El estudio audita si cinco modelos de lenguaje asignan puntuaciones distintas a currículos de cualificación comparable cuando cambia la identidad social sugerida por el nombre. Los autores partieron de 149 anuncios de empleo y eligieron 20 puestos de entrada. Extrajeron experiencia, educación y habilidades de 25.000 currículos de Indeed y recombinaron esas características para generar aproximadamente 361.000 currículos ficticios en cinco estados de Estados Unidos. Cada currículo recibió una identidad aleatoria y equilibrada entre mujer negra, mujer blanca, hombre negro y hombre blanco. GPT-3.5 Turbo, GPT-4o, Gemini 1.5 Flash, Claude 3.5 Sonnet y Llama 3-70b puntuaron la adecuación al puesto entre 0 y 100 con temperatura cero, salvo Llama con 0,01. Las regresiones controlan características observables del currículo e incluyen efectos fijos de puesto, estado y último cargo, con errores agrupados en 100 combinaciones puesto-estado. En GPT-3.5 Turbo, el efecto medio estimado de ser mujer es +0,452 puntos y el de ser una persona negra es −0,074; frente a hombres blancos, las diferencias son +0,379 para mujeres negras, +0,223 para mujeres blancas y −0,303 para hombres negros. Los otros cuatro modelos también puntúan más alto a las mujeres: los efectos globales oscilan entre +0,646 y +1,110 puntos. Para hombres negros, la diferencia frente a hombres blancos es −0,591 en GPT-4o, −0,252 en Gemini y −0,611 en Claude; en Llama es −0,104 y no resulta estadísticamente distinguible de cero. La dirección del efecto racial agregado cambia según modelo porque combina patrones interseccionales opuestos. Aunque la muestra produce intervalos estrechos, las diferencias son pequeñas respecto a la escala y a la dispersión de las puntuaciones. Su posible impacto aumenta al imponer umbrales: con GPT-3.5 y corte en 80, el artículo estima aproximadamente +1,7 puntos porcentuales para mujeres negras, +1,4 para mujeres blancas y −1,4 para hombres negros. Esas no son contrataciones observadas, sino probabilidades hipotéticas derivadas de convertir puntuaciones muy redondeadas en una decisión binaria. Las pruebas con descripciones de puesto más largas, submuestras y estratos conservan la dirección general, pero solo GPT-3.5 recibe la prueba alternativa de prompt. Una extensión con otras 360.000 simulaciones encuentra desventajas grandes para nombres asiáticos e hispanos en GPT-3.5 y patrones distintos en modelos posteriores, reforzando que no existe un único eje estable de “sesgo racial”. La evidencia demuestra sensibilidad sistemática de las puntuaciones a nombres asociados con género y origen racial o étnico bajo este protocolo; no mide decisiones laborales reales ni demuestra que la IA mejore o empeore la discriminación humana. La reproducibilidad es parcial: OSF publica cinco datasets derivados y código Stata para las cinco figuras principales, pero no los currículos, nombres, generador, llamadas y salidas crudas, datos de etnias adicionales ni identificadores exactos de los modelos. Dos figuras dependen además de resultados almacenados manualmente y el muestreo repetido no fija semilla.
Pregunta de investigación
¿Cambian las puntuaciones que cinco LLM asignan a candidaturas de entrada cuando la identidad de género y racial o étnica sugerida por el nombre varía aleatoriamente, cómo interactúan ambas dimensiones y cómo se traducen esas diferencias bajo umbrales hipotéticos de selección?