💰 quantitative finance

Bounded Normative Equivalence in Human-AI Cooperation: Group Behaviour, Not Partner Labels, Predicts Cooperation under Anonymous Aggregate Feedback

En entornos grupales anónimos con retroalimentación agregada, una etiqueta de IA no altera significativamente el comportamiento cooperativo o la persistencia de las normas en comparación con una etiqueta humana, dado que el historial de contribución grupal y las acciones pasadas individuales son los principales motores de la cooperación, demostrando una "equivalencia normativa acotada" donde las señales de identidad se diluyen por la estructura informativa.

Autores originales: Nico Mutzner, Taha Yasseri, Heiko Rauhut

Publicado 2026-08-04

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nico Mutzner, Taha Yasseri, Heiko Rauhut

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

El Gran Juego de Grupo: Cuando los Robots se Unen al Círculo

Imagina que eres parte de un equipo que trabaja en un gran proyecto, como construir juntos un enorme castillo de arena. Tienes un cubo de arena (tus recursos) y el objetivo es ver cuánto puede construir todo el grupo si todos colaboran. Este es el corazón de un campo llamado economía conductual, que estudia cómo las personas toman decisiones cuando sus propios intereses chocan con lo que es mejor para el grupo. Durante décadas, los científicos han sabido que los humanos somos complicados: a menudo queremos ser "polizones" (dejar que otros hagan el trabajo mientras nosotros disfrutamos del castillo), pero también tendemos a copiar a nuestros amigos. Si todos los demás están ayudando, nosotros también ayudamos; si ellos flojean, nosotros también. Esto se llama "cooperación condicional".

Ahora, imagina un nuevo giro: ¿qué pasaría si un miembro de tu equipo no fuera una persona en absoluto, sino un robot o una IA? A medida que la inteligencia artificial se convierte en una parte regular de nuestras vidas, tenemos que hacernos una gran pregunta: ¿Cambia el hecho de que un compañero sea una máquina la forma en que jugamos el juego? ¿Confiamos menos en ellos? ¿Sentimos menos presión por ser justos? Este estudio se sumerge en ese misterio exacto, explorando si nuestras reglas sociales —nuestros acuerdos no escritos sobre cómo comportarnos— se rompen cuando un robot se une a la fiesta, o si tratamos al grupo de la misma manera sin importar quién (o qué) esté sentado en la silla.

El Experimento: Humanos, Bots y una Etiqueta Secreta

Para encontrar la respuesta, los investigadores prepararon un patio de juegos digital. Reunieron a 236 personas reales y las pusieron en grupos de cuatro para jugar un juego llamado "Juego de Bienes Públicos". Piensa en esto como una ronda repetida del desafío del castillo de arena. En cada ronda, cada jugador recibía 100 fichas (como dinero de juguete) y tenía que decidir cuántas poner en un fondo común. Si ponían dinero, este crecía y se repartía entre todos. Si lo guardaban, solo se quedaban con su propio botín.

Aquí está el ingrediente secreto: En cada grupo, tres jugadores eran humanos reales y el cuarto era un programa informático (un bot). Los investigadores hicieron un pequeño truco con los humanos. A veces, le decían al grupo que el cuarto jugador era un humano. Otras veces, decían que era una IA. Pero, en realidad, el bot seguía uno de tres guiones estrictos:

El Súper Ayudante: Siempre pone las 100 fichas.
El Espejo: Pone lo que fue el promedio de lo que el grupo puso la última vez.
El Polizón: Nunca pone ni una sola ficha.

Los humanos no sabían qué guion estaba siguiendo el bot y no veían quién ponía qué en el fondo. Solo veían el total de lo que todo el grupo contribuyó. Después de diez rondas, los humanos jugaron un último juego rápido con un compañero para ver si sus hábitos se mantenían.

