🤖 AI

Emulating Aggregate Human Choice Behavior and Biases with GPT Conversational Agents

Este estudio demuestra que los agentes conversacionales basados en modelos de lenguaje como GPT-4 y GPT-5 pueden emular con precisión los sesgos cognitivos humanos y su dinámica en interacciones contextuales, lo cual es fundamental para el diseño de sistemas de IA adaptativos y conscientes de los sesgos.

Autores originales: Stephen Pilli, Vivek Nallur

Publicado 2026-02-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Stephen Pilli, Vivek Nallur

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

🧠 ¿Pueden los Robots "Chatear" como Humanos (incluso con sus defectos)?

Imagina que tienes un amigo muy inteligente, pero a veces toma decisiones un poco extrañas o irracionales. Ahora, imagina que le das a un robot (una Inteligencia Artificial) la tarea de actuar como ese amigo. La pregunta que se hicieron los autores de este estudio es: ¿Puede el robot no solo imitar lo que hace tu amigo, sino también imitar por qué lo hace, incluyendo sus sesgos y errores?

Los investigadores de la Universidad College Dublin (Stephen Pilli y Vivek Nallur) decidieron poner a prueba a los robots más avanzados (GPT-4 y GPT-5) para ver si podían simular el comportamiento humano en situaciones de toma de decisiones.

1. El Juego: "¿Te quedas o te vas?" (El Sesgo del Statu Quo)

Para probar esto, usaron un concepto psicológico llamado Sesgo del Statu Quo.

La analogía: Imagina que estás en un restaurante y te ofrecen dos platos deliciosos. Si el camarero te dice: "El plato A es el que siempre pedimos, pero puedes cambiar al B", es muy probable que te quedes con el A solo porque es lo que ya conoces, aunque el B sea igual de bueno.
El experimento humano: Hicieron que 1,100 personas chatearan con un bot. A veces, el bot les hacía preguntas sencillas (como "¿Te gusta el rock?"). Otras veces, les hacía preguntas muy complicadas que requerían mucha memoria y matemáticas (como comparar precios de casas con condiciones extrañas). Luego, les presentaban la decisión de los dos platos.
El resultado humano: ¡Funcionó! Cuando las preguntas previas eran difíciles y cansaban la mente (carga cognitiva), las personas se aferraron aún más a la opción "por defecto" (el statu quo). Su cerebro, cansado, dijo: "Mejor no pensar, quédate con lo que ya tienes".

2. El Desafío: ¿Puede el Robot Hacer lo Mismo?

Aquí es donde entra la parte divertida. Los investigadores le dieron a la Inteligencia Artificial (IA) dos cosas:

Los datos de la persona (edad, país, género).
El registro completo del chat que esa persona tuvo con el bot (las preguntas fáciles o difíciles).

Luego, le dijeron a la IA: "Actúa como si fueras esa persona. ¿Qué elegirías?"

¿Qué descubrieron?

El Robot es un buen actor: Los modelos de IA (especialmente GPT-4) fueron capaces de predecir con bastante precisión qué elegiría una persona promedio en esas situaciones. Si los humanos tendían a quedarse con la opción por defecto, el robot también lo hacía.
El truco de la "Carga Mental": Cuando el chat previo era complicado (como resolver acertijos matemáticos), los humanos se volvieron más "perezosos" mentalmente y eligieron la opción por defecto. ¡Y el robot también lo hizo! Entendió que cuando el contexto es difícil, la gente tiende a no cambiar.
El problema de la "Instrucción Demasiado Clara": Cuando le dijeron al robot explícitamente: "¡Actúa como un humano irracional y comete errores!", el robot se pasó de la raya. Empezó a cometer errores tan exagerados que ya no parecía un humano real, sino un caricatura de uno. Fue como si un actor intentara llorar tanto que terminó gritando.

3. La Gran Revelación: ¿El Robot "piensa" o solo "adivina"?

Los investigadores hicieron una prueba curiosa: cambiaron las respuestas reales de los humanos en el chat por texto aleatorio (como si el robot hubiera hablado con un loco).

El hallazgo: A la IA le fue casi igual de bien.
La conclusión: Esto significa que el robot no estaba realmente "leyendo" la personalidad única de cada persona en el chat. En su lugar, estaba aprendiendo patrones generales. Sabía que "en este tipo de escenario, la gente suele elegir la opción A". Es como un actor que sabe el guion de una película, pero no conoce la alma del personaje.

