La inteligencia artificial moderna puede responder con tanta sensibilidad que a veces crea la impresión de una comprensión auténtica. Elige palabras cuidadosas, reconoce nuestros sentimientos y mantiene la conversación. Pero ¿es capaz no solo de hablar sobre emociones, sino de reconocerlas realmente a partir de la voz y los movimientos?

El 3 de septiembre de 2026, la revista Scientific Reports publicó los resultados de un estudio de David Piterman y sus colegas sobre la capacidad de la IA generativa para reconocer manifestaciones no verbales de las emociones. Los investigadores probaron tres modelos multimodales de la familia Gemini y compararon su precisión con la de personas que realizaron tareas similares.

Se pidió a los modelos que identificaran emociones a partir de breves vídeos de movimientos corporales sin mostrar el rostro, así como de frases sin sentido pronunciadas con distintas entonaciones. De este modo, los investigadores pudieron comprobar por separado hasta qué punto la IA entiende el lenguaje corporal y la carga emocional de la voz sin apoyarse en el significado de las palabras ni en la expresión facial.

Los resultados mostraron que, en algunas tareas, los sistemas actuales ya se acercan al rendimiento humano, pero reconocen las emociones de forma muy desigual. Identifican mejor los estados positivos que los negativos, y precisamente allí donde resulta especialmente importante detectar miedo, dolor o tristeza aparecen más errores.

Los investigadores probaron tres modelos multimodales de la familia Gemini, sistemas capaces de analizar no solo texto, sino también sonido y vídeo.

Se les pidió identificar emociones a partir de dos tipos de material. En un caso eran breves vídeos de actores profesionales grabados sin mostrar el rostro: el estado emocional se transmitía únicamente mediante la postura y los movimientos del cuerpo. En el otro, se utilizaron frases sin sentido pronunciadas con diferentes entonaciones. Como el significado de las palabras no podía dar pistas, solo quedaban el timbre, la altura de la voz, el ritmo y otras características del habla.

Los modelos elegían una opción entre seis posibles respuestas. Sus resultados se compararon con las respuestas de participantes en estudios anteriores en los que se habían utilizado los mismos materiales.

En el reconocimiento de emociones a partir de movimientos corporales, las personas superaron a los tres sistemas. El modelo más avanzado de los probados se acercó bastante al resultado humano, aunque la diferencia se mantuvo.

Con la voz, el panorama fue distinto: dos modelos más recientes alcanzaron aproximadamente la misma precisión que las personas. Sin embargo, esto no significa que comprendieran la entonación sin equivocarse. Tanto las personas como la IA acertaron en menos de la mitad de los casos. Las emociones expresadas únicamente mediante la voz resultaron difíciles para todos.

El resultado más interesante no tuvo que ver con el número total de respuestas correctas, sino con el tipo de errores.

En las personas, la precisión al reconocer emociones positivas y negativas no mostró diferencias importantes. Los modelos de IA, en cambio, se desenvolvieron claramente mejor con los estados positivos. Esto se vio con especial claridad al analizar los movimientos corporales.

La excitación, el interés, la actitud juguetona y la amabilidad fueron identificados con mucha seguridad. Con las experiencias negativas hubo más confusión: el miedo se mezclaba con la vergüenza, la tristeza con el asco y la ira con la antipatía. Una emoción definida por los investigadores como dolor o herida emocional no fue reconocida correctamente a partir de los movimientos corporales por ninguno de los modelos.

Los autores llaman a esta característica «sesgo positivo». Esto no significa que la IA sienta optimismo o que intente conscientemente ver el mundo de forma más favorable. Un modelo no vive lo que observa como lo hacemos nosotros. Busca en los datos patrones que le permitan elegir la etiqueta emocional más probable.

El estudio no establece de dónde procede este sesgo. Es posible que las expresiones positivas estuvieran mejor representadas en los datos con los que se entrenaron los sistemas. También pudo influir el ajuste posterior de los modelos, que favorece respuestas amables y aceptables. Tampoco se descarta que algunas emociones negativas sean simplemente más difíciles de distinguir entre sí cuando solo se dispone de señales no verbales aisladas.

Es fácil interpretar una respuesta adecuada como prueba de que nuestro interlocutor ha comprendido correctamente nuestro estado. En la comunicación humana habitual esto suele estar justificado: las palabras, la voz, las pausas, la expresión facial y la historia de la relación se complementan entre sí. Pero en una conversación con IA existe una diferencia importante entre la impresión que produce una respuesta y la forma en que esa respuesta se ha generado.

Un sistema puede decir: «Parece que lo está pasando realmente mal ahora mismo» porque conoce muy bien las fórmulas lingüísticas de apoyo. Eso todavía no demuestra que haya reconocido con precisión la ansiedad en la voz, el abatimiento en la postura u otra señal no verbal de malestar.

En una conversación amistosa, un error así puede pasar casi desapercibido. Pero la importancia cambia cuando se propone utilizar IA para apoyo psicológico, seguimiento remoto del estado de una persona o ayuda a un profesional. Si un sistema detecta especialmente bien la alegría pero distingue peor el dolor, el miedo y la tristeza, su amabilidad exterior puede crear una impresión exagerada de sensibilidad emocional.

Esto no significa que las tecnologías de reconocimiento emocional sean inútiles. Al contrario, algunos resultados muestran lo rápido que están avanzando. Sin embargo, la capacidad de elegir palabras empáticas y la capacidad de detectar de forma fiable el malestar de otra persona no son lo mismo.

El experimento se realizó en condiciones deliberadamente simplificadas. Los actores representaban las emociones de forma intencionada y bastante clara. Los vídeos mostraban movimientos corporales sin rostros, mientras que las grabaciones de audio contenían voces sin palabras con significado. En una conversación real, todas estas señales aparecen juntas y dependen de la situación, la cultura, la forma individual de expresar emociones y el grado de conocimiento entre los interlocutores.

Además, solo se probaron tres versiones de Gemini. El resultado no puede trasladarse automáticamente a todos los sistemas de inteligencia artificial, especialmente porque los modelos se actualizan con rapidez. Un formato con seis respuestas predefinidas también es mucho más sencillo que interpretar libremente un estado emocional complejo.

Por tanto, el estudio no demuestra que la IA vaya necesariamente a pasar por alto señales de un estado grave en una conversación real ni que vaya a causar daño por ello. No se estudiaron pacientes, terapia ni las consecuencias del uso de estos sistemas. En condiciones controladas, los autores detectaron una característica concreta del reconocimiento emocional; su importancia para la ayuda psicológica real todavía debe comprobarse.

Aun así, el estudio recuerda una frontera importante. La IA puede reproducir de forma muy convincente el lenguaje de la empatía, pero la capacidad de sonar convincente no equivale a comprender emocionalmente. Cuando más necesitamos apoyo, conviene no tomar una respuesta cálida de una máquina como garantía de que realmente ha detectado todo lo que nos está ocurriendo.

Fuente: David Piterman et al. “Generative AI emotion recognition from bodily gestures and vocal tone reveals modality-specific performance and positivity bias”, Scientific Reports, 3 de septiembre de 2026