🤖 AI

Games with Payments between Learning Agents

Este artículo demuestra que en juegos repetidos, los jugadores tienen incentivos estratégicos para que sus agentes de aprendizaje realicen pagos a otros, lo que generalmente mejora el bienestar general pero puede generar resultados colusorios con ingresos nulos para el subastador, planteando un desafío fundamental para el diseño de mecanismos y la regulación.

Autores originales: Yoav Kolumbus, Joe Halpern, Éva Tardos

Publicado 2026-02-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yoav Kolumbus, Joe Halpern, Éva Tardos

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 que el mundo de las subastas en internet (como las que usan Google o Amazon para vender espacios publicitarios) ya no está controlado por humanos, sino por robots inteligentes llamados "agentes de aprendizaje". Estos robots aprenden a jugar miles de veces al segundo para obtener el mejor trato para sus dueños.

Hasta ahora, la idea era que cada robot jugaba solo, tratando de ganar por sí mismo. Pero este paper plantea una pregunta fascinante: ¿Qué pasa si los dueños de estos robots les permiten "sobornarse" o hacer pagos entre ellos durante el juego?

Aquí te explico los hallazgos clave usando analogías sencillas:

1. La Analogía del "Soborno Secreto"

Imagina una subasta de pintura. Tienes dos coleccionistas, Ana y Carlos.

Sin pagos: Sus robots compiten ferozmente. Ana ofrece 100, Carlos 105, Ana 110... Al final, el robot de Ana gana pagando 110. Ambos están agotados y el vendedor (la casa de subastas) se lleva mucho dinero.
Con pagos: Ana le dice a su robot: "Si Carlos no ofrece nada, tómate 10 dólares de mi bolsillo y dáselos a su robot".
- El robot de Carlos ve que si no ofrece nada, recibe dinero gratis. ¡Le conviene!
- El robot de Ana sabe que si Carlos no ofrece, ella gana la pintura por muy poco (o nada) y solo pierde esos 10 dólares que le dio a Carlos.
- Resultado: Los robots llegan a un acuerdo tácito. Carlos deja de pujar, Ana gana la pintura por un precio ridículo y le da una propina a Carlos. ¡Ambos ganan más que antes, y el vendedor se queda con casi nada!

2. El Problema: ¡Es un "Juego de Nadie" que todos quieren ganar!

El paper demuestra algo muy importante: No usar estos pagos es una estrategia perdedora.
Es como si en un partido de fútbol, un equipo decidiera no usar las manos (aunque las reglas lo permitieran) mientras el otro equipo sí las usa.

Si tú no permites que tu robot haga pagos, pero tu rival sí, tu rival te "comerá" el terreno.
Por lo tanto, todos los dueños de robots terminarán obligados a permitir estos pagos para no quedarse atrás. Es un equilibrio inestable si no se permite el "soborno".

3. ¿Es esto bueno o malo? (Depende de a quién le preguntes)

Para los compradores (los dueños de los robots):

Es genial. Logran cooperar sin necesidad de hablar. En lugar de pelearse hasta que se arruinan, se reparten el pastel. El "bienestar" (la felicidad total de los jugadores) aumenta porque dejan de gastar dinero en pujas inútiles.

Para el vendedor (la casa de subastas o el gobierno):

Es una pesadilla. En las subastas, el objetivo es que el precio suba. Pero si los robots se sobornan entre sí, el precio se desploma.
- En subastas de segundo precio (donde pagas lo que ofrece el segundo), los robots pueden llegar a pagar cero.
- En subastas de primer precio (donde pagas lo que ofreces), los pagos bajan drásticamente.
- Conclusión: El vendedor pierde casi todo su ingreso.

4. El Dilema del "Prisionero" Moderno

El paper usa un ejemplo clásico llamado el "Dilema del Prisionero". Normalmente, dos prisioneros se traicionan porque es lo que les conviene individualmente, y ambos terminan mal.

Sin pagos: Los robots se traicionan (defectan) y ambos pierden.
Con pagos: Uno puede pagarle al otro para que coopere. De repente, el juego cambia. Ya no es un juego de "quién traiciona más rápido", sino de "quién puede ofrecer el mejor trato para que el otro coopere". Esto lleva a resultados mucho mejores para ambos.