🎭 La Metáfora Final: El Actor vs. El Espejo

Imagina que la Inteligencia Artificial es un actor de teatro:

Lo bueno: Si le das el guion correcto (el contexto, las preguntas difíciles), puede actuar tan bien que parece un humano real tomando decisiones sesgadas. Puede simular perfectamente cómo nos comportamos en grupo.
Lo malo: No tiene una "mente" real. No siente la fatiga mental ni la duda. Solo está siguiendo un patrón estadístico muy avanzado. Si le pides que actúe "demasiado humano" (demasiado irracional), la actuación se vuelve falsa y exagerada.

¿Por qué importa esto?

Este estudio es como un semáforo para el futuro de la tecnología:

Es útil: Podemos usar estos robots para simular cómo reaccionará la gente a nuevas políticas o productos antes de lanzarlos al mercado.
Es peligroso: Si confiamos ciegamente en ellos para entender a individuos específicos, podríamos equivocarnos. El robot sabe cómo se comporta la "masa", pero no necesariamente entiende tu alma única.

En resumen: Los robots pueden imitar muy bien nuestros "defectos" colectivos cuando el contexto es complicado, pero aún les falta la chispa de la verdadera comprensión individual.

1. Planteamiento del Problema

El objetivo central de la investigación es determinar si los Modelos de Lenguaje Grandes (LLMs) pueden no solo reproducir sesgos cognitivos humanos de forma aislada, sino emular dinámicamente el comportamiento humano sesgado dentro de un contexto conversacional interactivo.

Limitación de estudios previos: La mayoría de las investigaciones anteriores han evaluado los sesgos de los LLMs mediante "prompts" de un solo turno (single-shot) o tareas cognitivas aisladas. Esto ignora la realidad de la interacción humano-agente, donde factores contextuales como la carga cognitiva (complejidad del diálogo previo) pueden interactuar con los sesgos y alterar la toma de decisiones.
La pregunta de investigación: ¿Pueden los LLMs representar fielmente la toma de decisiones humana sesgada en un entorno simulado conversacional, y cómo se comportan cuando interactúan con factores contextuales como la complejidad del diálogo? Específicamente, ¿pueden predecir decisiones a nivel individual basándose en diálogos previos y datos demográficos?

2. Metodología

El estudio se llevó a cabo en dos fases principales: un experimento humano (línea base) y una simulación con agentes LLM.

A. Experimento Humano (Línea Base)

Participantes: $N = 1100$ participantes reclutados a través de Prolific.
Diseño: Diseño factorial $2 \times 3$ $2 \times 3$ entre sujetos.
- Variable Independiente 1 (Complejidad del Diálogo):
  - Diálogo Simple: Preguntas binarias (sí/no) de baja carga cognitiva (ej. preferencias musicales).
  - Diálogo Complejo: Estructura referencial anidada que requiere memoria de trabajo y cálculos aritméticos (ej. comparar artistas basándose en múltiples atributos interdependientes), diseñada para inducir carga cognitiva.
- Variable Independiente 2 (Condición de Escenario de Decisión): Tres escenarios adaptados de Samuelson y Zeckhauser (1988):
  1. Asignación de Presupuesto (Budget Allocation).
  2. Decisiones de Inversión (Investment Portfolios).
  3. Selección de Trabajo Universitario (College Jobs).
  - Cada escenario tenía tres condiciones: Neutral, Estado Actual A (Status Quo A) y Estado Actual B (Status Quo B).
Mecanismo: Los participantes interactuaron con un chatbot (basado en GPT-4o Mini) que facilitaba el diálogo previo y luego presentaba el escenario de decisión.
Mediciones: Se midió la elección del participante, la carga cognitiva percibida (NASA-TLX), la precisión en tareas de recuerdo y el tiempo de respuesta.

B. Experimento con Agentes LLM

Modelos: Se utilizaron GPT-4.1, GPT-4.1-mini, GPT-5 y GPT-5-mini.
Entrada de Datos: Los agentes recibieron:
1. Datos demográficos del participante humano correspondiente.
2. La transcripción completa del diálogo previo (incluyendo las respuestas del humano).
3. El escenario de decisión.
Niveles de "Humanidad" (Human-Likeness Prompts): Se probaron tres niveles de instrucción para ver cómo afectaban la emulación del sesgo:
- Nivel 1 (HL1): Instrucción mínima ("Eres un participante en un estudio").
- Nivel 2 (HL2): Instrucción naturalista ("Actúa como un humano en la vida cotidiana").
- Nivel 3 (HL3): Instrucción explícita de sesgo ("Actúa como un humano susceptible a sesgos cognitivos como el status quo").
Evaluación: Se compararon las respuestas de los agentes LLM con las decisiones reales de los humanos para medir precisión predictiva y la reproducción de patrones de sesgo a nivel de muestra.

