El siguiente proyecto presenta un sistema de clasificación automática del sentimiento aplicado a intervenciones de la Cámara de Senadores de Uruguay correspondientes al período 2010-2025. A partir del scraping de las actas oficiales del Parlamento, se construyó un corpus estructurado de 23.120 intervenciones, enriquecido con metadatos sobre partido político, sexo y legislatura. De este conjunto se seleccionó una muestra de 1.224 intervenciones, etiquetadas manualmente en tres categorías: positivo, negativo y neutro, con un alto nivel de acuerdo entre los anotadores (Krippendorff α = 0,802). Se compararon dos modelos basados en arquitectura Transformer: ROUBERTa, preentrenado con prensa uruguaya, y RoBERTuito, preentrenado con texto informal en español sin especialización regional. Ambos modelos fueron ajustados mediante transfer learning sobre el corpus parlamentario y evaluados utilizando tres semillas de aleatoriedad. RoBERTuito, mediante inferencia con sliding window, obtuvo el mejor desempeño promedio, con un F1 macro de 0,762 ± 0,029. ROUBERTa alcanzó el mayor rendimiento individual (0,812), aunque presentó una mayor variabilidad entre semillas. El análisis bootstrap pareado mostró que las diferencias entre los mejores resultados no fueron estadísticamente significativas, pero evidenció una pérdida de rendimiento de ROUBERTa al utilizar sliding windows y una ventaja de RoBERTuito bajo este esquema. Finalmente, el corpus y la muestra etiquetada se publican de forma abierta, facilitando futuras investigaciones sobre el debate legislativo uruguayo.