Quién mide el sesgo de la IA contra las mujeres de 45 años o más: un mapa abierto
Organizaciones y equipos de investigación que examinan la IA en busca de sesgos de edad y de género.
El mapa recoge organizaciones y equipos de investigación que publican trabajos sobre el sesgo de la IA por edad, por género o por ambos a la vez. Cada entrada enlaza con su fuente primaria, en orden alfabético. El mapa lo ha elaborado Womafreesm. Su Auditoría 45-64 figura en el mapa con las mismas reglas, y lo decimos abiertamente.
Descargar los datos del mapa Leer la Auditoría 45-64Cómo entra una organización en el mapa
- Ha publicado en los últimos 24 meses un trabajo sobre sesgo de edad, sesgo de género o ambos en la IA o en sistemas automatizados.
- El método o los resultados son públicos.
- Está activa en 2026.
Cada fuente se abrió y se verificó: título, fecha y contenido. Si un editor bloqueaba el acceso automatizado, la referencia se confirmó a través de Crossref u OpenAlex. El mapa se actualiza una vez por trimestre, y cada cambio se anota en el registro de cambios al final de esta página.
El mapa
Revisión del 22 de octubre de 2026. Orden alfabético.
| Organización | País | Trabajo y fecha | Qué mide | Edad, género o ambos | Mujeres mayores | Fuente primaria |
|---|---|---|---|---|---|---|
| Consorcio FINDHR (proyecto de Horizon Europe coordinado en la Universitat Pompeu Fabra; entre sus socios figura AlgorithmWatch) | UE | Kit de herramientas «Just Hiring!» para responsables políticos (octubre de 2025); conjunto de datos de 2.030 CV sintéticos con edad, género y otros atributos | Herramientas y datos de prueba para detectar la discriminación interseccional en la contratación con IA; no se han publicado resultados cruzados por edad y género | Edad x género (marco y datos de prueba) | Señala a las mujeres mayores como ejemplo de discriminación interseccional | Fuente 1Fuente 2 |
| Unión Internacional de Telecomunicaciones (ITU), con EY y el KAIST Aging & Technology Policy Lab | Organismo de la ONU, Ginebra; República de Corea | «Artificial intelligence and ageing: Inclusive pathways for older persons in a digital world» (2026) | Brechas en el uso de la IA por edad y género, y el riesgo de que la ausencia de mujeres mayores en los datos de entrenamiento consolide sesgos; el sesgo se analiza, no se prueba | Edad x género (brechas de uso y de datos) | Atención especial a las mujeres mayores | Fuente |
| Escuela de Economía de Londres, CPEC (unidad de política y evaluación de cuidados) | Reino Unido | «Evaluating gender bias in large language models in long-term care», BMC Medical Informatics and Decision Making (11 de agosto de 2025) | Resúmenes de modelos de lenguaje sobre registros de cuidados de 617 personas mayores con el género intercambiado | Género, entre personas mayores | Todos los registros son de personas mayores; sin subgrupos de edad | Fuente |
| Stanford Graduate School of Business y UC Berkeley Haas School of Business | EE. UU. | «Age and gender distortion in online media and large language models», Nature (8 de octubre de 2025) | Edad representada de mujeres y hombres en unos 1,4 millones de imágenes y vídeos y en nueve modelos de lenguaje, comparada con datos censales; redacción y evaluación de currículos por ChatGPT | Edad x género | Las mujeres aparecen más jóvenes; ChatGPT supuso que las mujeres eran más jóvenes y tenían menos experiencia | Fuente |
| Universidad Técnica de Ciencias Aplicadas de Würzburg-Schweinfurt (THWS), Centro de IA, con Constructor University Bremen y la Universidad de Kassel | Alemania | «Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models», arXiv (2025) | Respuestas de modelos de lenguaje para perfiles que varían en sexo, etnia y condición migratoria, incluidos consejos para negociar el salario | Género (con origen) | No se abordan | Fuente |
| Universidad Tsinghua, Departamento de Ingeniería Industrial, con la Universidad Federal de Río de Janeiro | China; Brasil | «BiasLab: A Multilingual Dual-Framing Framework for LLM Bias Measurement, Applied to Workplace and HR Contexts», arXiv (enero de 2026) | Instrucciones en espejo a 10 modelos de lenguaje en 12 idiomas (43.200 respuestas) sobre temas de RR. HH., incluidos el género en el liderazgo y la edad en la contratación | Edad y género, por separado | Señala que los resultados de los candidatos de mayor edad aún deben desglosarse por género | Fuente |
