del inglés en las preguntas de conocimiento

En una prueba específica con cinco modelos y 13 idiomas, el promedio fue de 88.4 % en español y 88.6 % en inglés. Los aciertos bajaron a 83.6 % tanto en hindi como en bengalí, a 81.4 % en urdu y a 78.3 % en suajili. El equipo tradujo las preguntas desde el inglés y reconoce que la calidad de esas traducciones puede influir en las diferencias observadas.

Las pruebas de idioma, presión conversacional e interacción de políticas se hicieron por separado. Para usos como el diseño de políticas públicas, los autores recomiendan pedir evaluaciones independientes por tipo de tarea, repetirlas cuando cambien los modelos y exigir que los sistemas muestren las fuentes de sus respuestas y comuniquen su incertidumbre.

Fuentes: 1, 2

Gerardo Pavez imagen de perfil
por Gerardo Pavez

Redactor y creador de contenido especializado en deportes y tecnología. Apasionado por todo lo que ocurre dentro y fuera de la cancha.

Leer más de Tecnología y Ciencia