Debido a una serie de factores en la etapa de desarrollo, los modelos de inteligencia artificial generativa (IA) no pueden estar completamente libres de sesgos. Algunos sesgos son introducidos por la calidad de los datos de entrenamiento y la influencia de los desarrolladores durante el diseño y entrenamiento de los grandes modelos de lenguaje (LLMs), mientras que otros son introducidos en los programas de visualización de texto a imagen (T2I). El sesgo y la inicialización en la interfaz entre LLMs y aplicaciones T2I no han sido examinados hasta la fecha. Este estudio analiza 770 imágenes de bibliotecarios y conservadores generadas por DALL-E a partir de indicaciones de ChatGPT-4o para investigar la fuente de los sesgos de género, etnia y edad en estas visualizaciones. Al comparar las indicaciones generadas por ChatGPT-4o con las interpretaciones visuales de DALL-E, la investigación demuestra que DALL-E introduce principalmente sesgos cuando ChatGPT-4o proporciona indicaciones no específicas. Esto destaca el potencial de la IA generativa para perpetuar y amplificar estereotipos dañinos relacionados con género, edad y etnia en roles profesionales.