Este trabajo formula una objeción psicométrica fundamental a la práctica de administrar cuestionarios humanos a modelos de lenguaje y leer sus puntuaciones como rasgos equivalentes. Evalúa GPT-3.5, GPT-4, Llama 2 70B Chat y Llama 3.1 70B Instruct en dos estudios. El primero compara el sesgo de aquiescencia en los 50 ítems IPIP Big Five Markers con una distribución de más de un millón de respuestas humanas. El segundo genera cuestionarios BFI-2 bajo personas, contexto acumulado y respuestas iniciales sembradas, explora sus componentes mediante PCA con rotación varimax y contrasta modelos factoriales con CFA. Su aportación más importante es separar consistencia interna de validez: un alfa de Cronbach o un omega alto no permite interpretar una escala si el modelo estructural que da sentido a esos coeficientes ajusta mal.
Los cuatro modelos muestran más tendencia a asentir a ítems de clave positiva y negativa que la media humana, con valores aproximados de 0,6 para GPT-4, 0,8 para Llama 3.1 y 1,5 para GPT-3.5 y Llama 2. Solo estos dos últimos se sitúan fuera de la distribución humana con p < 0,005; GPT-4 y Llama 3.1 no alcanzan significación, aunque GPT-4 supera al 89 % de la muestra humana. El contraste trata cada modelo como un único perfil de respuesta, no como una muestra de personas o ejecuciones, por lo que cuantifica lo inusual de esa salida respecto de humanos sin estimar incertidumbre entre ejecuciones del modelo.
En el BFI-2, Llama 3.1 bajo contexto acumulado y personas produce el patrón exploratorio más parecido a cinco bloques, con signos opuestos para ítems directos e inversos. Esa apariencia no se confirma: todos los modelos y configuraciones quedan lejos de los umbrales declarados de CFI/TLI ≥ 0,95 y RMSEA ≤ 0,06. En el modelo BFI-2, por ejemplo, GPT-4 alcanza CFI 0,88/0,78, TLI 0,81/0,65 y RMSEA 0,15/0,17; Llama 3.1, pese a alfa y omega de 0,98/0,93, obtiene CFI 0,74/0,66, TLI 0,65/0,57 y RMSEA 0,38/0,41. Las soluciones convergen con advertencias de lavaan, incluidas varianzas negativas o nulas. La evidencia es fuerte para rechazar una interpretación humana del BFI-2 en estos modelos y protocolos, aunque no constituye una prueba formal completa de invariancia multigrupo: el fallo ocurre ya en la condición previa de que el modelo configural humano ajuste adecuadamente a cada conjunto de respuestas.
La población artificial también limita la inferencia. Las 100 descripciones de PersonaChat no fueron diseñadas para cubrir de forma equilibrada el espacio Big Five, y la estructura factorial observada depende del rango y las correlaciones de los rasgos inducidos por esos prompts. Un mal ajuste puede reflejar la transferencia inadecuada del instrumento, la distribución de personas, el mecanismo determinista de respuesta o una combinación de ellos; no prueba la ausencia de toda forma de personalidad o regularidad conductual en un LLM. La auditoría del repositorio encuentra una reproducción parcial y manual: faltan README, licencia, entorno bloqueado y datos humanos crudos; los scripts R fijan una ruta local y sobrescriben repetidamente entradas; y el artefacto, publicado antes de la versión EAAMO, no contiene Llama 3.1. Además, OpenAI se convierte a respuestas one-hot a partir de un token, mientras Llama usa el valor esperado de probabilidades normalizadas sobre cinco tokens, una asimetría que puede afectar la varianza y la estructura estimada. La conclusión defendible no es que los LLM «no tengan personalidad», sino que estas puntuaciones BFI-2 no deben tratarse como rasgos humanos sin validar primero el constructo, el protocolo y su relación con conducta externa.