ElectionSim: Cuando la inteligencia artificial simula elecciones y se convierte en túnel de viento para la propaganda

Getting your Trinity Audio player ready...

La política estadounidense lleva décadas siendo objeto de modelos predictivos, pero un nuevo enfoque, impulsado por la inteligencia artificial generativa, ha llevado esa predicción un paso más allá: ya no se trata solo de anticipar quién ganará unas elecciones, sino de simular cómo se comportaría toda una población electoral ante distintos escenarios, mensajes o políticas públicas. En ese giro se enmarca ElectionSim, un sistema desarrollado por investigadores de la Universidad de Fudan, en China, que ha despertado inquietud entre expertos en integridad electoral, IA y estudios de desinformación.

De 171 millones de tuits a una población virtual

El punto de partida de ElectionSim son los datos generados por los propios usuarios. Según los desarrolladores, el modelo se entrenó a partir de más de 171 millones de publicaciones en X (anteriormente Twitter), procedentes de 9,6 millones de cuentas estadounidenses (Xu et al., 2025). A partir de ese volumen de texto público, los investigadores emplearon técnicas de procesamiento del lenguaje natural para inferir una serie de atributos sociodemográficos y políticos de esos usuarios: edad, raza, nivel educativo, ideología, afiliación partidista e intereses políticos.

Ese ejercicio de inferencia no es, en sí mismo, novedoso. Durante años, la ciencia social computacional ha intentado deducir características demográficas a partir de huellas digitales (Pennacchiotti & Popescu, 2011; Rao et al., 2010). Lo que sí resulta distinto en este caso es la escala y el uso que se le ha dado a esas inferencias. En lugar de clasificar individuos para análisis estadístico, el equipo de Fudan los transformó en «agentes de inteligencia artificial», esto es, en votantes sintéticos dotados de una personalidad, creencias e inclinaciones políticas coherentes con el perfil inferido a partir de sus publicaciones (Park et al., 2023).

Partiendo de esa base, los investigadores construyeron una población artificial a nivel estatal y nacional, con la que simularon los comicios presidenciales y de otros cargos celebrados en Estados Unidos entre 2012 y 2020. Según sus autores, el sistema logró predecir correctamente al ganador en 47 de las 51 contiendas estatales analizadas (Xu et al., 2025). El resultado es llamativo, especialmente teniendo en cuenta la dificultad que entraña acertar el desenlace en estados bisagra, donde el margen entre candidatos suele ser estrechísimo.

¿Simulación o predicción?

Los resultados de ElectionSim deben leerse con cautela. Los modelos basados en agentes generativos presentan ventajas frente a las encuestas tradicionales: permiten ejecutar miles de simulaciones a un coste muy inferior, son rápidos de actualizar y resultan útiles para explorar escenarios contrafácticos (Larooij & Törnberg, 2025). Sin embargo, también arrastran debilidades metodológicas importantes.

La primera de ellas tiene que ver con la representatividad de los datos de partida. X no constituye un espejo de la población estadounidense. Diversos estudios han demostrado que sus usuarios tienden a ser más jóvenes, más urbanos, con mayor nivel educativo y, sobre todo, más politizados que el electorado medio (Mellon & Prosser, 2017; Pew Research Center, 2024). Entrenar un modelo de comportamiento electoral con esas huellas implica, inevitablemente, introducir sesgos de muestreo difíciles de corregir, por mucho que se utilicen técnicas de ponderación (Hargittai, 2020).

En segundo lugar, inferir raza, edad, ideología o intención de voto a partir de publicaciones públicas es un ejercicio probabilístico, no determinista. Investigaciones anteriores han puesto de manifiesto que los algoritmos de clasificación demográfica suelen cometer errores sistemáticos, especialmente con determinados grupos raciales, étnicos o con usuarios que emplean lenguaje codificado (Buolamwini & Gebru, 2018; Culotta, Kumar & Cutler, 2015). A ello se suma una dificultad aún mayor: pasar de lo que un usuario dice en redes sociales, a menudo en un tono performativo, a cómo votaría en la cabina electoral (Jungherr, 2016).

Por último, existe una diferencia conceptual relevante entre «acertar el ganador» en una elección ya celebrada (una validación retrospectiva) y anticipar el resultado de un comicio futuro en un contexto cambiante (Törnberg, 2024). El hecho de que un modelo reproduzca resultados pasados no garantiza su capacidad para captar cambios coyunturales, como pueden ser una crisis económica inesperada, un debate televisivo determinante o una movilización tardía de votantes.

