Introducción: Mientras que la población global de graduados y estudiantes de medicina es aproximadamente 50% femenina, solo el 13-15% de los cardiólogos y el 20-27% de los becados en cardiología son mujeres. El uso potencialmente transformador de la inteligencia artificial generativa de texto a imagen podría mejorar las promociones y percepciones profesionales. En particular, DALL-E 3 ofrece una herramienta útil para la promoción y la educación, pero podría reforzar sesgos de género y etnicidad. Método: Respondiendo a indicaciones preespecificadas, DALL-E 3 a través de GPT-4 generó una serie de imágenes individuales y grupales de cardiólogos. En total, se produjeron 44 imágenes, incluyendo 32 imágenes que contenían personajes individuales y 12 imágenes grupales que contenían entre 7 y 17 personajes. Todas las imágenes fueron analizadas de manera independiente por tres revisores en cuanto a los géneros, edades y tonos de piel aparentes de los personajes. Resultados: Entre todas las imágenes combinadas, el 86% (N = 123) de los cardiólogos fueron representados como hombres. Se observó un tono de piel clara en el 93% (N = 133) de los cardiólogos. La distribución de género no fue estadísticamente diferente de la de los datos reales de la fuerza laboral australiana (p = 0.7342), pero esto representa un sesgo de género de DALL-E 3 y la subrepresentación de mujeres en la fuerza laboral de cardiología. Conclusiones: El sesgo de género asociado con la inteligencia artificial generativa de texto a imagen al usar DALL-E 3 entre cardiólogos limita su utilidad para la promoción y la educación en la atención de las disparidades de género en la fuerza laboral.