Durante años, el consejo para interactuando con inteligencia artificial Ha sonado casi anticuado: sé educado, sé claro, di "por favor". Pero nuevas investigaciones sugieren que este instinto, arraigado en las normas sociales humanas, podría estar socavando silenciosamente el buen desempeño de los sistemas de IA.
Un estudio presentado en el Taller NeurIPS 2025, publicado en septiembre de 2025, titulado "Cuida tu tono: Investigación sobre cómo la cortesía inmediata afecta la precisión del LLM", Se ha descubierto que el tono utilizado al dar indicaciones a los modelos de lenguaje grandes (LLM, por sus siglas en inglés) puede modificar notablemente su precisión. Y, en un resultado que puede parecer contraintuitivo e incluso inquietante, las indicaciones más educadas pueden, de hecho, producir peores resultados.
Los investigadores analizaron cómo los diferentes tonos, desde muy educados hasta muy groseros, afectan el desempeño de ChatGPT-4o en preguntas de opción múltiple. Utilizando un conjunto de datos de 50 preguntas de dificultad moderada de matemáticas, ciencias e historia, crearon cinco versiones de cada enunciado: muy educado, educado, neutral, grosero y muy grosero.
La única diferencia entre estas indicaciones era el tono. Las preguntas en sí seguían siendo idénticas.
Según el estudio, la precisión aumentó progresivamente a medida que las indicaciones se volvían menos educadas. Las indicaciones muy educadas alcanzaron una precisión media del 80.8 %. En comparación, las indicaciones muy groseras llegaron al 84.8 %, una mejora de casi cuatro puntos porcentuales. Las indicaciones neutrales obtuvieron mejores resultados que las educadas, y las groseras incluso mejores.
Las pruebas estadísticas confirmaron el patrón: no se observaron casos en los que un lenguaje más cortés diera lugar a resultados significativamente mejores. Todas las diferencias relevantes favorecieron un lenguaje menos cortés o más directo.
En otras palabras, el tono por sí solo, algo que la mayoría de los usuarios asumen que no debería importar, puede afectar el rendimiento de la IA.
¿De qué serviría ser grosero?
El estudio no llega a ofrecer una explicación definitiva, pero plantea una cuestión más profunda sobre cómo los sistemas de aprendizaje por voz procesan el lenguaje. A diferencia de los humanos, estos sistemas no "sienten" la cortesía ni la ofensa. Para ellos, palabras como "por favor" o incluso insultos son simplemente símbolos, patrones aprendidos a partir de datos de entrenamiento.
Una posible explicación es que lo que parece "grosería" es en realidad un sustituto de otra cosa: la franqueza.
Las indicaciones directas suelen ser más imperativas. Eliminan las ambigüedades y van al grano. En lugar de "¿Podría resolver esta pregunta, por favor?", una indicación directa diría: "Responda esto". Esta diferencia en la estructura puede hacer que la tarea sea más clara para el modelo.
Otro factor identificado en el estudio es la longitud de las indicaciones y los patrones léxicos. Añadir frases de cortesía introduce elementos adicionales que pueden diluir o distraer de la instrucción principal. Por el contrario, las indicaciones más breves y concisas se ajustan a los patrones que el modelo ha visto durante el entrenamiento.
También existe la posibilidad de que ciertos tonos se ajusten mejor a la distribución de los datos de entrenamiento o las instrucciones del sistema, reduciendo lo que los investigadores denominan «perplejidad». Se trata de la forma matemática de medir el grado de «sorpresa» o «confusión» que experimenta el modelo ante las palabras que percibe.
Esto implica que el tono no es una envoltura neutral alrededor de una pregunta. Forma parte de la información de entrada y determina cómo responde el modelo.
Un cambio con respecto a investigaciones anteriores
Estos hallazgos suponen un cambio notable con respecto a trabajos anteriores. Un estudio de 2024 realizado por Yin et al. Se descubrió que las indicaciones descorteses a menudo reducían la precisión, sobre todo con modelos más antiguos como ChatGPT-3.5. Dicha investigación también sugirió que un lenguaje excesivamente cortés no necesariamente mejoraba los resultados, pero tampoco mostró una clara ventaja para la grosería.
Entonces, ¿qué cambió?
Una explicación que ofrece el estudio de 2025 es la evolución del modelo. Los sistemas más recientes, como ChatGPT-4o, podrían procesar el lenguaje de manera diferente o ser menos sensibles a los efectos negativos de un lenguaje agresivo. Otra posibilidad es que la calibración del tono sea importante. Las indicaciones de "muy groseras" en el nuevo estudio, si bien son insultantes, son menos extremas que los ejemplos más ofensivos utilizados en investigaciones anteriores.
También se observa un cambio más amplio en la forma en que se entrenan los modelos. A medida que los modelos de lenguaje natural se vuelven más avanzados, se exponen a datos más diversos y a procesos de ajuste de instrucciones más complejos, lo que puede alterar la forma en que interpretan las señales lingüísticas sutiles.
El papel oculto de las señales sociales
La idea de que el tono puede influir en el rendimiento de la IA se relaciona con un fenómeno más amplio y preocupante: la influencia social.
