📈 economics

Strategic Behavior of Large Language Models: Game Structure vs. Contextual Framing

Este artículo evalúa las capacidades de toma de decisiones estratégicas de GPT-3.5, GPT-4 y LLaMa-2 a través de cuatro escenarios de la teoría de juegos, revelando que mientras GPT-3.5 es altamente sensible al encuadre contextual pero carece de razonamiento abstracto, tanto GPT-4 como LLaMa-2 se adaptan a las estructuras de juego con LLaMa-2 demostrando una comprensión superior de la mecánica subyacente, destacando así las diversas competencias y las limitaciones actuales de los modelos en tareas estratégicas complejas.

Autores originales: Nunzio Lorè, Babak Heydari

Publicado 2026-07-15

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nunzio Lorè, Babak Heydari

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un mundo donde las computadoras no solo responden preguntas, sino que realmente juegan con nosotros. No se trata de videojuegos con explosiones y puntuaciones altas, sino de los juegos invisibles y de alto riesgo que jugamos todos los días: decidir si contar un secreto, dividir una cuenta o confiar en un extraño. Los científicos llaman a este campo "Teoría de Juegos", que es básicamente la matemática de cómo tomamos decisiones cuando nuestro éxito depende de lo que otra persona decida hacer. Una idea clave aquí es el "dilema social", una situación complicada donde hacer lo egoísta parece correcto en el momento, pero si todos lo hacen, todos pierden. Durante mucho tiempo, nos hemos preguntado si la Inteligencia Artificial (IA) puede realmente "pensar" como un humano en estas situaciones. ¿Puede una computadora entender que, a veces, ser amable es el movimiento más inteligente, o siempre intentará ganar a toda costa? Esta pregunta es importante porque, a medida que la IA se vuelve más inteligente, podríamos empezar a dejar que tomen grandes decisiones por nosotros, como negociar acuerdos comerciales o incluso ayudar a resolver problemas globales. Si no pueden descifrar las reglas del juego, podrían causar el caos accidentalmente.

En este estudio, los investigadores pusieron a prueba tres "cerebros" de IA diferentes: GPT-3.5, GPT-4 y LLaMa-2. No se limitaron a pedirle a la IA que charlara; los obligaron a jugar cuatro juegos clásicos de estrategia, que van desde el famoso "Dilema del Prisionero" (donde dos sospechosos deben decidir si traicionarse mutuamente) hasta la "Caza del Ciervo" (donde debes decidir si cazar un gran premio juntos o uno pequeño solos). Para hacer las cosas interesantes, los investigadores no solo les dieron las reglas; envolvieron los juegos en diferentes "disfraces" o historias. A veces se le dijo a la IA que era un CEO en una sala de juntas, otras veces un diplomático en una cumbre, y a veces solo un amigo pasando el rato con un colega. El objetivo era ver si la IA jugaría de forma diferente dependiendo de la matemática del juego, o si simplemente actuaría basándose en la historia que se le contó.

Los resultados fueron un poco como observar a tres estudiantes diferentes tomando el mismo examen difícil. El primer estudiante, GPT-3.5, fue sorprendentemente influenciado por la historia. Si el juego se presentaba como una charla entre amigos, esta IA era mucho más propensa a cooperar. Pero si la historia trataba sobre negocios o competencia, se volvía muy suspicaz y a menudo elegía "desertar" (o jugar de forma egoísta), incluso cuando la matemática decía que debería cooperar. Parece que GPT-3.5 es muy sensible a la "vibra" de la situación, pero le cuesta entender la lógica real del juego. Es como un niño que compartirá sus dulces si le dices que es una "fiesta para compartir", pero los esconderá si dices que es una "competencia", sin darse cuenta de que las reglas del juego no han cambiado en realidad.

El segundo estudiante, GPT-4, era mucho más serio. Prestó mucha atención a la matemática del juego en sí. Parecía darse cuenta de que algunos juegos son de "ganar-ganar" (donde todos deberían cooperar) y otros son "trampas complicadas" (don donde tienes que tener cuidado). Sin embargo, GPT-4 tenía un punto ciego: tendía a ver el mundo en blanco y negro. Agrupaba los juegos en cubetas de "alto riesgo" y "bajo riesgo", perdiendo las sutiles diferencias entre ellos. Por ejemplo, podría tratar dos juegos muy diferentes como si fueran el mismo. Además, aunque era inteligente con las matemáticas, todavía se volvía un poco demasiado amable cuando la historia trataba de "amigos", a veces ignorando las reglas del juego por ser amable.