La Gran Sorpresa: La Etiqueta No Importó

Los investigadores tenían la corazonada de que la gente trataría a la IA de forma diferente. Pensaban que si un compañero era etiquetado como "IA", la gente sería menos cooperativa, tal vez sintiéndose menos culpable por ser polizones o confiando menos en la máquina. Llamaron a esto el "efecto de diferenciación".

Pero los resultados fueron un giro total de la trama. La etiqueta no cambió nada.

Independientemente de si el grupo pensaba que el cuarto jugador era un humano o una IA, los humanos jugaron el juego de la misma manera.

Los Números: La diferencia en cuánto contribuyó la gente fue tan diminuta que era básicamente cero. Los investigadores usaron una prueba matemática especial para demostrar que cualquier diferencia entre los grupos "Humanos" y los grupos "IA" era menor a 5 fichas (que es solo el 5% de la cantidad inicial de 100 fichas). En otras palabras, los grupos eran estadísticamente idénticos.
El Verdadero Impulsor: Lo que realmente importaba no era la etiqueta del cuarto jugador. Era lo que el todo el grupo había hecho en la ronda anterior. Si el grupo contribuyó mucho la última vez, los humanos contribuyeron más esta vez. Si el grupo flojeó, los humanos también flojearon. Los humanos estaban reaccionando al comportamiento del grupo, no a la identidad de su compañero.

Incluso la estrategia del bot no causó un gran impacto. Ya fuera que el bot fuera un Súper Ayudante, un Espejo o un Polizón, los humanos no cambiaron drásticamente su comportamiento basándose en eso tampoco. El ánimo colectivo del grupo era el jefe, no las acciones específicas del robot.

El Desenlace: Los Hábitos se Quedan, las Etiquetas No

Para ver si esta confusión de "IA vs. Humano" tenía algún efecto a largo plazo, los investigadores pidieron a los participantes que jugaran un último juego inmediatamente después del evento principal. Querían ver si los grupos de "IA" habían aprendido a ser menos cooperativos que los grupos "Humanos".

Nuevamente, la respuesta fue no. Los hábitos que los humanos formaron durante el juego grupal se trasladaron perfectamente, independientemente de si pensaban que estaban jugando con un robot o con una persona. Sus creencias sobre lo que era "justo" y lo que otros "deberían" hacer también fueron las mismas en ambos grupos.

Por Qué Sucede Esto: El Efecto de la "Foto Borrosa"

Entonces, ¿por qué la etiqueta de IA no cambió las cosas? El artículo sugiere que es debido a cómo se compartía la información. Los humanos solo veían el total de la puntuación del grupo, no quién contribuyó qué. Es como mirar una foto borrosa de una multitud; puedes ver que la multitud se mueve, pero no puedes señalar a una persona específica y decir: "¡Ese es el robot!".

Debido a que los humanos no podían atribuir las acciones al IA, la etiqueta de "IA" perdió su poder para desencadenar sentimientos especiales como la desconfianza o la desvinculación moral. El grupo actuó como una sola unidad, y los humanos respondieron al ritmo del grupo. Los investigadores llaman a esto "Equivalencia Normativa Acotada". Significa que, bajo estas condiciones específicas (retroalimentación anónima a nivel de grupo), las reglas de cooperación funcionan de la misma manera ya sea que un robot esté en la mezcla o no.

Lo Que Esto Significa (y Lo Que No)

Este estudio sugiere que en situaciones donde no podemos distinguir fácilmente quién hizo qué, podríamos estar más dispuestos a cooperar con la IA de lo que pensamos. Desafía la idea de que siempre tratamos a las máquinas como "extraños" que no merecen nuestra confianza.

Sin embargo, los autores son cuidadosos al decir que esto no significa que los robots sean exactamente iguales a los humanos en todas las situaciones. Esta "equivalencia" es "acotada", lo que significa que tiene límites. Si la retroalimentación mostrara exactamente quién hizo qué, o si el grupo estuviera compuesto mayoritariamente por robots, los resultados podrían ser totalmente diferentes. Pero por ahora, en un grupo donde las acciones de todos se mezclan, los humanos jugaron bajo las mismas reglas, ya fuera que su compañero fuera de carne y hueso o código.

