# Qué te dice una IA sobre tu cara (y en qué falla) > Fuente: https://glowalabs.com/blog/que-dice-chatgpt-sobre-tu-cara > Publicado: 2026-08-10 · Revisado: 2026-08-12 > Autoría: Glowa Labs > Categoría: Looksmaxxing **Lo esencial.** Un modelo de lenguaje generalista comete cinco errores sistemáticos al analizar un rostro: no mide, es complaciente, ignora la escala, confunde iluminación con anatomía y no distingue lo reversible de lo permanente. Su prosa explicativa sí es útil. Millones de personas suben su foto a un chatbot y le piden que analice su cara. La respuesta suena competente, usa el vocabulario correcto y falla de formas concretas y predecibles. Vale la pena entender cuáles, porque algunas de esas partes sí sirven. ## Error 1: no mide, estima Este es el error raíz y del que salen casi todos los demás. Un modelo de lenguaje multimodal no ejecuta geometría sobre tu foto. No localiza puntos anatómicos, no calcula distancias en píxeles ni normaliza por la escala de la imagen. Lo que hace es reconocer patrones visuales y producir a continuación el texto que estadísticamente acompaña a esos patrones en los millones de páginas con las que fue entrenado, que es un proceso distinto y que casualmente produce frases con la misma forma que un informe. Cuando te dice que tu canthal tilt es de dos grados, no ha medido dos grados. Ha producido una cifra plausible. Eso es todo. La diferencia se nota en cuanto la pruebas. Sube la misma foto tres veces en conversaciones distintas y compara los números. Si varían, y suelen variar, no eran medidas. Esto no lo arregla un prompt mejor. Es una propiedad de cómo funciona la herramienta, no un fallo de configuración. Ningún ajuste lo cambia. ### Evidencia: El score de promedio mide cercanía al composite poblacional Calcular la distancia de Procrustes entre la configuración del usuario y la media (composite) del grupo étnico/sexo de referencia. Menor distancia = más promedio = mayor procesamiento fluido. La relación con atractivo es positiva pero modesta; la combinación de promedio + dimorfismo dominante predice mejor que cualquiera por separado. **Qué hacer.** Score 0–100: 100 = muy cercano al promedio (procesamiento fluido máximo); 0 = muy distintivo. Distintividad no es necesariamente negativa: combinada con simetría y dimorfismo puede elevar el atractivo. - Langlois & Roggman 1990 — Attractive faces are only average (Psychol Sci 1:115-121) - Komori, Kawamura, Ishihara 2009 — Averageness or symmetry (Acta Psychologica 131(2):136-142, doi:10.1016/j.actpsy.2009.03.008) - Trujillo, Jankowitsch, Langlois 2014 — Beauty is in the ease of the beholding (Cogn Affect Behav Neurosci 14(3):1061-1076, doi:10.3758/s13415-013-0230-2) - Said & Todorov 2011 — A statistical model of facial attractiveness (Psychol Sci 22(9):1183-1190, doi:10.1177/0956797611419169) ### Evidencia: Umbral perceptual: pequeñas asimetrías no son detectadas por observadores Eißing 2024 (estudio prospectivo) cuantifica el umbral mínimo de asimetría perceptible. Desviaciones bajo cierto rango son invisibles para evaluadores no entrenados, lo que delimita qué asimetrías valen la pena tratar. **Qué hacer.** No tratar asimetrías sub-umbral. Priorizar las que el usuario u observadores notan a distancia conversacional. - Eißing, Dirksen, Runte, Jung 2024 — Limits in the perception of facial symmetry: A prospective study (J Pers Med 14(11):1109; DOI 10.3390/jpm14111109) ## Error 2: la complacencia Los modelos conversacionales están entrenados para ser útiles y agradables, y ese entrenamiento tiene un efecto medible cuando le pides que juzgue tu cara. El sesgo va casi siempre en la misma dirección. Suaviza. Convierte un rasgo marcado en "distintivo", una asimetría en "carácter" y una recomendación incómoda en una lista equilibrada de opciones. Es amable. Y es exactamente lo contrario de lo que necesitas cuando estás a punto de gastar cuatro mil dólares. Curiosamente, el problema también existe en la dirección opuesta. Si le insistes en que sea "brutalmente honesto", muchos modelos cambian de registro y empiezan a producir crítica dura que tampoco corresponde a nada medido, porque lo que ha cambiado es el tono del texto, no la calidad del análisis. Las dos respuestas son igual de infundadas. Solo suenan distinto. Ninguna mide nada. ## Error 3: no sabe qué es normal Aquí está el fallo con más consecuencias prácticas, y es el que hace más daño. Para interpretar una medida hace falta saber cómo se distribuye en la población. Una asimetría de dos milímetros no significa nada sin saber que está por debajo del umbral en el que un observador la detecta. Un tercio superior del 36% no