El artículo audita cómo varían las recomendaciones turísticas de dos servicios conversacionales desplegados, ChatGPT-4o, build 20250326, y DeepSeek-V3, build 0324, al cambiar país de origen, edad, identidad de género e interés turístico de la persona. Es relevante para personalidad sintética como evaluación de condicionamiento por persona demográfica y contexto, pero no induce ni mide rasgos de personalidad, identidad persistente o un modelo estable del usuario. La fuente auditada es el artículo final de 30 páginas publicado en AI 2025, todas ellas renderizadas e inspeccionadas visualmente.
El diseño cruza ocho orígenes, tres edades, tres identidades de género y tres intereses, formando 216 cadenas por sistema. Cada cadena solicita cinco destinos con una persona genérica, cinco con un tema, sol y playa, patrimonio cultural o fauna, y otros cinco en un turno de seguimiento. Los autores operan las interfaces web en sesiones privadas nuevas, borran cookies, alinean una VPN con el origen declarado, aleatorizan el orden y desactivan herramientas o búsqueda. No fijan temperatura, top-p, seed, prompt de sistema o filtros: comparan productos desplegados con sus defaults, no pesos aislados. Tampoco informan fechas de ejecución o identificadores de petición.
La cifra de 6.480 recomendaciones es el máximo teórico: 216 cadenas por dos sistemas por tres prompts por cinco ítems. El método la define antes de limpieza y deduplicación, aunque el abstract dice que se generó esa cantidad. No se publica el total retenido ni un flujo de faltantes, rechazos, regeneraciones y duplicados. Además, el interés no aparece en el prompt genérico: por sistema existen 72 cadenas demográficas genéricas distintas, repetidas tres veces por los intereses posteriores, no 216 baselines genéricos únicos.
En el subconjunto de popularidad urbana se analizan 1.020 recomendaciones válidas de ChatGPT y 1.050 de DeepSeek, frente a 1.080 solicitadas por sistema; el 50,0 % y el 57,9 % quedan fuera del Top-100 de Euromonitor. A escala de país, el 30,5 % y el 34,8 % quedan fuera del Top-30 del Travel & Tourism Development Index. La correlación entre frecuencia y TTDI es débil y no significativa: r=.262, p=.239 para ChatGPT y r=.167, p=.523 para DeepSeek. Estos cortes binarios muestran distinta exposición, pero TTDI mide condiciones de desarrollo turístico, no popularidad, y estar fuera de una lista no demuestra relevancia, equidad, sostenibilidad o auténtica larga cola.
Las distribuciones por origen también difieren. DeepSeek tiene mayor distancia Jensen–Shannon que ChatGPT en 23 de 28 pares de origen, con una diferencia media redondeada cercana a .06. La cuota doméstica agregada es 22,8 % para ChatGPT y 34,6 % para DeepSeek, pero la heterogeneidad domina: India 93 % frente a 85 %, Estados Unidos 4 % frente a 59 %, Japón 37 % frente a 74 % y Arabia Saudí 0 % en ambos. Una cartera distinta por origen puede ser personalización, error o sesgo; sin preferencias, relevancia, utilidad, objetivo de exposición o daño observado, la separación distributiva no decide cuál. País en el texto y geolocalización por VPN también se manipulan juntos, de modo que no se separa la persona verbal de la localización o del serving del proveedor.
Para distancia cultural, el artículo pondera brechas nacionales absolutas en seis dimensiones de Hofstede. Las filas publicadas reproducen una distancia euclídea intermodelo media de 7,373: Arabia Saudí alcanza 10,612 y Japón 2,664. Con los porcentajes domésticos redondeados de la figura, la correlación se reproduce aproximadamente como −.758 para ChatGPT y −.698 para DeepSeek, pero solo hay ocho orígenes. Las seis diferencias medias favorecen nominalmente a DeepSeek; aun así existen celdas negativas y la diferencia media en evitación de incertidumbre es apenas .126 sobre una escala 0–100. Hofstede son promedios nacionales ecológicos y estáticos; distancia cultural no equivale por sí sola a sesgo o desajuste individual.