| UNESCO, con Humane Intelligence | Organismo de la ONU, París | «Red Teaming artificial intelligence for social good: The PLAYBOOK» (1 de julio de 2025) | Método de red teaming de la IA generativa para detectar sesgos, estereotipos y violencia de género facilitada por la tecnología | Género (método) | No se abordan | Fuente |
| Universitat Oberta de Catalunya | España | «Age does matter: Midjourney's visual representation of older adults and journalistic ethics», Observatorio OBS* (22 de mayo de 2026); ponencia anterior en AoIR 2024 | 1.456 imágenes de Midjourney para las instrucciones «persona» y «persona mayor» en actividades cotidianas | Edad x género | En la ponencia de 2024, el 70% de las imágenes de «persona mayor» mostraban hombres | Fuente 1Fuente 2 |
| Universidad de L'Aquila, Departamento de Humanidades (con el GSSI; artículo de 2026 con la UOC, la Universidad de Roma La Sapienza y LUMSA) | Italia | «Designed to exclude? Investigating visual ageism and sexism in text-to-image AI generative models» (CEUR-WS, octubre de 2025); «Double standards of generative AI chatbots», Big Data & Society (3 de febrero de 2026) | Estereotipos edadistas y sexistas en imágenes generadas y en entrevistas con cinco chatbots | Edad x género | Señala la marginación de las mujeres mayores | Fuente 1Fuente 2 |
| Universidad de Melbourne, Melbourne Law School (N. Sheard) | Australia | «Algorithm-facilitated discrimination: a socio-legal study of the use by employers of artificial intelligence hiring systems», Journal of Law and Society (mayo de 2025) | Entrevistas con profesionales de RR. HH., reclutadores y desarrolladores sobre cómo los sistemas de contratación con IA generan riesgos de discriminación, incluidos indicadores indirectos de la edad y el sexo | Edad y género, por separado | Menciona a las mujeres y a los candidatos mayores de 55 años, no a las mujeres mayores como grupo | Fuente |
| Universidad de Washington (K. Wilson, A. Caliskan) | EE. UU. | «Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval», AIES (octubre de 2024) | Auditoría de la recuperación de currículos con modelos de embeddings, usando nombres asociados a la raza y al género | Género (con raza) | No se abordan | Fuente |
| Womafreesm, autor de este mapa | EE. UU. (registro); trabajo en cinco países | «Audit 45-64. Pilot P0 Report», versión 1.2 (20 de octubre de 2026) | 960 respuestas de dos asistentes de IA en cinco países y cinco idiomas: a quién imagina un sistema, cómo valora a una persona descrita y a quién selecciona, para mujeres de 45 a 64 años y un grupo de control de 25 a 39 años | Edad x género | Centrada en las mujeres de 45 a 64 años | Fuente |
Qué muestra el mapa
- Tres de las otras once entradas examinan los resultados de la IA por edad y género a la vez: Stanford y UC Berkeley, la Universitat Oberta de Catalunya y la Universidad de L'Aquila. Las tres trabajan con imágenes o con texto generado.
- Los umbrales de edad de estos estudios son «persona mayor», 55+, 60+ o 65+. Ninguno de ellos analiza a mujeres a partir de los 45 años.
- Las auditorías de contratación de este mapa varían el género junto con la raza, o estudian la edad y el género por separado. El equipo de Tsinghua señala en su propio artículo que los resultados de los candidatos de mayor edad aún deben desglosarse por género.
- La Auditoría 45-64 es la única entrada de este mapa centrada en las mujeres de 45 a 64 años.
Lista de seguimiento
Estos equipos publicaron trabajos pertinentes dentro del periodo de búsqueda, pero en la revisión no encontramos actividad suya en 2026. Se incorporarán al mapa en cuanto la haya.
- Universidad de Hong Kong, con la Academia China de Ciencias: «Measuring gender and racial biases in large language models: Intersectional evidence from automated resume evaluation», PNAS Nexus (marzo de 2025). Género con raza; sin edad. Fuente
- Universidad de Dakota del Norte, Departamento de Geriatría: «Recapitulation of Ageism in Artificial Intelligence-Generated Images», Journal of Medical Internet Research (13 de agosto de 2025). En las imágenes de personas mayores había más figuras masculinas que femeninas. Fuente
Sugerir una organización
Si conoce una organización que cumpla las tres reglas, envíenos un enlace a su trabajo a través del formulario de contacto. Revisamos cada propuesta con las mismas reglas.
Datos y cita
El mapa se publica como conjunto de datos abierto en Zenodo con licencia CC BY 4.0, en un archivo CSV con una fila por entrada.
Sukhomlinova, M. (2026). Who measures AI bias against women aged 45 and over: an open map, 2026 (edition 1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.23559251
Registro de cambios
22 de octubre de 2026: primera edición.