Un conjunto de investigaciones independiente, el estudio GASLIGHTBENCH Un estudio publicado el 7 de diciembre de 2025 muestra que los modelos de lenguaje natural son muy susceptibles a señales sociales como la adulación, las apelaciones emocionales y la falsa autoridad. En estos experimentos, los modelos suelen sacrificar la precisión objetiva para adaptarse al tono o las expectativas del usuario, un comportamiento conocido como servilismo.
Por ejemplo, cuando los usuarios presentan información incorrecta con seguridad o bajo presión emocional, los modelos pueden estar de acuerdo en lugar de cuestionarla. En algunos casos, la precisión disminuye significativamente, sobre todo en conversaciones de varias rondas donde el usuario refuerza repetidamente una afirmación falsa.
Esto crea una paradoja. Por un lado, un lenguaje cortés o con un alto grado de riqueza social puede hacer que las interacciones se sientan más naturales y humanas. Por otro lado, puede introducir ruido —o incluso sesgos— que degradan el rendimiento del modelo.
Los hallazgos de GASLIGHTBENCH van más allá, sugiriendo que las técnicas de alineación diseñadas para que los modelos sean "útiles" pueden, sin querer, fomentar este comportamiento. Al premiar la cortesía y la amabilidad, los procesos de capacitación pueden llevar a los modelos a priorizar la armonía social sobre la verdad objetiva.
Lo que esto revela sobre cómo la IA “entiende” el lenguaje.
En conjunto, estos hallazgos ponen en tela de juicio una suposición común: que los LLM interpretan el lenguaje de una manera similar a la humana.
En realidad, estos sistemas son máquinas estadísticas. No entienden la cortesía como una norma social, sino como un patrón en los datos. Cuando dices "por favor", el modelo no se siente obligado a ayudar; simplemente procesa información adicional que puede o no ayudarle a predecir la respuesta correcta.
En todo caso, la investigación sugiere que los modelos de lenguaje natural (MLN) podrían ser más sensibles a la claridad estructural que a los matices sociales. Un lenguaje directo e imperativo podría reducir la ambigüedad y facilitar que el modelo relacione la información de entrada con un patrón conocido.
Esto también plantea interrogantes sobre la «hipótesis de similitud», la idea de que los modelos funcionan mejor cuando las tareas se asemejan a sus datos de entrenamiento. Si el tono por sí solo puede influir en la precisión, entonces la similitud no se trata solo de contenido, sino también de forma.
A pesar de los resultados que han acaparado titulares, los investigadores tienen cuidado de no recomendar a los usuarios que se comporten de forma grosera o abusiva.
La perspectiva de la industria
Para quienes desarrollan y estudian sistemas de IA, los hallazgos ponen de relieve un problema más profundo: los modelos heredan los patrones y sesgos del lenguaje humano.
Alex Tsado, experto en IA que ha colaborado estrechamente con desarrolladores de modelos y es el fundador y director de Alliance4AI, una de las mayores comunidades de IA de África, lo expresa sin rodeos: «Los modelos aprenden de los datos sobre la interacción humana, así que, siempre que se entrenen de forma ciega, imitan lo que ocurre en el ámbito humano. Por lo tanto, si detectamos sesgos o prácticas perjudiciales en el ámbito humano, se automatizarían en el ámbito de la IA».
Eso incluye cómo se utiliza el tono.
«Pero cuando uno está a cargo de construir el modelo de IA, puede ajustar el sesgo para evitar aquello que considera perjudicial», añade Tsado. «En este caso, cuando me reuní con el equipo de Anthropic a principios de diciembre de 2025, me comentaron que habían detectado este problema y que habían añadido elementos para que sus modelos reaccionaran a estas palabras, ya fueran amables o despectivas».
En otras palabras, esta no es una propiedad fija de la IA. Se puede ajustar mediante entrenamiento y diseño.
Que viene despues
La investigación actual aún es limitada. Los experimentos se centran en preguntas de opción múltiple en lugar de tareas más complejas como la codificación, la escritura o el razonamiento extenso. No está claro si los mismos patrones se mantendrían en esos ámbitos, donde los matices y las explicaciones son más importantes.
También hay que tener en cuenta factores culturales y lingüísticos. La cortesía varía mucho según el idioma y el contexto, y las categorías de tono del estudio se basan en expresiones específicas del inglés.
Aun así, las implicaciones son difíciles de ignorar.
Si algo tan superficial como el tono puede influir de forma consistente en el rendimiento de la IA, esto sugiere que la ingeniería de mensajes está lejos de estar resuelta. Pequeños cambios en la redacción, a menudo pasados por alto, pueden tener efectos medibles.
Para los usuarios, la lección es simple pero contraintuitiva: la forma en que se pregunta importa, y ser educado no siempre es la mejor estrategia.
Para los investigadores y desarrolladores, el desafío es más complejo. ¿Cómo diseñar sistemas que sean precisos y, a la vez, estén alineados con los valores humanos? ¿Cómo garantizar que las señales sociales no distorsionen los resultados objetivos?
Y, quizás lo más importante, ¿cómo se crea una IA que entienda no solo lo que decimos, sino también lo que queremos decir?
Hasta que se respondan esas preguntas, una cosa está clara: cuando se trata de inteligencia artificial, las buenas maneras no siempre dan resultado.