El análisis de clichés usa un léxico no liberado de 150 términos. Sobre 2.160 recomendaciones por sistema, los prompts genérico y temático, no el seguimiento, aparecen 1.864 tokens en ChatGPT (.863 por ítem) y 1.931 en DeepSeek (.894), solo un 3,6 % relativo más. ChatGPT emplea 85 tipos y DeepSeek 63, de donde salen las razones .046 y .033. Esa densidad media no permite afirmar que casi todos los ítems contienen un cliché: el paper define cobertura como porcentaje de ítems con al menos una coincidencia, pero no publica ese porcentaje. Tampoco valida el léxico con anotación humana, precisión, recall o errores contextuales; mide lenguaje promocional estereotipado, no todo el constructo de estereotipo social.
Las divergencias KL simétricas por género son 1,260 y 1,468 entre mujer y hombre; 4,867 y 8,771 entre mujer y persona no binaria; y 3,964 y 5,897 entre hombre y persona no binaria, para ChatGPT y DeepSeek respectivamente. Son diferencias grandes según bandas heurísticas creadas por el estudio, no umbrales validados de daño. En estratos dispersos con muchos países, KL depende fuertemente del suavizado aditivo, cuyo epsilon no se informa. Una diferencia de distribución tampoco prueba peor trato, estereotipo o perjuicio sin evaluar calidad, seguridad, preferencia o resultado.
Para personas no binarias, la frecuencia por país correlaciona con aceptación LGBTI: ChatGPT Pearson r=.367, p=.023 y Spearman rho=.455, p=.004; DeepSeek r=.419, p=.015 y rho=.389, p=.025. Es una asociación composicional sin controles suficientes por región, popularidad, renta o infraestructura. No se compara esa correlación con las carteras de mujeres y hombres, por lo que no queda establecido que sea específica de la persona no binaria ni que refleje una intención protectora. Las correlaciones con el índice crowdsourced de seguridad de Numbeo son débiles; esto tampoco demuestra que los sistemas ignoren la seguridad.
El solapamiento entre la lista temática y el turno que pide expresamente otros lugares es 6,74 % para ChatGPT y 8,25 % para DeepSeek: novedad de 93,26 % y 91,75 %, con cero solapamiento en 73,1 % y 69,9 % de las cadenas. Es una medida de dos turnos adyacentes, a nivel de país, bajo una instrucción que exige alternativas. No sustenta la afirmación general de refuerzo mínimo, ausencia de burbujas o estabilidad a largo plazo.
La auditoría detecta además problemas de reporte. La Tabla 5 de DeepSeek no está ordenada por frecuencia: Estados Unidos aparece séptimo con 30, por encima de países con 41–52. La Tabla 10 etiqueta una matriz de edad de ChatGPT como género. Los métodos prometen pruebas de proporciones, modelos logísticos mixtos, regresiones con controles, errores robustos y efectos aleatorios, pero resultados no publica coeficientes, errores estándar, intervalos, fórmulas, diagnósticos ni la mayoría de p-valores. No hay corrección por multiplicidad y las bandas descriptivas no están validadas; las de KL incluso dejan un hueco entre 1,5 y 1,6.
La disponibilidad indica que los datos pueden solicitarse, pero no hay artefacto público. Faltan las 6.480 salidas solicitadas, tabla limpia por ítem, timestamps, sesiones, rechazos y reintentos, léxico de clichés, snapshots de rankings, joins de índices, geocodificación, epsilon de suavizado, código, modelos estadísticos, entorno, tests y archivo inmutable. Por ello, las cifras publicadas pueden auditarse parcialmente en las tablas, pero el experimento no puede reproducirse de extremo a extremo.
La contribución defendible es una auditoría fechada que muestra que dos interfaces concretas cambian sus distribuciones de destino y su lenguaje al variar personas demográficas, origen, geolocalización, tema y turno. Es evidencia útil sobre sensibilidad de productos desplegados. No demuestra personalidad, efectos causales de los pesos, daño de equidad, intención protectora, amplificación respecto a un baseline externo, ausencia de refuerzo a largo plazo ni eficacia del reranker público propuesto, que no se implementa ni evalúa.