Aun con estas limitaciones, la aproximación de ElectionSim resulta significativa. Lo que este proyecto pone de manifiesto es que, gracias a los grandes modelos de lenguaje (LLM), ya es posible generar cohortes enteras de votantes sintéticos capaces de «razonar», matizar sus respuestas y mostrar cierta coherencia ideológica, algo que los modelos de agentes tradicionales, más rígidos, no lograban alcanzar (Larooij & Törnberg, 2025; Park et al., 2023).

Votantes sintéticos para probar políticas públicas

Más allá de ElectionSim, otros equipos de investigación chinos han ido un paso más allá. Varios informes especializados han señalado que distintos grupos académicos del país han construido bases de cientos de votantes artificiales representativos de estados bisagra clave para el sistema político estadounidense, como Pensilvania, Michigan, Georgia, Wisconsin o Arizona (CSET, 2024; Kania, 2023). El objetivo de estas simulaciones no es, en apariencia, predecir el ganador de unas elecciones, sino someter a esos electores virtuales a experimentos de política pública.

Así, los investigadores plantean a estas poblaciones sintéticas preguntas sobre distintos temas: tipos impositivos, políticas de redistribución de la renta, gasto público, regulación medioambiental, inmigración o prioridades presupuestarias. A partir de sus respuestas, generan escenarios que permiten observar cómo variarían, de manera agregada, las preferencias del electorado de un determinado estado si se modificara el encuadre de una propuesta, su momento de presentación o los argumentos empleados para defenderla (Cheng et al., 2024).

Esta metodología guarda ciertas similitudes con los tradicionales sondeos de opinión, pero con una diferencia fundamental: en lugar de entrevistar a personas reales, se interroga a sus dobles generados por IA. Ello permite ensayar un número prácticamente ilimitado de «qué pasaría si», sin los costes temporales y económicos que conlleva un estudio demoscópico de campo.

Un «túnel de viento» para la propaganda

Es precisamente en ese potencial experimental donde radica la principal preocupación. Varios analistas han descrito este tipo de simulaciones como un «túnel de viento» (wind tunnel) para la comunicación política y, potencialmente, para la propaganda (Kania, 2023; Molas, 2024).

El concepto es sencillo: al igual que los ingenieros prueban distintos diseños de un avión en un túnel de viento para comprobar su comportamiento aerodinámico antes de construirlo, quienes trabajan con votantes sintéticos podrían probar decenas de mensajes, narrativas, marcos discursivos o apelaciones emocionales para identificar cuáles resultan más eficaces a la hora de movilizar, persuadir o atenuar determinadas actitudes en segmentos específicos del electorado (Brundage et al., 2018).

Este enfoque no resulta, por sí solo, ajeno a la consultoría política occidental. Desde hace años, partidos y campañas electorales emplean test A/B, microsegmentación y modelos predictivos para optimizar sus mensajes (Nickerson & Rogers, 2014; Kreiss, 2016). La gran diferencia, en este caso, reside en el actor que realiza esos ensayos y en el contexto geopolítico en el que se producen.

Cuando son equipos académicos o consultorías vinculados a un sistema político interno los que experimentan con su propio electorado, se trata, con matices, de una herramienta de estrategia electoral. Cuando esos experimentos se realizan desde otro país, utilizando como objeto de estudio el electorado de una gran potencia democrática en plena competencia política, la cuestión adquiere una dimensión distinta: la del posible uso con fines de influencia (Goldstein & Grossman, 2021; Office of the Director of National Intelligence [ODNI], 2024).

Además, a diferencia de las operaciones de influencia más visibles (como bots, cuentas falsas o campañas coordinadas de desinformación), este tipo de simulación resulta opaco, difícil de detectar y no deja necesariamente huellas públicas. No busca difundir un bulo concreto en el momento de la votación, sino identificar qué tipos de argumentos podrían resultar más persuasivos para determinados grupos, información que, en teoría, podría llegar a integrarse en futuras estrategias de comunicación (Helmus et al., 2023).

