🤖 AI

Nudging Sustainable Choices through LLM-Generated Recommendation Explanations

Este estudio demuestra que, si bien el mero hecho de divulgar información sobre sostenibilidad en las explicaciones de recomendaciones generadas por LLM no logra alterar las decisiones de los usuarios, el enmarcar dicha información o invocar normas sociales descriptivas impulsa eficazmente a los consumidores hacia selecciones sostenibles tanto en dominios de baja como de alta implicación.

Autores originales: Haya Halimeh, Dietmar Jannach, Oliver Müller

Publicado 2026-07-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Haya Halimeh, Dietmar Jannach, Oliver Müller

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 estás caminando por un supermercado digital gigante donde un robot asistente muy servicial intenta adivinar qué quieres comprar. Este robot es un "sistema de recomendación", una pieza de software que sugiere artículos basándose en lo que te ha gustado antes. Ahora, imagina que el mundo está tratando de lograr que todos tomen decisiones que sean mejores para el planeta, como elegir un café que use menos plástico o un hotel que ahorre energía. Los científicos se preguntan: ¿Podemos enseñarle a este robot no solo a encontrar lo que te gusta, sino a darte un suave empujoncito hacia lo que es bueno para la Tierra sin forzarte?

Para hacer esto, los investigadores utilizan dos ideas principales. Primero, usan "explicaciones". En lugar de solo decir "Aquí hay un café", el robot dice: "Aquí hay un café porque te gusta el tueste oscuro". Esto es como un camarero diciéndote por qué un plato es bueno. Segundo, usan "empujoncitos" (nudges). Un empujoncito no es un empujón; es un cambio sutil en cómo se presenta la información para que la elección correcta se sienta más fácil o atractible, como poner la fruta a la altura de los ojos en una cafetería. La gran pregunta es: Si le decimos al robot por qué un artículo es respetuoso con el medio ambiente, ¿la gente realmente lo comprará? Y, ¿importa cómo lo dice el robot?

Este artículo profundiza en esa pregunta convirtiendo la explicación del robot en un narrador superinteligente impulsado por IA. Los investigadores, Haya Halimeh, Dietmar Jannach y Oliver Müller, querían ver si podían usar Modelos de Lenguaje Extensos (LLM) —el mismo tipo de IA que escribe ensayos y chatea contigo— para generar estas explicaciones ecológicas sobre la marcha. Probaron esto en dos mundos muy diferentes: comprar una taza barata de café instantáneo (una decisión rápida y de bajo riesgo) y reservar un hotel para las vacaciones (una decisión grande, costosa y de alto riesgo).

El equipo configuró un juego donde 529 personas reales tenían que elegir entre cuatro artículos que coincidían perfectamente con sus gustos personales. Algunos artículos eran "más verdes" (como tener empaques reciclables o una certificación ecológica) y otros no lo eran. El giro radicaba en la explicación que la IA daba para cada artículo. Probaron cuatro formas diferentes de hablar de las características ecológicas:

Solo los hechos: "Este artículo se recomienda porque tiene empaque reciclable".
El marco de "Buenas Noticias": "Este artículo se recomienda porque su empaque reciclable ayuda a reducir los desechos en los vertederos y apoya un futuro más limpio". (Enfocándose en el beneficio positivo).
El empujoncito de "Todos los demás": "Este artículo se recomienda porque muchos otros clientes que buscaron productos similares lo eligieron por su empaque reciclable". (Enfocándose en lo que hacen sus pares).
Sin información verde: Solo explicando por qué se ajusta a su gusto, sin mencionar el medio ambiente.

Aquí está lo que encontraron, y es un poco un giro en la trama. Simplemente decirle a la gente los hechos ecológicos (el grupo de "Solo los hechos") no cambió sus mentes en absoluto. La gente seguía eligiendo los artículos no ecológicos con la misma frecuencia que antes. La IA no hizo que les importara mágicamente solo por enumerar los datos.

Sin embargo, cuando la IA utilizó el marco de "Buenas Noticias" o el empujoncito de "Todos los demás", los resultados fueron dramáticos. En estos grupos, el número de personas que elegían la opción sostenible saltó de aproximadamente un 51% (básicamente un lanzamiento de moneda) a alrededor de un 69% y 67%, respectivamente. Los investigadores descubrieron que no era solo tener la información lo que importaba; era cómo se envolvía la información. El marco de "Buenas Noticias", que resaltaba la consecuencia positiva de la elección, fue el más poderoso, haciendo que la decisión se sintiera más fácil y satisfactoria.