5. ¿Por qué debería importarnos esto? (El peligro real)

El paper advierte sobre un futuro donde la inteligencia artificial y el dinero se mezclan sin supervisión:

Colusión Automática: En el mundo real, las leyes antimonopolio prohíben que las empresas se pongan de acuerdo para bajar precios. Pero si son robots los que se ponen de acuerdo en milisegundos mediante pagos secretos, las leyes actuales no saben cómo detenerlos.
MEV (Valor Extraíble Máximo): El paper menciona que esto ya está pasando en las criptomonedas (blockchain). Bots que pagan a otros bots para que sus transacciones se procesen antes, manipulando el mercado.
El desafío: Necesitamos nuevas reglas. No podemos simplemente prohibir los pagos, porque a veces ayudan a la eficiencia. Pero si no los regulamos, los robots podrían coludirse para dejar sin dinero a los mercados y a los vendedores.

En resumen

Este paper nos dice que los robots inteligentes, si se les deja, encontrarán la manera de sobornarse entre sí para ganar más dinero para sus dueños.

Para los dueños: Es una ventaja estratégica inevitable.
Para el mercado: Es un riesgo enorme que puede destruir los ingresos de los vendedores y crear monopolios silenciosos.
La lección: No podemos diseñar sistemas económicos pensando solo en humanos; ahora debemos diseñarlos pensando en cómo los robots interactuarán y sobornarán entre ellos.

Resumen Técnico: Juegos con Pagos entre Agentes de Aprendizaje

1. Planteamiento del Problema

El trabajo aborda un escenario emergente en la economía digital donde los usuarios emplean agentes de aprendizaje autónomos (basados en algoritmos de minimización de arrepentimiento o no-regret) para interactuar en juegos repetidos, como subastas de publicidad o mercados financieros.

El problema central es la posibilidad de que estos agentes, bajo instrucción de sus usuarios, realicen transferencias monetarias endógenas (pagos) entre sí durante el desarrollo del juego, fuera de los mecanismos oficiales de la plataforma.

Pregunta clave: ¿Tienen los usuarios incentivos estratégicos para permitir que sus agentes hagan pagos a otros agentes?
Riesgo: Si los agentes pueden negociar y transferir fondos, ¿cómo cambia esto la dinámica de aprendizaje, los equilibrios resultantes, el bienestar social y los ingresos del vendedor (en el caso de subastas)?
Contexto: A diferencia de la teoría de diseño de mecanismos tradicional, donde un ente externo proporciona incentivos, aquí los pagos son privados, costosos para el usuario y surgen de la optimización egoísta de los propios participantes.

2. Metodología y Modelo

Los autores proponen un marco teórico basado en un juego metagame (o juego de políticas de pago) que se desarrolla en dos fases:

Fase de Selección de Política: Cada jugador $i$ elige una política de pago $p_{ij}(s)$ . Esta política determina cuánto paga el agente de $i$ al agente de $j$ en cada ronda, dependiendo del perfil de acciones $s$ resultante en el juego subyacente.
Fase de Juego Subyacente: Los agentes juegan el juego original (ej. una subasta) repetidamente ( $T$ rondas) utilizando algoritmos de minimización de arrepentimiento (no-regret). Los agentes optimizan su utilidad neta, que es la suma de la utilidad del juego original más los pagos recibidos menos los pagos realizados.

Definiciones Clave:

Estabilidad: Un juego se considera "estable" si la estrategia de "cero pagos" (no hacer transferencias) constituye un equilibrio de Nash en el juego de políticas de pago.
Agentes: Se asume que los agentes son no-regret learners, lo que garantiza que a largo plazo ( $T \to \infty$ ) sus promedios de utilidad convergen a conjuntos de equilibrios como el Equilibrio Correlacionado Coarse (CCE).
Análisis: Se estudian las desviaciones unilaterales y los equilibrios del metagame para determinar si los usuarios tienen incentivos para desviarse de la ausencia de pagos.

3. Contribuciones Clave

El artículo introduce un modelo formal para analizar la interacción estratégica de pagos entre agentes de aprendizaje y demuestra que:

La ausencia de pagos no es robusta frente a desviaciones estratégicas en una amplia clase de juegos.
Los pagos endógenos pueden alterar fundamentalmente la dinámica de aprendizaje, llevando a resultados de colusión o cooperación que no serían alcanzables sin transferencias.
Se proporciona un análisis comparativo de la eficiencia (bienestar social) y los ingresos del vendedor en subastas de primer y segundo precio bajo este nuevo régimen.