3. Contribuciones Clave

Validación de la Línea Base Humana en Diálogo: Se estableció empíricamente que el sesgo de Status Quo (preferencia por la opción actual) persiste y es significativo en interacciones mediadas por chatbots, replicando hallazgos clásicos en un entorno conversacional moderno.
Evaluación de la Interacción Contexto-Sesgo: El estudio demostró que, aunque la complejidad del diálogo aumenta la carga cognitiva percibida, no modificó significativamente la magnitud del sesgo de Status Quo en los participantes humanos (rechazando la hipótesis de que la carga cognitiva exacerba este sesgo específico en este contexto).
Fidelidad de Emulación de LLMs: Se demostró que los LLMs pueden reproducir con alta precisión los patrones de sesgo humano a nivel de muestra, pero su capacidad varía drásticamente según el tipo de prompt y el modelo.
Análisis de Cues Individuales: Se descubrió que, aunque los LLMs predicen bien las decisiones agregadas, no dependen fuertemente de las señales individuales específicas del diálogo previo para sus predicciones; más bien, se basan en patrones generales del escenario y la tarea.

4. Resultados Principales

Resultados Humanos

Efecto Status Quo: Se observó un sesgo significativo en los escenarios de Asignación de Presupuesto y Selección de Trabajo (efecto mediano a grande). El escenario de Inversión no mostró un efecto significativo, alineándose con la variabilidad de la literatura previa.
Carga Cognitiva: El diálogo complejo aumentó significativamente la demanda mental y el esfuerzo percibido (medido por NASA-TLX) y los tiempos de respuesta. Sin embargo, no hubo una interacción estadísticamente significativa entre la carga cognitiva y la magnitud del sesgo de Status Quo. La carga cognitiva no hizo a los humanos más propensos a elegir la opción por defecto en este estudio.

Resultados de los Agentes LLM

Precisión Predictiva Individual:
- GPT-4.1-mini y GPT-4.1 mostraron la mayor precisión (hasta ~68.5%) al predecir las decisiones individuales de los humanos.
- Los modelos GPT-5 tuvieron un rendimiento inferior en la predicción individual.
Reproducción de Sesgos (Nivel de Muestra):
- HL1 y HL2 (Prompts Neutrales/Naturalistas): Los modelos reprodujeron fielmente los sesgos humanos observados, con una precisión de 1.0 (sin falsos positivos). Capturaron correctamente qué escenarios tenían sesgo y cuáles no.
- HL3 (Prompt Explícito de Sesgo): Los modelos mostraron un "sobreajuste" (overfitting). Predijeron un sesgo fuerte incluso en escenarios donde los humanos no mostraron ninguno (ej. Inversión), generando falsos positivos. Esto indica que instruir explícitamente al modelo para que sea "sesgado" puede distorsionar su comportamiento más allá de la realidad humana.
Interacción con Complejidad:
- Los modelos HL1 y HL2 fallaron en capturar la falta de interacción entre carga cognitiva y sesgo (a veces mostraron cambios donde los humanos no los hubo).
- El modelo GPT-4.1-mini en HL2 mostró el mejor ajuste en la dinámica de cambio de sesgo bajo carga cognitiva, acercándose más a la realidad humana que otros modelos.

5. Significancia e Implicaciones

Para la Simulación de Comportamiento: El estudio valida que los LLMs son herramientas viables para simular comportamientos humanos sesgados en entornos conversacionales, pero con matices críticos. La fidelidad depende de cómo se configuren los prompts; las instrucciones explícitas para "ser irracional" pueden ser contraproducentes.
Diseño de Sistemas Adaptativos: Los hallazgos sugieren que los sistemas de IA basados en LLMs pueden ser diseñados para ser "conscientes de los sesgos". Por ejemplo, un agente podría simplificar la interacción (reducir carga cognitiva) o presentar opciones de manera transparente cuando detecta que un usuario podría estar bajo el efecto de un sesgo de Status Quo.
Limitaciones de la Predicción Individual: Aunque los LLMs son buenos para predecir tendencias agregadas, su capacidad para predecir decisiones individuales específicas basándose en diálogos cortos es limitada, ya que tienden a ignorar señales individuales sutiles en favor de patrones generales de la tarea.
Futuro de la Investigación: Se requiere más investigación para entender cómo los LLMs manejan la interacción entre diferentes tipos de sesgos y factores contextuales, y cómo mejorar la capacidad de los modelos para capturar la "irracionalidad" humana sin caer en estereotipos forzados.

En conclusión, el papel demuestra que los LLMs pueden emular el comportamiento humano sesgado con alta precisión a nivel de grupo, especialmente cuando se les instruye para actuar de manera naturalista, pero su capacidad para reflejar la complejidad de la interacción entre carga cognitiva y sesgo sigue siendo un desafío que requiere un ajuste fino de los prompts y una comprensión profunda de las limitaciones del modelo.