significa nada sin saber que el canon de tercios iguales es un ideal artístico del Renacimiento y que casi nadie lo cumple. Un modelo generalista no tiene esa distribución cargada. Tiene texto sobre ideales, que es otra cosa muy distinta y bastante más abundante en internet. El resultado es un sesgo sistemático hacia el ideal. Se te señalan como desviaciones cosas que son variación normal, porque la referencia con la que compara es el canon que aparece escrito en mil páginas, no la población real que aparece medida en unos pocos estudios de antropometría. Es la receta perfecta para preocuparte por lo que no importa, y funciona demasiado bien. Lo vemos cada semana. ### Evidencia: Umbral perceptual: pequeñas asimetrías no son detectadas por observadores Eißing 2024 (estudio prospectivo) cuantifica el umbral mínimo de asimetría perceptible. Desviaciones bajo cierto rango son invisibles para evaluadores no entrenados, lo que delimita qué asimetrías valen la pena tratar. **Qué hacer.** No tratar asimetrías sub-umbral. Priorizar las que el usuario u observadores notan a distancia conversacional. - Eißing, Dirksen, Runte, Jung 2024 — Limits in the perception of facial symmetry: A prospective study (J Pers Med 14(11):1109; DOI 10.3390/jpm14111109) ### Evidencia: Tercios faciales: el canon de tercios iguales es un ideal artístico, no una norma empírica El canon divide el rostro en tres tercios verticales iguales (línea del pelo→ceja, ceja→base de nariz, base de nariz→mentón, ~0.33 cada uno). ORIGEN: convención artística del Renacimiento (Vitruvio, Leonardo), no una medición poblacional. Farkas 1985 midió caras reales y la igualdad de los tres tercios prácticamente NO se cumple (a lo sumo dos partes iguales; la prevalencia del canon de tres secciones es ~0% según la tabulación de Jayaratne 2012). Los tercios varían por sexo y etnia (Farkas 2005), y el vínculo con el atractivo es débil: Zwahlen 2022 halló que sólo un canon neoclásico correlacionaba, y que las caras atractivas tienden a un tercio inferior MÁS CORTO, es decir, alejándose de la igualdad. El tercio superior es además el menos fiable de medir en foto (la línea del pelo/borde de frente no es un landmark estable). **Qué hacer.** Presentar ~0.33 como referencia clásica, NO como objetivo: desviarse es variación normal, no un defecto, y no predice menor atractivo. Reservar intervención (ortognática, mentoplastia, filler de mentón) para casos con queja funcional o desproporción marcada y consistente con el perfil, no por no dar 0.33 exacto. El tercio superior medido en foto lleva asterisco. - Farkas LG, Hreczko TA, Kolar JC, Munro IR 1985 — Vertical and horizontal proportions of the face in young adult North American Caucasians: revision of neoclassical canons (Plast Reconstr Surg 75(3):328-338; PMID 3883374) - Jayaratne YS, Deutsch CK, McGrath CP, Zwahlen RA 2012 — Are neoclassical canons valid for southern Chinese faces? (PLoS One 7(12):e52593; PMID 23285105) — prevalencia del canon de tres secciones ~0% - Farkas LG, Katic MJ, Forrest CR 2005 — International Anthropometric Study of Facial Morphology in Various Ethnic Groups/Races (J Craniofac Surg 16(4):615-646; PMID 16077306) - Zwahlen RA, Tang ATH, Leung WK, Tan SK 2022 — Does 3D facial attractiveness relate to golden ratio, neoclassical canons, ideal ratios and angles? (Maxillofac Plast Reconstr Surg 44(1):28; PMID 36070018) ### Evidencia: Los rostros compuestos superan a la mayoría de los individuales Al promediar muchos rostros, el composite resulta más atractivo que los individuos que lo conforman. Contribuyen la fluidez de procesamiento y la hipótesis de 'buenos genes'. **Qué hacer.** Detectar desviaciones fuertes respecto al promedio poblacional. La mayoría se beneficia de acercarse al promedio, salvo donde rasgos distintivos dimórficos o juveniles añaden atractivo. - Langlois & Roggman 1990 — Attractive faces are only average (Psychol Sci 1:115-121) - Rhodes et al. 1999 — Are average facial configurations attractive only because of their symmetry? (Psychol Sci) - Komori, Kawamura, Ishihara 2009 — Vision Research / Acta Psychologica ## Errores 4 y 5: la foto y el tiempo El cuarto es que confunde iluminación con anatomía. Una foto con luz cenital marca sombras bajo los pómulos y bajo el arco mandibular, y un modelo describe esas sombras como estructura. Cambia la luz y cambia el diagnóstico. Lo mismo con la distancia focal: un selfie a treinta centímetros agranda la nariz y acorta las orejas por pura proyección, y eso aparece en la respuesta como un rasgo tuyo. El quinto es que no distingue entre lo reversible y lo permanente. Un análisis útil no es una lista