Gender-API vs. ChatGPT: ¿qué debe determinar el género de un nombre?
Los dos pueden decirte que Sandra suele ser femenino. Solo uno puede decirte cómo lo sabe, darte la misma respuesta el año que viene y presupuestar un millón de nombres antes de que empieces.
La respuesta corta
- Usa un LLM cuando necesites un criterio sobre un puñado de nombres, o texto que se pueda leer: una explicación, un origen, un saludo.
- Usa una base de nombres cuando la respuesta tenga que ser idéntica mañana, tenga que venir con pruebas, tenga que costar un precio por registro o tenga que aguantar una pregunta del delegado de protección de datos.
- A gran volumen lo que decide no es la precisión, sino la trazabilidad. 9,124,598 nombres repartidos en 192 países, cada respuesta con su propio número de muestras, frente a una generación que no puede mostrar su razonamiento.
- Se combinan bien. Dale al modelo la API como herramienta —publicamos un servidor MCP alojado para ello— y la etiqueta vendrá de los datos mientras la redacción viene del modelo.
Qué son realmente estas dos cosas
Gender-API.com es un servicio de consulta sobre una base de nombres. 9,124,598 nombres, desglosados por el país en el que se observaron, 192 países admitidos. Envías un nombre y recibes un género, una probabilidad y el número de muestras en las que se apoya la respuesta. Nada se genera.
ChatGPT —como cualquier otro modelo de lenguaje generalista— es un generador de texto. Sabe que « Sandra » aparece en contextos femeninos porque así se comportaba la palabra en su texto de entrenamiento. Es una señal realmente útil, y con nombres frecuentes produce la etiqueta correcta. Pero en la arquitectura no hay nada que almacene cuántas Sandras eran femeninas en Portugal, así que no hay nada que citar, nada para un umbral y nada que auditar.
Ese único hecho estructural explica todas las diferencias prácticas que siguen.
CARA A CARA
Las diferencias que se mantienen sea cual sea el modelo que elijas.
| Lo que necesitas | Gender-API.com | LLM generalista |
|---|---|---|
| La misma respuesta para la misma entrada, siempre | Sí: es una consulta a una base de datos | No: el muestreo, la redacción del prompt y la versión del modelo la mueven |
| Pruebas detrás de una respuesta concreta | Número de muestras y probabilidad por resultado y por país | Ninguna; un valor de confianza, si lo pides, también es generado |
| Una cobertura que puedes garantizar por escrito | 9,124,598 nombres, 192 países | Desconocida y no declarada |
| Respuestas específicas por país | Un parámetro de país, locale o IP cambia el resultado | Solo si lo indicas en el prompt, y sigue siendo una suposición |
| El comportamiento dentro de doce meses | El mismo contrato de endpoint, publicado como OpenAPI; v1 y v2 siguen activas | Los modelos se retiran y se sustituyen; las respuestas se mueven con ellos |
| Procesamiento por lotes | 100 nombres por petición, o un CSV de hasta 10 millones de filas | Límites de contexto, división en bloques, rate limits y reintentos que escribes tú |
| Unidad de coste | Un credit por consulta, de un paquete comprado por adelantado | Tokens de entrada y de salida: varían con la longitud del prompt y los reintentos |
| Dónde se procesan los datos | Servidores en Alemania, tratamiento dentro de la UE, DPA a petición | Depende del proveedor, del plan y de la región que te asignen |
| Separar un nombre completo, extraer un nombre de una dirección de correo | Endpoints propios | Prompt engineering, y en los casos límite falla sin avisar |
| Un nombre del que nadie tiene datos | Lo dice: result_found es false, o la probabilidad es baja | Responde igualmente, con el mismo tono seguro |
| Explicar un nombre, su origen o sus variantes | No es para lo que sirve | Realmente mejor: para esto sirve un modelo de lenguaje |
¿Cuánto cuesta determinar el género de un millón de nombres?
Aquí tienes el método en lugar de una cifra de marketing, para que puedas repetir el cálculo con las tarifas de hoy.
Con una API: Una consulta es un credit. Nuestra mejor tarifa de volumen publicada sale a unos €0.35 por cada 1.000 nombres, así que un millón de nombres cuesta alrededor de €349 netos: un importe fijo, conocido antes de empezar, en una factura con IVA. Los credits de los paquetes de pago único no caducan.
