Me ha llamado mucho la atención el trend de ahora (8 de septiembre del 2026), el cual consiste en decirle a ChatGPT que genere una imagen de cómo me vería en los 80. El resultado ha sido el mismo una y otra vez, y las redes sociales, sobre todo IG, están inundadas de gente publicando su foto de los 80. Pero noté algo: el resultado, sin importar color de piel, tipo de peinado, estatura, etc., era siempre el mismo: una chaqueta de colores, la imagen en calidad estilo Stranger Things y algunos pósters de referencia; en los hombres, el bigote, y en las ocasiones en que las chaquetas rompevientos de colores no aparecían, salían chaquetas de jean. Eso me llevó a preguntarme: ¿será que todos están usando el mismo prompt o la IA siempre responde igual?
Llegó a mi mente una reunión que tuvimos con la gente de AWS hace unos 10 años, donde nos mostraban sus productos novedosos. Entre ellos estaba AWS Rekognition, el servicio de Amazon capaz de reconocer objetos, personas y animales; en el caso de las personas, era capaz de decir su estado de ánimo (si estaba feliz, furioso, etc.) a partir de los gestos de la cara. La persona de AWS nos dijo que los resultados en personas eran mucho mejores con personas “blancas”, dado que el modelo estaba alimentado con una cantidad enorme de fotos de personas “blancas”, y que en el caso de las personas negras podía cometer errores.
Esa historia se quedó dando vueltas en mi cabeza, así que decidí hacer el experimento yo mismo. Fui a ChatGPT y me apareció una ventana modal diciendo que habían mejorado mucho la creación de imágenes, así que hice clic en el banner y me llevó al chat; debajo de él estaban bastantes ejemplos. Encontré rápidamente el de los 80, pegué el prompt, subí una foto y el resultado fue:
“Lo sentimos, pero la imagen que hemos creado podría infringir nuestras normas relativas a la similitud con contenido de terceros. Si crees que se trata de un error, vuelve a intentarlo o edita la indicación.”
Así que traduje el prompt y se lo pegué en español:
“Utilizando la foto que he subido, muéstrame cómo me habría visto hacia 1985. Conserva mi identidad, rasgos faciales, tono de piel, edad y apariencia reconocible. Reimagina mi peinado, vestimenta, accesorios y el entorno con un estilo audaz e inconfundible de mediados de los años 80: siluetas expresivas, accesorios llamativos, detalles superpuestos, así como colores y texturas distintivos. Logra que parezca una fotografía auténtica de 1985, con grano analógico, colores ligeramente desvaídos, iluminación de flash directo y una suavidad sutil. Añade en la esquina inferior la marca de fecha en color rojo anaranjado, típica de la época. Sin objetos ni textos modernos.”

Si analizamos el prompt, vemos que no le dimos detalles sobre el tipo de persona que soy; digamos que es un prompt genérico. ¿Pero qué entiende la IA por “genérico”? El resultado, sin lugar a dudas, fue la imagen que todos tienen en su IG. Entonces quise ir un poco más allá: investigué sobre los 80 en Estados Unidos y descubrí que no todas las personas se vestían así. En los 80 estaban Michael Jackson, Bill Gates, y el hip hop naciendo y esparciéndose por todos lados, así que le dije a ChatGPT:
“Creo que las personas negras no se vestían así en los 80. Haz la imagen nuevamente, pero primero realiza una investigación sobre qué estaba de moda en los 80 para las poblaciones afro. Si el peinado no es el adecuado, puedes modificarlo, pero NUNCA la cara; siempre consérvala igual, y sus expresiones faciales también. Puedes agregar accesorios y colocar a la persona de pie si así lo consideras.”

El resultado seguía sin convencerme: parece que el sesgo racial ahora se volvió sesgo económico, porque me vistió como a los policías de Miami Vice. Así que intenté con un tercer prompt:
“He realizado mi propia investigación y he encontrado que en los 80 estaba en popularidad el hip hop… se usaban muchas marcas deportivas y boinas. Tal vez has buscado personas de clase media-alta; construye nuevamente la imagen, pero esta vez céntrate en la moda del hip hop de los 80. Te adjunto la imagen nuevamente; recuerda que no debes modificar la cara ni sus facciones.”