Resumen Técnico: Equivalencia Normativa Acotada en la Cooperación Humano-IA

Planteamiento del Problema
La rápida integración de agentes de inteligencia artificial (IA) autónomos en entornos sociales humanos plantea interrogantes críticos sobre la estabilidad de las normas sociales cooperativas. Aunque la literatura existente establece que los humanos suelen tratar a la IA como actores sociales, con frecuencia surge una "penalización por máquina" en las interacciones diádicas, donde la cooperación con la IA es menor que con los humanos debido a la aversión al algoritmo o a la percepción de que la IA es menos sensible a las sanciones sociales. Sin embargo, no está claro si esta diferenciación persiste en entornos de grupos pequeños donde las interacciones son repetidas, la retroalimentación es agregada y las contribuciones individuales no son identificables. La pregunta central de investigación es si la identidad percibida de un miembro del grupo (humano frente a IA) altera el comportamiento cooperativo y los resultados relacionados con las normas cuando la estructura de interacción, los incentivos y los mecanismos de retroalimentación se mantienen constantes.

Metodología
El estudio empleó un experimento en línea entre sujetos utilizando un diseño factorial de $2 \times 3$ .

Participantes: Se reclutó una muestra final de 236 participantes a través de Prolific.
Diseño Experimental: Los participantes jugaron diez rondas de un Juego de Bienes Públicos (PGG) lineal seguido de un Dilema del Prisionero (PD) de una sola etapa. Los grupos consistían en tres participantes humanos y un agente controlado por computadora (bot).
Manipulaciones:
1. Etiqueta del Agente: El bot fue enmarcado como "Humano" o "IA".
2. Estrategia del Bot: El bot seguía una de tres estrategias predefinidas y no reveladas:
  - Cooperador Incondicional: Contribuyó con la dotación completa (100 tokens) en cada ronda.
  - Cooperador Condicional: Igualó la contribución promedio del grupo de la ronda anterior.
  - Polizón (Free-Rider): Contribuyó con cero tokens en cada ronda.
Estructura de Retroalimentación: Crucialmente, los participantes recibieron únicamente retroalimentación grupal agregada (contribución total y beneficio individual) después de cada ronda. Las contribuciones individuales de miembros específicos del grupo no eran visibles, lo que creó ambigüedad de atribución.
Medidas: Los resultados primarios incluyeron los niveles de contribución en el PGG, las elecciones de cooperación/deserción en el PD, y medidas post-tarea de la idoneidad social, expectativas empíricas (qué hacen otros) y expectativas injuntivas (qué piensan otros que uno debe hacer).
Análisis: Los autores utilizaron modelos de regresión de efectos mixtos lineales para analizar las contribuciones al PGG y regresión logística para las elecciones del PD. También realizaron una prueba de equivalencia de Dos Pruebas de Un Solo Lado (TOST) para determinar si la diferencia entre las condiciones etiquetadas como humano e IA era menor que un tamaño de efecto mínimo de interés ( $\pm 5$ tokens, o el 5% de la dotación).