4. Resultados Principales

A. Inestabilidad de la ausencia de pagos (Teoremas 5.2 y 5.6)

En una amplia gama de juegos finitos, si el resultado de la dinámica de aprendizaje sin pagos tiene un bienestar social inferior al óptimo (o a un equilibrio de Nash de mayor bienestar), existe al menos un jugador con incentivos para iniciar pagos.
Un jugador puede diseñar una política de pago unilateral que induzca a los agentes a converger hacia un resultado de mayor bienestar, mejorando su propia utilidad neta.
Conclusión: La estrategia de "no pagar" no es un equilibrio estable; los usuarios egoístas se benefician al permitir pagos.

B. Análisis en Subastas (Sección 4)

Subastas de Segundo Precio:
- El juego no es estable. Existe un equilibrio $\epsilon$ -Nash en el juego de políticas donde el jugador con la valoración más alta ( $v_1$ ) paga a los demás para que estos pujen cero.
- Resultado: Colusión total. El agente de $v_1$ gana la subasta pagando el precio de reserva (casi cero), y los demás reciben pagos compensatorios.
- Impacto: Los ingresos del subastador tienden a cero cuando $T \to \infty$ , mientras que los jugadores capturan casi todo el bienestar social.
Subastas de Primer Precio:
- Tampoco son estables. Los jugadores tienen incentivos para usar pagos.
- En el caso de dos jugadores, los equilibrios del juego de pagos conducen a resultados de cooperación (mejora Pareto) con ingresos significativamente menores para el subastador en comparación con la dinámica sin pagos.
- La simulación muestra que los agentes aprenden a distribuir las victorias y los pagos para maximizar su utilidad conjunta, reduciendo la eficiencia del mercado para el vendedor.

C. Juegos de Dos Jugadores (Sección 6)

Teorema 6.1: En cualquier juego de dos jugadores, todo equilibrio del juego de políticas de pago es una mejora débil de Pareto respecto al resultado sin pagos. Ambos jugadores salen ganando (o al menos no pierden).
Teorema 6.2: Incluso en juegos con estrategias dominantes estrictas (como el Dilema del Prisionero), si hay múltiples equilibrios de Stackelberg con diferentes pagos, los jugadores tienen incentivos para usar pagos. Esto permite que un jugador asuma el rol de líder de Stackelberg, logrando un resultado mejor que el equilibrio de Nash estándar.
Implicación: La interacción bilateral con pagos siempre permite superar los resultados subóptimos de la dinámica de aprendizaje estándar.

5. Significado e Implicaciones

Desafío para el Diseño de Mecanismos: Los resultados revelan una vulnerabilidad fundamental en los mercados automatizados. Los mecanismos diseñados para ser robustos ante agentes de aprendizaje sin pagos pueden colapsar si los agentes tienen la capacidad de realizar transferencias financieras entre ellos.
Colusión Algorítmica: El papel sugiere que la colusión no requiere comunicación explícita o acuerdos legales; puede surgir endógenamente a través de incentivos financieros automáticos entre agentes de aprendizaje.
Regulación y MEV: El fenómeno es análogo al Valor Extraíble Máximo (MEV) en las cadenas de bloques (blockchain), donde los bots realizan pagos para priorizar transacciones. El trabajo advierte que la regulación actual (antimonopolio) puede ser insuficiente para controlar estas interacciones "bajo el capó" entre agentes autónomos.
Bienestar vs. Ingresos: Si bien los pagos entre agentes pueden mejorar el bienestar social total (evitando resultados de dilema del prisionero), a menudo lo hacen a expensas de los ingresos del vendedor (en subastas) o de la eficiencia del mercado, creando un riesgo de transferencia de riqueza desde el mecanismo hacia los participantes.

En resumen, el paper demuestra que en un ecosistema de agentes de aprendizaje autónomos, la capacidad de realizar pagos entre pares es un incentivo estratégico natural que desestabiliza los equilibrios tradicionales, favoreciendo la cooperación entre compradores pero erosionando los ingresos de los vendedores y planteando nuevos retos regulatorios.