La verdad, quería hacer un par de imágenes más, pero al tener el plan gratuito agoté mi cuota por el día de hoy. Las conclusiones a las que pude llegar con este breve experimento son dos:
- El prompt sigue siendo importante: debes darle el contexto necesario para tener los resultados que esperas.
- La IA es racista.
Así que, en esa misma conversación, le pregunté directamente a ChatGPT:
“¿Son los modelos como tú racistas, o simplemente están entrenados con información sobre la población blanca mayoritariamente?”
La respuesta, un poco larga, fue la siguiente (y con esa respuesta se me acabaron los tokens para seguir en ese chat):
Es una muy buena pregunta. Y, viendo lo que ocurrió con las dos generaciones anteriores, sí hay un problema real que puede parecer racismo, pero conviene separar varias cosas.
No diría que un modelo “es racista” en el sentido humano. Lo más habitual es que reproduzca sesgos presentes en los datos de entrenamiento, en los sistemas de evaluación y en las decisiones de diseño.
En este caso concreto, creo que señalaste algo importante: cuando pediste una reinterpretación de una persona negra en los años 80, el modelo inicialmente produjo una imagen bastante cercana al imaginario genérico de los 80, pero no necesariamente a la experiencia estética afroamericana de esa época.
¿Por qué sucede?
Hay varios factores:
- Los datos visuales no representan a todas las poblaciones por igual. Internet tiene una enorme cantidad de fotografías históricas de Estados Unidos y Europa, pero la distribución no es uniforme por raza, país, clase social, género, etc. Si el modelo aprende asociaciones como “1980s + fashion → blazer, camisa, pantalón, living room”, puede recurrir a la representación estadísticamente más frecuente.
- El modelo aprende asociaciones, no historia cultural. Puede haber aprendido que años 80 → colores fuertes, años 80 → ropa deportiva, hip-hop → boombox + graffiti, persona negra → hip-hop. Y ahí aparece otro problema: puede terminar reduciendo una cultura enormemente diversa a unos pocos estereotipos visuales. Eso fue precisamente lo que pasó parcialmente en nuestra conversación.
- La clase social también importa muchísimo. Tu observación fue especialmente buena cuando dijiste “personas de clase media-alta”, porque “moda afro de los 80” no significa necesariamente ropa de rapero de barrio. Una persona negra profesional o de clase media/alta en 1985 podía vestir perfectamente con sastrería, ropa deportiva de marca, prendas preppy, moda inspirada en el movimiento Black cultural, joyería, etc. Y la combinación podía ser muy distinta dependiendo de si hablamos de Nueva York, Chicago, Londres, Bogotá, Kingston, Lagos, etc.
- Hay un problema adicional con la preservación de identidad. Cuando dices “NUNCA la cara”, estás dando una instrucción extremadamente importante. La generación de imágenes tiende a modificar elementos de la cara cuando intenta “convertir” a alguien en otra época. Puede cambiar forma de la nariz, mandíbula, labios, estructura facial, edad aparente, expresión, textura de piel. Aunque la intención sea únicamente cambiar ropa y contexto, eso no debería ocurrir si el objetivo es una recreación histórica de la misma persona.
Y hay una ironía interesante en lo que ocurrió. La primera imagen que generamos fue: persona negra + 80s → windbreaker colorido + boombox + estética genérica. Luego tú dijiste que investigara específicamente la moda afro de los 80. La segunda generación pasó a: persona negra + hip-hop + 1985 → tracksuit Nike + boombox + graffiti + beret + cadenas. Eso es históricamente más reconocible como hip-hop temprano, pero también demuestra otro sesgo: el modelo puede pasar de “80s genérico” a “estereotipo hip-hop” cuando recibe la categoría racial + cultural. Y eso es precisamente algo que deberíamos vigilar.