Con un LLM: Pagas por token, en ambas direcciones, por cada petición y cada reintento. Agrupar varios nombres en un solo prompt reduce el coste por nombre, pero reenvías las instrucciones con cada lote, los nombres largos y las escrituras poco habituales cuestan más tokens que los cortos, y una respuesta mal formada te cuesta además el reintento. El resultado es una estimación, no una cifra que puedas poner en un presupuesto.
Siendo justos: para unos pocos miles de nombres, un modelo generalista es lo bastante barato como para que nada de esto importe. El punto de cruce llega con el volumen, y antes de lo que sugiere el precio del token, porque todo el desarrollo alrededor de los lotes, los reintentos y la validación de la salida es trabajo que no tienes que hacer contra un endpoint de consulta.
Reproducibilidad: el punto que suele decidir
Procesa una lista de clientes dos veces, obtén dos resultados distintos, y tendrás un problema que no puedes explicar: qué ejecución acertó, qué cambió y qué le dices a la persona a la que el mes pasado trataste de « Sr. » y este mes de « Sra. ».
Una consulta es determinista. El mismo nombre con el mismo país devuelve el mismo género, la misma probabilidad y el mismo número de muestras. Cuando crecen los datos de base, el número de muestras crece con ellos —de forma visible, en la respuesta— así que un cambio es algo que puedes señalar y no algo que simplemente ocurrió.
Una respuesta generada no ofrece esa garantía. La temperature, una nueva versión del modelo, un prompt de sistema reescrito, un ajuste de seguridad del que nadie te avisó: cualquiera puede darle la vuelta a un nombre dudoso, y ninguno deja rastro en tus datos.
Cada respuesta trae sus propias pruebas
Una sola petición al endpoint v2:
POST https://gender-api.com/v2/gender/by-first-name
{ "first_name": "Sandra" }{
"input": { "first_name": "Sandra" },
"details": {
"credits_used": 1,
"samples": 464,
"country": null,
"first_name_sanitized": "sandra",
"duration": "436ms"
},
"result_found": true,
"first_name": "Sandra",
"probability": 0.85,
"gender": "female"
}Dos campos hacen el trabajo que ninguna respuesta generada ofrece. « samples » indica sobre cuántas observaciones se apoya la respuesta, y « probability » la proporción de ellas que eran femeninas. Juntos te permiten poner tu propio límite —aceptar resultados por encima de 0.9 con un número decente de muestras y enviar el resto a revisión manual— en lugar de aceptar un único nivel de confianza para toda tu base de datos.
Referencia completa: la documentación de la API v2.
El mismo nombre no es el mismo género en todas partes
Andrea es predominantemente masculino en Italia y predominantemente femenino en Alemania. Jean es masculino en Francia y en gran medida femenino en los países anglófonos. Nikita es masculino en Rusia y normalmente femenino en el resto. No son casos límite exóticos: son nombres corrientes en listas de clientes corrientes.
Pregunta a un modelo generalista sin nombrar el país y obtendrás la lectura que dominaba en su texto de entrenamiento, es decir, en la práctica la anglófona. La API toma el país de forma explícita:
Una locale (en_US) o la dirección IP del visitante funcionan igual de bien, y hay un endpoint aparte para la pregunta inversa: de qué país viene un nombre.
GDPR y dónde acaban realmente los nombres que envías
Los nombres de clientes reales son datos personales, así que esto es una cuestión de compras y no una nota al pie. Lo que podemos afirmar con claridad:
- Somos una empresa alemana; todos nuestros servidores están en Alemania y los datos se procesan dentro de la UE.
- Puedes solicitar un contrato de encargado del tratamiento desde tu cuenta.
- Los registros del servidor contienen el nombre enviado y se conservan 14 días, por motivos contables.
- Los archivos CSV y Excel subidos se almacenan cifrados y se eliminan a los diez días.
- Cada compra genera una factura con IVA en regla, y los NIF-IVA de la UE se tratan correctamente.
Si un proveedor de modelos concreto es aceptable para esos mismos datos es una pregunta para tu delegado de protección de datos, pero es una pregunta más larga y hay que repetirla cada vez que el proveedor cambia de subencargado. Nuestras respuestas están en el resumen de privacidad.
Cuándo ChatGPT es la mejor opción
Esta página no merecería leerse si la respuesta fuera siempre « compra la API ». No lo es:
- Un trabajo puntual. Cuarenta nombres en una hoja de cálculo, sin pipeline, nadie lo repetirá nunca.
- Quieres el razonamiento, no la etiqueta: el origen de un nombre, sus variantes, cómo se abrevia habitualmente, cómo dirigirse con cortesía a alguien en una cultura concreta.