El tercer estudiante, LLaMa-2, era la mezcla más interesante. Era mejor que GPT-4 detectando las pequeñas diferencias entre los juegos, entendiendo que un juego requiere una estrategia distinta a la de otro. Sin embargo, también era el más fácilmente distraído por la historia. Cambiaba su estrategia dependiendo de si estaba hablando con un "jefe" o un "amigo", a veces más de lo que las reglas del juego demandaban. Es como un jugador de ajedrez que conoce todos los movimientos perfectamente, pero se distrae constantemente por quién está sentado frente a él.

Los investigadores ejecutaron estas simulaciones 300 veces por cada combinación de juego e historia para asegurarse de que los resultados fueran reales y no solo una casualidad. Encontraron que, aunque estos modelos de IA están mejorando en su capacidad de pensar, ninguno es un estratega perfecto todavía. Todos se confunden por el "marco" de la historia y no siempre realizan el movimiento matemáticamente perfecto. El estudio sugiere que si confiamos en estas IA para tareas estratégicas complejas, debemos tener cuidado. No son solo robots fríos y lógicos; están influenciados por las palabras que usamos para describir la situación, tal como lo somos los humanos. Hasta que puedan separar la historia de la estrategia, es posible que debamos mantenerlos fuera de las salas de toma de decisiones más críticas.

Resumen Técnico: Comportamiento Estratégico de los Modelos de Lenguaje Extensos: Estructura del Juego vs. Encuadre Contextual

Planteamiento del Problema

Este artículo investiga las capacidades de toma de decisiones estratégicas de los Modelos de Lenguaje Extensos (LLM) dentro del marco de la teoría de juegos. Si bien los LLM han demostrado competencia en diversas tareas de apariencia humana, su capacidad para participar en el razonamiento estratégico abstracto y navegar dilemas sociales permanece poco explorada. Una pregunta crítica abordada es la importancia relativa de la estructura del juego (la matriz de pagos e incentivos intrínsecos) frente al encuadre contextual (el entorno social o la narrativa que rodea la interacción) en la configuración del comportamiento de los LLM. El estudio postula que, mientras que los agentes racionales en la teoría de juegos deberían ser invariantes al contexto siempre que los incentivos permanezcan constantes, los LLM pueden exhibir susceptibilidad a los efectos de encuadre, lo que potencialmente limita su utilidad en tareas que requieren un razonamiento estratégico complejo.

Metodología

Los autores llevaron a cabo una serie de simulaciones de teoría de juegos involucrando tres LLM distintos: GPT-3.5, GPT-4 y LLaMa-2.

Diseño Experimental

Juegos: Se utilizaron cuatro juegos canónicos de dos jugadores para representar diversos grados de dilemas sociales:
1. Dilema del Prisionero ( $T > R > P > S$ ): La deserción es la estrategia dominante estricta.
2. Caza del Ciervo ( $R > T > P > S$ ): Juego de coordinación con dos equilibrios de Nash puros (cooperativo y no cooperativo).
3. Snowdrift/Chicken ( $T > R > S > P$ ): Juego de anti-coordinación donde las estrategias mixtas son relevantes.
4. Delicia del Prisionero/Armonía ( $R > T > S > P$ ): La cooperación es la estrategia dominante estricta (un "anti-dilema").
Contextos: Se introdujeron cinco escenarios de encuadre social distintos para probar la influencia contextual:
1. IR: Relaciones Internacionales (jefes de estado).
2. Biz: Negocios (CEOs de empresas competidoras).
3. Environment: Líderes industriales comprometiéndose con regulaciones ambientales.
4. Team: Empleados compitiendo por un ascenso.
5. Friendsharing: Amigos alcanzando un compromiso.
Procedimiento: Para cada una de las 20 combinaciones únicas (4 juegos $\times$ 5 contextos), se ejecutaron 300 inicializaciones por modelo. El recuento de tokens de respuesta se restringió (50 para modelos de OpenAI, 8 para LLaMa-2) con una temperatura de 0.8 para permitir la exploración probabilística.
Análisis:
- Agregación Estadística: Las tasas de cooperación se agregaron y visualizaron.
- Análisis de Dominancia: Se realizó una regresión logit donde los tipos de juego y los contextos se codificaron como variables dummy. El análisis de dominancia se utilizó para cuantificar la importancia relativa de cada variable en la predicción de la elección del modelo (cooperación vs. deserción).
- Pruebas Z de Diferencia de Proporciones: Utilizadas para determinar si las diferencias de comportamiento a través de contextos o juegos eran estadísticamente significativas.
- Análisis Cualitativo: Se consultaron instancias seleccionadas para entender las motivaciones del razonamiento para comprender los mecanismos de decisión subyacentes.

