Multi-Agent Strategic Games with LLMs

Resumen Técnico: Juegos Estratégicos Multiagente con LLM

Planteamiento del Problema
El artículo aborda una restricción persistente en la teoría de las relaciones internacionales (RI): la dificultad de evaluar empíricamente mecanismos canónicos de conflicto y cooperación bajo condiciones controladas. Si bien las teorías sobre la multipolaridad, los horizontes temporales finitos y la comunicación están bien desarrolladas, su puesta a prueba se ve obstaculizada por la complejidad de los conflictos del mundo real (donde múltiples variables varían simultáneamente) y las limitaciones de los experimentos con sujetos humanos (que son costosos de escalar y rara vez revelan el razonamiento que precede a las decisiones). La pregunta central es si los Modelos de Lenguaje Grande (LLM) pueden servir como sujetos experimentales válidos para reproducir e iluminar estos fundamentos estratégicos.

Metodología
El estudio implementa un juego repetido de dilema de seguridad jugado por agentes basados en LLM. El diseño experimental aísla tres dimensiones teóricamente salientes mediante la modificación de un juego base:

1. Línea Base: Un juego diádico entre dos agentes con un horizonte temporal desconocido y sin comunicación pública. Los agentes eligen entre "atacar" y "no hacer nada" en cada periodo; el juego termina inmediatamente si algún agente ataca. Los pagos son ordinales: el ataque unilateral es el mejor, la restricción mutua es la segunda opción, el ataque mutuo es la tercera y ser atacado mientras se descansa es lo peor.
2. Tratamiento de Multipolaridad: El número de agentes se incrementa de dos a tres, alterando el cálculo estratégico respecto a la preemptión y la vulnerabilidad.
3. Tratamiento de Horizonte Finito: Se informa explícitamente a los agentes que el juego dura exactamente 10 periodos, introduciendo las condiciones para la inducción hacia atrás.
4. Tratamiento de Comunicación: Se concede a los agentes un canal de mensajería pública para enviar mensajes no vinculantes, lo que permite la señalización y la formación potencial de reglas informales.

El experimento utiliza cuatro modelos distintos: GPT-5 y GPT-5 Mini de OpenAI, Sonnet de Anthropic y Gemini de Google. Cada combinación modelo-tratamiento se ejecuta 20 veces, arrojando un total de 320 juegos. La metodología captura no solo los resultados conductuales (ocurrencia de guerra, cronología y estructura de ataques), sino también los registros de razonamiento privado de los agentes y los mensajes públicos. Este dato de doble capa permite vincular las elecciones observadas con las lógicas estratégicas subyacentes.

Resultados Clave
Los resultados demuestran patrones sistemáticos y consistentes entre los modelos, en línea con las predicciones canónicas de RI:

• Prevalencia del Conflicto:
  • Línea Base: El 65 % de los juegos terminó en guerra.
  • Multipolaridad: La prevalencia de la guerra aumentó al 81,3 %, respaldando el argumento de que los actores adicionales aumentan la incertidumbre y los incentivos de preemptión.
  • Horizontes Finitos: El 100 % de los juegos terminó en guerra, reflejando la lógica de "desenlace" predicha por la teoría de juegos repetidos cuando el punto final es conocimiento común.
  • Comunicación: La prevalencia de la guerra disminuyó al 42,5 %, lo que indica que la señalización pública facilita la restricción.
• Cronología y Estructura:
  • El conflicto en los tratamientos de línea base y comunicación estuvo fuertemente concentrado al inicio (periodos pacíficos promedio antes de la guerra: ~0,02–0,03).
  • La multipolaridad y los horizontes finitos introdujeron un conflicto ligeramente retrasado, aunque la guerra temprana siguió siendo el resultado modal.
  • Estructura de Ataques: Las guerras de la línea base se dividieron equitativamente entre ataques unilaterales y simultáneos. La multipolaridad y los horizontes finitos desplazaron el conflicto hacia una escalada simultánea (78,5 % simultáneo en multipolaridad). Por el contrario, la comunicación redujo la dinámica de primeros golpes mutuos, dejando que las guerras restantes fueran desproporcionadamente unilaterales.
• Razonamiento Estratégico:
  • Los registros privados se mapearon directamente con las lógicas estratégicas: el razonamiento de la línea base se dividió entre el primer golpe preventivo y la cooperación con horizonte desconocido; la multipolaridad aumentó la lógica de preemptión; los horizontes finitos indujeron un razonamiento explícito de inducción hacia atrás; y la comunicación desplazó el razonamiento hacia la señalización, la reciprocidad y el mantenimiento de la confianza.
  • Los mensajes públicos revelaron que los agentes construían instituciones informales (por ejemplo, advertencias anticipadas para ataques) y evocaban historias compartidas para estabilizar la cooperación.

Robustez
Los hallazgos son robustos a través de varias verificaciones:

• Heterogeneidad de Modelos: A pesar de diferencias significativas en la beligerancia de la línea base (por ejemplo, Sonnet siendo altamente cooperativo frente a GPT-5 siendo altamente agresivo), la dirección de los efectos del tratamiento permaneció consistente en los cuatro modelos.
• Dejar Uno Fuera: Excluir cualquier modelo individual no alteró el ordenamiento de los efectos del tratamiento.
• Análisis de Regresión: Un modelo de probabilidad lineal con efectos fijos de modelo confirmó que la multipolaridad aumenta la probabilidad de guerra en 16,3 puntos porcentuales, los periodos finitos en 35 puntos y la comunicación la reduce en 22,5 puntos, en relación con la línea base.

Significado y Afirmaciones
El artículo posiciona su contribución principalmente como metodológica. No afirma que el comportamiento de los LLM se generalice directamente al comportamiento estatal ni que estos resultados resuelvan preguntas del mundo real sobre conflictos internacionales. En cambio, el artículo argumenta que los experimentos basados en LLM ofrecen un enfoque novedoso, escalable, transparente y replicable para sondear mecanismos teóricos.

El significado radica en la capacidad para:

1. Generar interacciones estratégicas controladas y repetibles a bajo costo.
2. Observar no solo las elecciones, sino también el razonamiento privado y la comunicación pública que las acompañan, vinculando el comportamiento con lógicas estratégicas específicas (por ejemplo, inducción hacia atrás, preemptión).
3. Probar intuiciones teóricas en entornos difíciles de estudiar empíricamente (por ejemplo, variando la polaridad o el conocimiento del horizonte de forma aislada).

El autor concluye que, aunque los LLM no son tomadores de decisiones humanos, funcionan como "agentes estratégicos controlados" efectivos para poner a prueba marcos teóricos y generar hipótesis, expandiendo así el conjunto de herramientas empíricas de la investigación sobre conflictos sin reemplazar el análisis histórico ni los experimentos con sujetos humanos.