- Nombres que ninguna base tiene: creaciones nuevas, personajes de ficción, transliteraciones que no constan en ningún registro. Un modelo hará una suposición razonable donde una consulta simplemente no tiene nada.
- Lo que necesitas de salida es texto libre, no un campo: una línea de saludo en lugar de una columna de género.
No lo decimos por generosidad, nosotros los usamos igual: las descripciones sobre el origen de los nombres en nuestras propias páginas las genera un modelo de lenguaje, porque el texto es precisamente lo que un modelo de lenguaje hace bien.
Lo mejor es combinar los dos: deja que el modelo llame a la API
Si ya estás construyendo sobre un LLM, no tienes que elegir. Los modelos modernos llaman a herramientas, y una consulta de género es una herramienta ideal: una pregunta concreta con una respuesta objetiva para la que el modelo no tiene datos.
Publicamos un servidor MCP alojado para que cualquier asistente o agente compatible con MCP consulte la base directamente. Sus herramientas son query_first_name, query_full_name, query_email, get_country_of_origin y get_statistics.
Para tus propias definiciones de herramientas hay clientes oficiales para nueve lenguajes (PHP, Python, Node, Java, Go, Ruby, Rust, Perl, .NET), una descripción OpenAPI y, en /skill.md, una guía de implementación lista para pasar tal cual a un asistente de código.
Justo en ese reparto está la clave: el modelo decide qué hacer, la base de datos decide qué es cierto.
Preguntas frecuentes
¿Puede ChatGPT determinar el género de un nombre?
Sí, y con los nombres frecuentes suele acertar. Lo que no puede hacer es decirte sobre cuántos registros se apoya la respuesta, garantizar la misma respuesta dos veces o dar una respuesta distinta para el mismo nombre en otro país. Además responde con la misma seguridad para nombres que nunca ha visto, y es justo ese fallo el que importa a gran escala.
¿Es una API de género más precisa que un LLM?
Para un nombre que existe en una base de nombres, una consulta es exacta por construcción: refleja la distribución observada en lugar de una inferencia. Para un nombre desconocido no puedes fiarte de ninguno de los dos enfoques, pero solo la consulta lo admite. La diferencia sólida no es un único porcentaje de precisión: es que cada consulta llega con un número de muestras y una probabilidad sobre los que puedes fijar un umbral.
¿Cuánto cuesta determinar el género de un millón de nombres?
En Gender-API una consulta cuesta un credit, así que un millón de nombres es un importe fijo y conocido: unos €349 netos con nuestra mejor tarifa de volumen publicada, en una factura con IVA, acordado antes de empezar. Con un LLM pagas por token en cada petición y en cada reintento, así que la factura depende de la longitud de tu prompt y solo puede estimarse.
¿Puedo usar un LLM y una API de género juntos?
Sí, y es la mejor combinación. Dale al modelo la API como herramienta —publicamos un servidor MCP alojado exactamente para esto— y la etiqueta vendrá de la base de datos mientras la redacción viene del modelo. El modelo deja de adivinar hechos para los que no tiene datos.
¿Tiene el mismo nombre el mismo género en todos los países?
No, y ahí es donde falla un prompt sin país. Andrea es predominantemente masculino en Italia y predominantemente femenino en Alemania; Jean es masculino en Francia y en gran medida femenino en los países anglófonos. La API acepta un país, una locale o una dirección IP y responde para ese país.
¿Qué pasa con un nombre que la base de datos no conoce?
Recibes result_found: false, o una probabilidad baja con pocas muestras. Es una señal con la que puedes actuar: manda esos registros a revisión manual o recurre a un modelo. Una respuesta generativa no te da ninguna señal así.
¿Cumple Gender-API con el GDPR?
Somos una empresa alemana, todos los servidores están en Alemania y los datos se procesan dentro de la UE. Puedes solicitar un contrato de encargado del tratamiento desde tu cuenta. Los registros de peticiones, que contienen el nombre enviado, se conservan 14 días por motivos contables; los archivos CSV y Excel subidos se almacenan cifrados y se eliminan a los diez días.
PRUÉBALO CON TUS PROPIOS NOMBRES
Cada cuenta incluye 100 consultas gratis al mes, suficiente para comprobar los nombres que un LLM falló. Sin tarjeta de crédito.
Documentación de la API · Asignar género a un archivo CSV o Excel · Servidor MCP