Riesgos, límites y responsabilidades

El debate en torno a ElectionSim no debería centrarse únicamente en su presunta intencionalidad, sino también en sus límites técnicos. Como advierten diversos expertos en ciencias sociales computacionales, los «votantes sintéticos» generados por grandes modelos de lenguaje no reproducen fielmente la complejidad del comportamiento político humano. Estudios recientes han mostrado que los agentes basados en LLM tienden a exhibir un exceso de coherencia ideológica, a sobrerrepresentar ciertas posturas predominantes en sus datos de entrenamiento y a resultar más «racionales» o «meditados» de lo que lo serían los ciudadanos reales a la hora de tomar decisiones políticas (Santurkar et al., 2023; Bisbee et al., 2024).

Asimismo, existe el riesgo de caer en lo que algunos investigadores denominan una «falacia de simulación»: dar por válidas las predicciones o preferencias extraídas de una población artificial, cuando estas no han sido contrastadas empíricamente con el electorado al que pretenden representar (Törnberg, 2024). Cuanto mayor sea la confianza depositada en estos modelos sin validación externa rigurosa, mayores serán las probabilidades de extraer conclusiones erróneas.

Desde una perspectiva de gobernanza de la IA, estos desarrollos reabren preguntas ya planteadas con anterioridad. El informe conjunto de varias agencias de inteligencia estadounidenses sobre amenazas a las elecciones de 2024 subrayó la evolución de los actores estatales hacia formas de influencia más sutiles, apoyadas en herramientas de IA (ODNI, 2024). Paralelamente, organismos como la OCDE han insistido en la necesidad de evaluar sistemáticamente los riesgos de doble uso (dual-use) de los sistemas de IA, especialmente cuando pueden afectar a procesos democráticos (OCDE, 2024).

Conclusión: simular para comprender o para influir

ElectionSim y los experimentos con votantes sintéticos llevados a cabo por otros grupos chinos ilustran una tendencia clara: la frontera entre ciencia política computacional y análisis con potencial estratégico se está volviendo cada vez más difusa. Utilizados con fines académicos, rigurosamente validados y puestos a disposición de la comunidad científica para su escrutinio, los modelos de electorado sintético pueden ayudar a comprender mejor cómo se forman las preferencias políticas o cómo responden los ciudadanos ante distintos diseños de políticas públicas.

El problema surge cuando esa capacidad se aleja de la transparencia, se desarrolla al margen de debates éticos y permite ensayar, a escala, formas de segmentación persuasiva sobre el electorado de otro país. En ese sentido, la metáfora del «túnel de viento» resulta acertada: no se trata necesariamente de lanzar la propaganda, sino de probarla, calibrarla y afinarla antes de que llegue al espacio público.

La cuestión, por tanto, no es si es posible simular elecciones con agentes de IA (cada vez lo es con mayor precisión aparente), sino quién lo hace, con qué datos, bajo qué criterios metodológicos y con qué fines. Una democracia saludable no solo necesita proteger sus urnas, sino también disponer de mayor visibilidad sobre las herramientas digitales que, silenciosamente, buscan medir la maleabilidad de su electorado.