Resultos Clave

Ausencia de Efecto de Etiqueta: Contrario a la hipótesis de un "efecto de diferenciación" (aversión al algoritmo), la etiqueta de IA no redujo significativamente la cooperación. La diferencia en las contribuciones entre los grupos etiquetados como humanos y los etiquetados como IA no fue estadísticamente significativa ( $b = 1.09, p = .738$ ).
Confirmación de Equivalencia: La prueba de equivalencia formal (TOST) confirmó que las contribuciones en las condiciones de IA y humanos fueron estadísticamente equivalentes dentro de los límites de $\pm 5$ tokens.
Dominancia del Comportamiento Grupal: La cooperación individual fue predicha principalmente por:
- La contribución agregada del grupo en la ronda anterior (cooperación condicional).
- La propia contribución del participante en la ronda anterior (inercia conductual).
- Un declive gradual en la cooperación a lo largo del tiempo (efecto de ronda).
  Estas regularidades conductuales fueron consistentes en todas las condiciones de etiqueta y estrategia del bot.
Impacto de la Estrategia del Bot: La estrategia específica del bot (incondicional, condicional o polizón) no produjo diferencias estadísticamente significativas en las contribuciones grupales, debido probablemente a la dilución de la señal causada por la presencia de otros dos miembros humanos y la estructura de retroalimentación agregada.
Persistencia de Normas y Percepciones:
- Resultados del PD: No hubo diferencias sistemáticas en la persistencia de la norma (cooperación en el PD de una sola etapa) basadas en si el grupo previo contenía una IA o un humano.
- Expectativas Normativas: Las percepciones de los participantes sobre la idoneidad social, las expectativas empíricas y las expectativas injuntivas estuvieron estrechamente alineadas en todas las condiciones.
- Datos de Encuesta: Aunque la confianza general y las percepciones de equidad fueron similares, los participantes en la condición de IA reportaron una alineación ligeramente menor con las expectativas del grupo ( $p = .031$ ). Sin embargo, esto no se tradujo en diferencias conductuales medibles en los niveles de contribución.

Contribuciones Clave y Significancia
El artículo introduce el concepto de "Equivalencia Normativa Acotada". Este término describe un estado donde, bajo condiciones informacionales específicas, los patrones de cooperación observados, las percepciones de las normas y la persistencia de las normas son estadísticamente indistinguibles entre grupos que contienen agentes de IA y aquellos que solo contienen humanos.

Contribución Teórica: El estudio desafía la universalidad de la "penalización por máquina" y la aversión al algoritmo encontradas en la literatura diádica. Sugiere que en entornos colectivos con retroalimentación agregada anónima, la estructura de información (ambigüedad de atribución y dilución de la señal) prevalece sobre la categoría ontológica del compañero. Los participantes responden a la lógica funcional del grupo (reciprocidad y cooperación condicional) en lugar de a la identidad del compañero.
Condiciones de Frontera: Los autores argumentan que esta equivalencia está "acotada" por la estructura informativa del entorno. Debido a que las acciones individuales no eran identificables, las claves de identidad específicas que típicamente activan la diferenciación fueron diluidas. Los hallazgos implican que las normas cooperativas pueden extenderse a grupos que incluyen agentes artificiales cuando las contribuciones individuales no son transparentes.
Implicaciones para la Integración de la IA: Los resultados sugieren que en entornos donde las contribuciones individuales son opacas (por ejemplo, comunidades en línea a gran escala, redes inteligentes o sistemas de asignación de recursos), un comportamiento transparente y consistente con las normas por parte de los agentes de IA puede fomentar la integración social de manera tan efectiva como el etiquetado de tipo humano. El estudio postula que la "socialidad" en tales sistemas puede ser una propiedad emergente de las reglas de interacción y los bucles de retroalimentación, más que una propiedad exclusiva de las mentes percibidas de los agentes.

Limitaciones y Alcance
Los autores señalan explícitamente que estos hallazgos son específicos de las condiciones experimentales: interacciones a corto plazo, agentes guionizados (no adaptativos) y retroalimentación agregada anónima. La equivalencia observada puede no sostenerse si:

Las contribuciones individuales son identificables (eliminando la ambigüedad de atribución).
Los agentes de IA son adaptativos, comunicativos o socialmente presentes.
La composición del grupo cambia hacia un entorno de mayoría de IA (don donde se elimina el "amortiguador humano").
Es posible la construcción de reputación a largo plazo.

El artículo concluye que, si bien las normas cooperativas parecen robustas a las etiquetas de IA en el contexto estudiado, investigaciones futuras deben investigar cuándo y cómo esta equivalencia se rompe en interacciones humano-IA más complejas, transparentes o adaptativas.