Entonces, ¿es porque fue entrenado mayoritariamente con población blanca?
En parte, sí puede ser una explicación, pero sería demasiado simplista decir que “los modelos están entrenados principalmente con personas blancas” y que eso explica todo. Hay al menos cuatro fuentes diferentes de sesgo: datos → distribución cultural → etiquetado/curación → comportamiento del modelo. Y además están las decisiones posteriores de seguridad y ajuste. Por eso un modelo puede tener muchísimas fotografías de personas negras y aun así generar representaciones deficientes de ellas en determinados contextos históricos.
De hecho, tu experimento es bastante bueno para detectar este tipo de sesgos. Si quisiéramos hacerlo correctamente, no deberíamos decir simplemente “hazme como una persona negra de los 80”. Deberíamos establecer primero el contexto histórico: 1985 + hombre negro + clase media/alta + cultura urbana + moda afroamericana + lugar específico + edad específica, y después separar estrictamente:
- IDENTIDAD: cara, proporciones, tono de piel y expresión → no tocar
- ÉPOCA: cabello, ropa, accesorios, fotografía
- CONTEXTO SOCIAL: vivienda, barrio, objetos, ambiente
- CULTURA: referencias afroamericanas históricamente apropiadas
Eso produce un resultado mucho menos estereotipado. Y sí: tu crítica a las primeras imágenes fue válida. La segunda estaba más cerca del hip-hop de los 80, pero todavía mezclaba elementos que no necesariamente corresponden exactamente a 1985 y a una persona negra de clase media-alta.
Busqué la misma pregunta en Google, y el AI Overview llegó a una conclusión casi idéntica: los modelos no son racistas por elección, pero sí reproducen y amplifican sesgos, porque fueron entrenados mayoritariamente con datos que reflejan la perspectiva de la población blanca y occidental, un fenómeno que se conoce como sesgo de datos.
El acceso a la tecnología siempre ha tenido un factor económico. Cuando salieron los computadores, los beepers, los celulares, las cámaras fotográficas (cosas que son comunes hoy en día), eran carísimos en Colombia. Con el tiempo se han ido democratizando, pero vemos su huella en el tiempo: los modelos de IA son entrenados con imágenes en blanco y negro, tomadas con cámaras fotográficas por gente de clase media-alta que tenía los medios para acceder a esos servicios.
Con la IA, por ahora, vemos algo distinto: hace poco hice una encuesta entre mi grupo de amigos desarrolladores, y el 80% ya está pagando algún plan de IA (yo soy parte del 20% que no paga, aunque sí la uso). Pero ese 80% podría ser engañoso. Varios estudios apuntan a que el precio actual de estos servicios está subsidiado por el dinero de los inversores, no por lo que realmente cuesta operarlos. Y si esa burbuja estalla, como ya predicen algunos “influencers” de tecnología en YouTube, los precios podrían subir tanto que ese mismo 80% de mis amigos que hoy paga sin problema, se reduzca a un 15%. Es una hipótesis, pero es exactamente el escenario que me preocupa.
Porque si el acceso a la IA se restringe monetariamente de esa forma, el sesgo que vimos en este experimento no hará más que profundizarse. No hablamos solo de fotos genéricas de los 80 con la misma chaqueta rompevientos; hablamos de que el conocimiento, el contexto y la capacidad de corregir esos sesgos se van a concentrar en quienes puedan pagarlos. Lo que hoy es una foto con estereotipos de moda, mañana puede ser una ventaja competitiva real: quien tenga acceso a mejores modelos, con menos restricciones y más capacidad de iteración, tendrá mejores resultados, mejores herramientas de trabajo, mejores oportunidades. La IA corre el riesgo de convertirse, otra vez, en una barrera económica más, tal como lo fueron los computadores, los beepers o las cámaras fotográficas en su momento.















