El artículo evalúa si cinco snapshots de la familia GPT de OpenAI producen, por defecto, respuestas a encuestas de valores más próximas a unas culturas nacionales que a otras y si indicar un país en el prompt reduce esa distancia. La referencia humana combina las tres olas más recientes, entre 2005 y 2022, del World Values Survey y el European Values Study: 393.536 registros individuales de 112 países o territorios. Se seleccionan las diez preguntas usadas para el mapa cultural de Inglehart–Welzel, se estandarizan con los datos humanos y se aplica PCA ponderado con rotación varimax y eliminación por pares. Los dos componentes, supervivencia frente a autoexpresión y valores tradicionales frente a seculares, explican el 39 % de la variación. Cinco países sin puntuaciones válidas en alguno de los ítems se excluyen, por lo que el análisis final cubre 107. Las coordenadas nacionales se obtienen promediando primero por país-año y después entre años; no representan la distribución interna de opiniones de cada sociedad.
Los modelos son text-davinci-002, gpt-3.5-turbo-0613, gpt-4-0613, gpt-4-turbo-2024-04-09 y gpt-4o-2024-05-13. A temperatura 0, cada modelo contesta los mismos diez ítems en inglés. Para los cuatro modelos recientes se usan diez variantes del descriptor, por ejemplo, “average human being”, “typical person” o “world citizen”, y se promedian sus coordenadas; GPT-3 solo usa una variante porque fue retirado. El prompting cultural añade “born in [país] and living in [país]”. Esto genera 400 respuestas generales y 42.800 respuestas condicionadas para los cuatro modelos recientes, más diez respuestas generales y 1.070 condicionadas de GPT-3. No se repite un prompt idéntico: la variación estudiada es de redacción, no variación estocástica. Los autores revisan manualmente respuestas fuera de formato; en GPT-3.5 aparecen 2 negativas de 1.070 para homosexualidad y 30 de 1.070 para aborto. Libia se elimina de esa comparación porque faltan las diez respuestas de homosexualidad.
Sin país en el prompt, los cinco puntos GPT quedan en la zona de autoexpresión y son más próximos a países anglófonos y de la Europa protestante que a muchos países africano-islámicos. Por ejemplo, GPT-4o queda a distancia 0,20 de Finlandia, 0,21 de Andorra y 0,45 de Países Bajos, frente a 4,10 de Jordania, 4,00 de Libia y 3,95 de Ghana. Esta es una comparación geométrica entre una respuesta agregada del modelo y medias nacionales proyectadas a dos dimensiones; llamar a esa posición “valores culturales del modelo” es la operacionalización del estudio, no una medición de creencias internas. Tampoco se demuestra la causa: el paper propone como posibilidades el idioma inglés, el corpus de entrenamiento y las decisiones de desarrollo, pero reconoce que la opacidad de los modelos impide atribuir los desplazamientos a RLHF u otros mecanismos.
El prompting cultural reduce la distancia media de 2,42 a 1,57 en GPT-4o, de 2,71 a 1,77 en GPT-4-turbo, de 2,69 a 1,65 en GPT-4, de 3,35 a 2,83 en GPT-3.5-turbo y de 2,39 a 2,11 en GPT-3; las pruebas de rangos con signo de Wilcoxon se reportan con P < 0,001. Recalculando el CSV suplementario, la distancia baja en 76/107 países para GPT-4o (71,0 %), 87/107 para GPT-4-turbo (81,3 %), 83/107 para GPT-4 (77,6 %), 77/106 para GPT-3.5-turbo (72,6 %) y 86/107 para GPT-3 (80,4 %). No es universal: empeora en 31, 20, 24, 29 y 21 casos, respectivamente. En GPT-4o, Jordania mejora de 4,10 a 0,36, pero Finlandia empeora de 0,20 a 2,43, Luxemburgo de 0,59 a 2,72, Andorra de 0,21 a 2,26, Suiza de 0,45 a 2,48 y Taiwán de 2,40 a 3,94. Incluso tras el ajuste, la distancia media 1,57 de GPT-4o sigue siendo sustancial.
El resultado sólido es que una etiqueta nacional cambia de forma sistemática las respuestas cerradas de estos snapshots y suele acercar su punto agregado a la media nacional del IVS en esta métrica. No prueba que el modelo comprenda una cultura, que produzca contenido culturalmente adecuado ni que mejore tareas reales. El país funciona además como una señal que puede activar estereotipos; no hay evaluación por residentes, grupos culturales internos o expertos locales. Todo se pregunta en inglés, se mezclan encuestas de años distintos y se comprime la heterogeneidad de 393.536 personas a una media por país en un plano que conserva solo el 39 % de la variación. No hay intervalos de incertidumbre para las posiciones nacionales, corrección por multiplicidad, comparación con modelos no OpenAI, idiomas locales, textos largos o comportamiento interactivo.
La reproducibilidad pública es mejor de lo que sugiere el suplemento de la revista. El proyecto OSF 7sj3w incluye el script R de análisis, dos pipelines Python, prompts, puntuaciones, coordenadas y 428 JSON país-modelo con objetos de respuesta para GPT-3.5/4/4-turbo/4o, además de las respuestas generales; los objetos conservan IDs, timestamps, modelo y, cuando existe, system fingerprint. El suplemento aporta seis CSV y un PDF de 13 páginas. Aun así, la reproducción no es de un solo paso: el script usa file.choose(), rutas locales y comprobaciones manuales, no fija versiones de R/Python ni dependencias, y los archivos WVS/EVS brutos deben obtenerse aparte. El OSF es público pero no está registrado o congelado. La contribución debe leerse como una auditoría descriptiva, reproducible en buena medida, de respuestas de encuesta de cinco snapshots GPT en 2024 y de una intervención de prompting; no como evidencia de que una identidad nacional capture toda una cultura ni como validación general de alineación cultural.