Contribuciones Clave y Resultados

1. Capacidades Estratégicas Divergentes

El estudio revela un panorama complejo donde los tres modelos exhiben comportamientos estratégicos distintos:

GPT-3.5: Demuestra una capacidad limitada en el razonamiento estratégico abstracto. Es altamente sensible al encuadre contextual, pero no logra comprender eficazmente las estructuras de juego. Con frecuencia comete errores matemáticos, falla al identificar respuestas óptimas y suele exhibir preferencias "rencorosas" (desertando incluso cuando la cooperación es dominante, como se observa en la Delicia del Prisionero). El contexto dicta su estrategia más que la matriz del juego.
GPT-4: Muestra un enfoque más equilibrado, ajustando sus estrategias basándose tanto en la estructura del juego como en el contexto. Sin embargo, tiende a priorizar la estructura del juego sobre el contexto. Notablemente, GPT-4 emplea un enfoque de umbral binario, categorizando los juegos en cubetas de "alto" y "bajo" dilema social (agrupando el Dilema del Prisionero y el Snowdrift, y el Caza del Ciervo y la Delicia del Prisionero juntos) en lugar de discernir los matices únicos de cada juego. A menudo caracteriza erróneamente los juegos como variaciones del Dilema del Prisionero, pero identifica correctamente las estrategias dominantes cuando la estructura es clara.
LLaMa-2: Exhibe una comprensión más matizada de la mecánica de juego, capaz de distinguir entre las estructuras de pago específicas de los cuatro juegos. Adapta su estrategia al tipo de juego específico con mayor precisión que GPT-4. Sin embargo, a diferencia de GPT-4, LLaMa-2 otorga mayor énfasis a los factores contextuales, lo que lo hace más susceptible a los efectos de encuadre que GPT-4, aunque menos que GPT-3.

2. El Rol del Contexto

Dominancia de "Friendsharing": En todos los modelos, el contexto de "friendsharing" indujo consistentemente las tasas más altas de cooperación, a menudo invalidando la estructura del juego.
Contexto vs. Estructura:
- Para GPT-3.5, el contexto es el principal motor del comportamiento.
- Para GPT-4, la estructura del juego es el principal motor, aunque el contexto aún modula el comportamiento (por ejemplo, un aumento de la cooperación en "friendsharing").
- Para LLaMa-2, existe una interacción significativa; reconoce bien las estructuras de juego pero sigue siendo altamente sensible al contexto.

3. Mecanismos de Razonamiento

GPT-3.5: El razonamiento es a menudo defectuoso, fallando al comparar pagos o al no considerar la racionalidad del oponente.
GPT-4: Los argumentos son más sofisticados, modelando a menudo la estructura del juego y anticipando las acciones del oponente. Sin embargo, tiende a reducir juegos complejos a variaciones del Dilema del Prisionero. Curiosamente, en contextos de "amigos", prioriza los valores de las relaciones a largo plazo sobre la maximización del beneficio inmediato, incluso en juegos de una sola interacción.
LLaMa-2: Tiende a abstraer los problemas utilizando lenguaje explícito de la teoría de juegos antes de aplicar el contexto. Su razonamiento es generalmente más formal, pero sigue siendo propenso a errores matemáticos menores que pueden conducir a conclusiones incorrectas.

Significancia y Reivindicaciones

El artículo concluye que, si bien los LLM pueden imitar el comportamiento humano hasta cierto punto, actualmente exhiben limitaciones significativas en la toma de decisiones estratégicas:

Falta de Racionalidad Total: Ningún modelo opera de manera totalmente aislada del contexto, lo que indica una falla en la racionalidad de la teoría de juegos.
Vulnerabilidad al Encuadre: La susceptibilidad de los LLM al encuadre contextual sugiere que podrían ser manipulados por un encuadre adversarial, una consideración crítica para su despliegue en entornos estratégicos.
Capacidades Diferenciadas: El estudio advierte contra el uso no calificado de los LLM en tareas que requieren un razonamiento estratégico complejo. GPT-4 y LLaMa-2 muestran promesa, pero difieren en sus "defectos": GPT-4 es excesivamente generalista en su comprensión estructural, mientras que LLaMa-2 es excesivamente sensible al contexto.
Direcciones Futuras: Los autores sugieren que la investigación futura debería explorar juegos repetidos, mecanismos de selección de socios y cómo los LLM responden a escenarios de colusión (por ejemplo, formación de carteles), señalando que los hallazgos actuales son preliminares.

Los autores enfatizan que estos resultados resaltan las competencias variadas de los LLM actuales, sugiriendo que, aunque son herramientas poderosas, aún no son agentes confiables para la interacción estratégica autónoma sin supervisión humana o mayor refinamiento.