Granjas animales creadas con IA: en lugar de animales hacinados, dibuja prados verdes

Un estudio con 4.800 imágenes revela que DALL-E 3 reescribe en secreto lo que le pides y devuelve escenas bucólicas incluso si exiges realismo

Pídele a DALL-E 3, el modelo de generación de imágenes con inteligencia artificial, una imagen de una granja de vacas lecheras. Te va a dar una vaca en un prado verde, con montañas al fondo y quizá un granero rojo. Siempre. En las 100 imágenes que generó para los investigadores de la Universidad de Columbia Británica no salió ni una sola nave cerrada. Con los cerdos pasó lo mismo, un 99 % de las imágenes mostraba animales al aire libre, revolcándose en el barro. La ganadería intensiva, donde se cría la gran mayoría de esos animales, no aparecía.

La explicación está en un paso intermedio que el usuario no ve. Cuando escribes una petición en estos sistemas, tus palabras no van directas al generador de imágenes. Antes pasan por un modelo de lenguaje que las reescribe y las amplía, añadiendo detalles de escenario, luz y composición que tú no has pedido. Se llama revisión del prompt y sirve para mejorar el resultado estético. También es, según este trabajo publicado en Technology in Society, el lugar exacto donde se cuela el sesgo.

Miles de peticiones de imágenes reescritas por la IA

El equipo de Kehan Sheng diseñó 48 peticiones distintas y generó 100 imágenes con cada una. Cambiaban el tipo de granja (leche o cerdos), el nivel de insistencia de la petición y el país. También activaban o desactivaban la reescritura automática.

Las peticiones iban de menos a más. Las básicas pedían una granja. Las típicas, una granja típica. Las de realidad insistían en que la imagen reflejara cómo se cría de verdad al animal. Cada imagen se clasificó en tres grupos, exterior con pasto o barro, interior exclusivo, y otros. El trabajo lo hizo un clasificador automático basado en GPT-4o, y la primera autora revisó a mano las 4.800, corrigiendo un 4,8 % de las etiquetas.

Pedir realismo no sirve de nada

Insistir apenas cambia el resultado. Con las peticiones que exigían reflejar la realidad, el 94 % de las imágenes de vacas y el 91 % de las de cerdos seguían siendo pastoriles.

Los investigadores encontraron además una ironía incómoda. La instrucción para desactivar la reescritura funcionaba bastante bien con las peticiones sencillas y fallaba precisamente con las que pedían realismo. Cuanto más detallada era la petición, más se empeñaba el sistema en reescribirla.

El modelo sabe más de lo que enseña

¿Qué ocurre al desactivar la reescritura? Con las peticiones básicas, el 60 % de las imágenes de vacas y el 96 % de las de cerdos mostraban alojamiento interior. Con las peticiones típicas, el 56 % y el 82 % respectivamente.

El generador de imágenes, por tanto, sabe perfectamente cómo es una granja industrial y es capaz de dibujarla. Lo que lo impide es la capa de arriba, el modelo que traduce tu petición antes de pasarla. El sesgo nace, por tanto, de una decisión de diseño, y no solo de los datos de entrenamiento.

Un mapa que casi encaja con la realidad

Al desactivar la reescritura y especificar el país, las cifras empiezan a parecerse a la realidad. Las imágenes de granjas lecheras estadounidenses mostraban pasto en un 4 % de los casos. En la realidad, menos de un 3 % de las vacas en lactación tiene acceso a pastos. Las alemanas, un 6 %. Con los cerdos, el 95 % de las imágenes de granjas estadounidenses eran de interior, frente a un 98 o 99 % real. En España la cifra fue del 84 %, con un dato real del 94,9 %.

La excepción es Nueva Zelanda, y resulta igual de instructiva. Allí el 99 % de las vacas pasta al aire libre, porque el modelo ganadero del país se basa precisamente en eso. El sistema solo dibujó pasto en un 29 % de las imágenes. Al desactivar la capa bucólica, el sesgo se invierte y mete a las vacas neozelandesas en naves que no existen.

Por qué esto importa

Estas imágenes acaban en anuncios, en envases, en artículos y en material educativo, y van moldeando la idea que tiene el público de cómo se produce su comida. Un ciudadano que cree que las vacas de su leche viven en un prado difícilmente va a pedir cambios en el bienestar animal.

Los autores lo plantean como un problema de transparencia más que de censura. Piden que las empresas declaren cuándo reescriben una petición y que los prompts del sistema entren en las auditorías. También que se avise al usuario cuando la imagen puede no reflejar la práctica real.

El estudio tiene sus límites y los reconoce. La clasificación en interior o exterior es muy gruesa. Se pierde lo que pasa dentro de cada categoría, desde un prado abarrotado hasta una nave espaciosa. Mira solo el alojamiento, sin entrar en prácticas como el corte de rabos. Los datos, además, son muy occidentales. Tampoco se puede saber en qué momento entró el sesgo, porque OpenAI no publica sus prompts de sistema ni cómo filtra los datos de entrenamiento.

Un sistema que suaviza una realidad incómoda no afecta solo a las granjas. Si la capa invisible que reescribe nuestras peticiones está entrenada para devolver postales, conviene saber qué otras cosas borra por el camino.

REFERENCIA

• Silencing controversial realities through prompt revision: The erasure of intensive livestock farming in text-to-image generative AI. Sheng K, Tuyttens FAM, von Keyserlingk MAG. Technology in Society, 88, 103466, septiembre de 2026.

Si quieres conocer otros artículos parecidos a Granjas animales creadas con IA: en lugar de animales hacinados, dibuja prados verdes puedes visitar la categoría TECNOLOGÍA.