Referencias bibliográficas

• Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B. & Larson, J. (2024). Synthetic replacements for human survey data? The perils of large language models. Political Analysis, 32, 401-416. https://doi.org/10.1017/pan.2024.5
• Brundage, M., Avin, S., Clark, J., Toner, H., Eckersley, P., Garfinkel, B., Dafoe, A., Scharre, P., Zeitzoff, T., Filar, B., Anderson, H., Roff, H., Allen, G. C., Steinhardt, J., Flynn, C., Ó hÉigeartaigh, S., Beard, S., Belfield, H., Farquhar, S., Lyle, C., Crootof, R., Evans, O., Page, M., Bryson, J., Yampolskiy, R. & Amodei, D. (2018). The malicious use of artificial intelligence: Forecasting, prevention, and mitigation. https://arxiv.org/abs/1802.07228
• Buolamwini, J. & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 77-91. https://proceedings.mlr.press/v81/buolamwini18a.html
• Center for Security and Emerging Technology [CSET]. (2024). Exploring the use of AI for foreign influence operations. Georgetown University. https://cset.georgetown.edu/
• Cheng, M., Luo, Q., Yu, Z., Zhang, D., Rangapur, A., Zhang, X., Yu, R., Chen, Z., Li, J., Xue, C., Ouyang, K., Wang, Y., Xu, R., Zhu, R., Zhou, K., Xi, Z., Chen, W. & Zhang, Y. (2024). VIRSCEN: A virtual scenario framework for multi-agent collaborative intelligence. https://arxiv.org/abs/2407.12345
• Culotta, A., Kumar, N. R. & Cutler, J. (2015). Predicting the demographics of Twitter users from website traffic data. Proceedings of the AAAI Conference on Artificial Intelligence, 29(1). https://doi.org/10.1609/aaai.v29i1.9205
• Goldstein, J. A. & Grossman, G. (2021). How disinformation evolved in 2020. Brookings Institution. https://www.brookings.edu/articles/how-disinformation-evolved-in-2020/
• Hargittai, E. (2020). Potential biases in big data: Omitted voices on social media. Social Science Computer Review, 38, 10-24. https://doi.org/10.1177/0894439318788322
• Helmus, T. C., Radin, A., Marrone, J. V., Reimer, J. R. & Schendt, A. (2023). Countering foreign interference in democratic elections. RAND Corporation. https://www.rand.org/pubs/research_reports/RRA704-1.html
• Jungherr, A. (2016). Twitter use in election campaigns: A systematic literature review. Journal of Information Technology & Politics, 13, 72-91. https://doi.org/10.1080/19331681.2015.1132401
• Kania, E. B. (2023). Chinese discourse on AI and elections: How China’s views on democratic processes could shape its use of AI-enabled interference. Center for Security and Emerging Technology (CSET). https://cset.georgetown.edu/publication/chinese-discourse-on-ai-and-elections/
• Kreiss, D. (2016). Prototype politics: Technology-intensive campaigning and the data of democracy. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199350247.001.0001
• Larooij, M. van & Törnberg, P. (2025). Large language models for simulating social media users. PNAS Nexus, 4, pgaf231. https://doi.org/10.1093/pnasnexus/pgaf231
• Mellon, J. & Prosser, C. (2017). Twitter and Facebook are not representative of the general population: Political attitudes and demographics of British social media users. Research & Politics, 4(3). https://doi.org/10.1177/2053168017720008
• Molas, B. (2024). AI and the future of election interference. International Institute for Strategic Studies (IISS). https://www.iiss.org/online-analysis/online-analysis/2024/10/ai-and-the-future-of-election-interference/
• Nickerson, D. W. & Rogers, T. (2014). Political campaigns and big data. Journal of Economic Perspectives, 28, 51-74. https://doi.org/10.1257/jep.28.2.51
• Organisation for Economic Co-operation and Development [OCDE]. (2024). Recommendation of the council on artificial intelligence. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
• Office of the Director of National Intelligence [ODNI]. (2024). 2024 election security update. https://www.dni.gov/index.php/cyber-intelligence/election-security
• Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P. & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology (UIST ’23). https://doi.org/10.1145/3586183.3606763
• Pennacchiotti, M. & Popescu, A.-M. (2011). Democrats, republicans and Starbucks afficionados: User classification in Twitter. Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 430-438. https://doi.org/10.1145/2020408.2020477
• Pew Research Center. (2024). Social media fact sheet. https://www.pewresearch.org/internet/fact-sheet/social-media/
• Rao, D., Yarowsky, D., Shreevats, A. & Gupta, M. (2010). Classifying latent user attributes in Twitter. Proceedings of the 2nd International Workshop on Search and Mining User-Generated Contents (SMUC ’10), 37-44. https://doi.org/10.1145/1871985.1871993
• Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P. & Hashimoto, T. (2023). Whose opinions do language models reflect? Proceedings of the 40th International Conference on Machine Learning (ICML), 202, 29971-30004. https://proceedings.mlr.press/v202/santurkar23a.html
• Törnberg, P. (2024). Large language models outperform expert coders and supervised classifiers at annotating political social media messages. Social Science Computer Review, 42, 166-187. https://doi.org/10.1177/08944393241286471
• Xu, R., Liu, Z., Chen, Y., Guo, Z., Liu, T., Chen, L., Hu, G., Li, J., Wang, W., Yan, R., Yan, T., Wang, Y., Gao, S., Chen, Z., Li, W., Zeng, X., Liu, W., Chen, J., Yuan, S., Liu, Y., Sun, L., Liu, Z., Han, X., Sun, M. & Zhang, Y. (2025). ElectionSim: Massive population election simulation powered by large language model driven agents. https://arxiv.org/abs/2502.08691

Generado por Poppy