de rasgos, es una lista ordenada por cuánto puedes moverlos y a qué coste. Un modelo generalista mezcla en el mismo párrafo el color de tus ojeras, que puede tener tres causas distintas y dos de ellas tratables, con la anchura de tu ángulo gonial, que no se mueve sin cirugía ortognática. Los dos errores tienen la misma consecuencia. Te dan trabajo que hacer sin decirte cuál merece la pena. Sobre el cuarto hay una prueba casera que lo demuestra en dos minutos y que además explica [por qué sales peor en las fotos](/blog/por-que-salgo-feo-en-las-fotos). Hazte dos selfies seguidos, uno bajo la luz del techo y otro junto a una ventana, y pídele a un chatbot que analice cada uno por separado. ### Evidencia: La forma facial se clasifica por índices antropométricos El índice facial (altura morfológica / ancho bicigomático) y la relación con anchos de mandíbula y frente determinan la categoría: oval (1.45-1.6), redonda (<1.4), cuadrada (~1.0 con mandíbula angular), corazón (frente ancha, mentón estrecho), alargada (>1.65), diamante (pómulos como punto más ancho). La taxonomía de seis formas es convención cosmetológica anclada en los índices de Farkas. **Qué hacer.** La forma facial guía: corte de pelo (ver hair-03), forma de gafas, depilación de cejas, técnica de contouring. No es un score de atractivo, es un dato categórico. - Farkas 1994 — Anthropometry of the Head and Face, 2nd ed. (Raven Press) - Bozkir, Karakaş, Oguz 2006 — Vertical and horizontal neoclassical facial canons in Turkish young adults (Surg Radiol Anat 28:65-70) - Pallett, Link, Lee 2010 — New 'golden' ratios for facial beauty (Vision Res) ## Qué sí puedes aprovechar No todo es descarte, y sería tonto pretenderlo. Para explicar conceptos, un modelo es excelente. Qué es el ángulo cervicomental, por qué la proyección del mentón afecta a la lectura de la nariz, qué hace exactamente un retinoide. Ahí el texto es información y la información es buena. Para ordenar tus opciones una vez ya tienes las medidas, también funciona bien. Y para redactar las preguntas que le vas a hacer a un profesional, funciona muy bien. Llegar a una consulta con seis preguntas concretas por escrito cambia la conversación entera. Lo que no puede hacer es lo que le estás pidiendo. Medir tu cara, situar esas medidas en una distribución poblacional y decirte qué hacer primero. Para eso hace falta geometría real sobre puntos anatómicos detectados, una base de evidencia con las distribuciones cargadas, y alguien que revise el resultado. En Glowa Labs hacemos las tres cosas, y decimos explícitamente qué números son medidas reproducibles y cuáles son juicios, en vez de presentarlo todo con la misma seguridad. Si vas a preguntarle a una IA de todos modos, hazlo bien: la [guía de prompts](/blog/como-pedirle-a-una-ia-que-analice-tu-rostro) tiene el método completo. Y si quieres el análisis con medidas de verdad, está en [Glowa Labs](/intake). ## Preguntas frecuentes ### ¿Puede ChatGPT analizar mi cara? Puede describirla y producir texto que suena a análisis. Lo que no hace es medir: no localiza puntos anatómicos ni calcula distancias normalizadas, así que las cifras que da son plausibles, no medidas. La prueba es fácil, sube la misma foto tres veces y compara los números. ### ¿Por qué me da resultados distintos cada vez? Porque no está midiendo nada. Está generando el texto que estadísticamente acompaña a lo que ve, y ese texto varía entre ejecuciones. Una medida real de la misma foto daría siempre el mismo número. ### ¿Es más fiable si le pido que sea brutalmente honesto? No. Cambia el tono, no la calidad del análisis. Pasa de complaciente a duro, y las dos respuestas están igual de poco fundamentadas en una medida. ### ¿Para qué sí sirve una IA generalista aquí? Para explicarte conceptos, para ordenar opciones cuando ya tienes las medidas y para preparar las preguntas que le harás a un profesional. Son tres usos buenos y ninguno de ellos requiere que mida tu cara. ## Relacionados - [Cómo pedirle a una IA que analice tu rostro](https://glowalabs.com/blog/como-pedirle-a-una-ia-que-analice-tu-rostro) - [Análisis facial con IA vs cirujano estético](https://glowalabs.com/blog/analisis-facial-con-ia-vs-cirujano-estetico) - [Escala de atractivo facial del 1 al 10: cómo se mide](https://glowalabs.com/blog/escala-de-atractivo-facial-del-1-al-10) - [Por qué salgo feo en las fotos (y no es tu cara)](https://glowalabs.com/blog/por-que-salgo-feo-en-las-fotos) --- Contenido educativo de Glowa Labs. No sustituye el criterio de un profesional sanitario. Reutilizable citando la fuente con enlace a https://glowalabs.com/blog/que-dice-chatgpt-sobre-tu-cara.