Los grandes modelos de lenguaje generativos (LLM) se han convertido rápidamente tanto en objeto como en herramienta de la investigación sobre la persuasión política. Un estudio publicado en Proceedings of the National Academy of Sciences usa los LLM como banco de pruebas sistemático para probar teorías de larga data sobre qué hace persuasivos a los mensajes políticos. Aprovecha la capacidad de los modelos para crear a gran escala muchas variantes controladas de mensajes. El estudio reporta que varias teorías canónicas de la persuasión tienen un desempeño inconsistente cuando se prueban de esta forma (Argyle et al., 2025). Informes resumidos por el American Enterprise Institute describen dos estudios de campo amplios, publicados en Nature y Science. En estos estudios, breves conversaciones de cerca de seis minutos con un chatbot de inteligencia artificial de orientación política cambiaron las preferencias de política o de candidato de los participantes en unos 3,9 puntos en una escala de 100 puntos en los Estados Unidos. Esto es casi cuatro veces el efecto promedio de la publicidad política televisada en las elecciones de 2016 y 2020. En réplicas internacionales en Canadá y Polonia, los cambios fueron incluso mayores, de aproximadamente 10 puntos. El estudio complementario, publicado en Science y realizado con casi 77,000 participantes, halló que el efecto persuasivo se debía sobre todo a la cantidad de afirmaciones fácticas que presentaba el chatbot, sin importar si eran correctas. Además, un diálogo calmado y basado en evidencia resultó más efectivo que las tácticas de manipulación emocional (American Enterprise Institute, 2025).
Estimaciones más conservadoras matizan las afirmaciones más contundentes. Un meta análisis de Lukas Hölbling, Sebastian Maier y Stefan Feuerriegel, que agrupó siete estudios con más de 17.000 participantes, no encontró una diferencia promedio significativa en el poder persuasivo entre los mensajes generados por LLM y los generados por humanos (g de Hedges = 0,02). Sin embargo, los formatos interactivos y conversacionales funcionaron mejor que los mensajes estáticos de una sola vez. La persuasión relacionada con la salud mostró efectos más fuertes que la persuasión explícitamente política (Hölbling, Maier y Feuerriegel, 2025). Hui Bai, Jan Voelkel, Shane Muldowney, Johannes Eichstaedt y Robb Willer encontraron que los mensajes persuasivos generados por LLM sobre temas de política pública eran aproximadamente tan eficaces como los mensajes escritos por redactores humanos comunes. Sin embargo, ambos usaban mecanismos psicológicos diferentes. Los mensajes de los LLM usaban más la argumentación lógica y la evidencia citada, mientras que los mensajes escritos por humanos se apoyaban más en afirmaciones de singularidad personal y en la narración de historias (Bai, Voelkel, Muldowney, Eichstaedt y Willer, 2025). Leída junto con los hallazgos experimentales sobre las campañas de Hewitt et al. (2024) que se analizan en la Sección 8, esta literatura plantea una preocupación normativa que recorre toda esta revisión. A medida que las herramientas para probar y mejorar los mensajes persuasivos se vuelven más baratas y potentes, la capacidad de usarlas a gran escala puede recaer de manera desproporcionada en actores políticos y estatales con más recursos.