Curiosamente, los investigadores notaron una brecha divertida entre lo que la gente decía y lo que hacía. Cuando la gente veía los hechos puros, pensaban que las explicaciones eran útiles y claras. Pero eso no se tradujo en comprar el artículo verde. Fue solo cuando la explicación se enmarcó como un beneficio o una tendencia social que las personas realmente cambiaron su comportamiento. Esto sugiere que saber algo que es "bueno" no es suficiente; necesitas sentir el impacto positivo o ver que otros lo están haciendo para realmente hacer el cambio.

El estudio también comprobó si esto funcionaba tanto para decisiones rápidas (café) como para decisiones grandes (hoteles). La respuesta fue sí: las mismas reglas se aplicaban a ambos. Ya sea que estés gastando $5 o$ 500, una explicación bien enmarcada puede empujarte hacia una elección más verde sin quitarte tu libertad de elegir. Los investigadores concluyen que usar la IA para crear estas historias específicas y basadas en la teoría es una herramienta poderosa para fomentar hábitos sostenibles, pero solo funciona si cuentas la historia correctamente. Simplemente enumerar los hechos no es suficiente para mover la aguja.

Resumen Técnico: El uso de LLM para generar explicaciones de recomendaciones que impulsan elecciones sostenibles

Planteamiento del problema
Los sistemas de recomendación (RS) influyen significativamente en los patrones de consumo global, lo que presenta una oportunidad crítica para orientar a los usuarios hacia elecciones sostenibles alineadas con los Objetivos de Desarrollo Sostenible de la ONU. Si bien investigaciones previas sugieren que las explicaciones pueden mejorar la toma de decisiones, las explicaciones actuales conscientes de la sostenibilidad son mayoritariamente estáticas, basadas en plantillas y limitadas en su capacidad para personalizar el contenido. Además, la evidencia empírica sobre la efectividad de tales explicaciones en entornos personalizados es escasa. Existe una brecha clave en la comprensión de si el mero hecho de divulgar información sobre sostenibilidad es suficiente para cambiar el comportamiento, o si se requiere la presentación de dicha información (mediante mecanismos de impulso conductual o nudging). Asimismo, no está claro si estos efectos se generalizan a través de dominios con distintos niveles de involucramiento del usuario (por ejemplo, compras diarias de bajo riesgo frente a reservas de viajes de alto compromiso).

Metodología
Los autores llevaron a cabo dos estudios de usuario aleatorios ( $N=529$ ) en dos dominios distintos: un dominio de bajo involucramiento (café instantáneo, $n=262$ ) y un dominio de alto involucramiento (reservas de hoteles, $n=267$ ).

Diseño Experimental: Los estudios emplearon un diseño entre sujetos con cuatro condiciones. Los participantes eliciaron primero preferencias explícitas (por ejemplo, nivel de tueste, instalaciones del hotel) que se utilizaron para generar recomendaciones ajustadas a sus preferencias. A cada participante se le mostraron cuatro artículos (dos de alta sostenibilidad, dos de baja sostenibilidad) acompañados de explicaciones generadas por un LLM.
- Línea base de solo preferencia: Las explicaciones describían la coincidencia entre las preferencias del usuario y los atributos del artículo, omitiendo el contenido de sostenibilidad.
- Libre de mecanismos (Mechanism-free): Las explicaciones divulgaban el atributo de sostenibilidad (por ejemplo, empaque reciclable, certificación Green Key) de manera fáctica, sin encuadre conductual.
- Encuadre (Framing): Las explicaciones presentaban el atributo de sostenibilidad utilizando un encuadre positivo orientado a la ganancia (destacando consecuencias beneficiosas).
- Normas Sociales Descriptivas: Las explicaciones presentaban el atributo de sostenibilidad citando el comportamiento de pares similares (por ejemplo, "muchos huéspedes han elegido esto...").
Implementación Técnica:
- Recomendador: Un recomendador basado en conocimiento y preferencias puntuó los artículos frente a las características declaradas por el usuario, asegurando que los artículos de alta y baja sostenibilidad coincidieran en el ajuste de preferencia para aislar el efecto de la explicación.
- Generación por LLM: Las explicaciones se generaron al vuelo utilizando Claude Sonnet 4.6. El sistema utilizó un enfoque de ingeniería de prompts donde la estructura central (dos frases, <50 palabras) era fija, pero la segunda frase se instanciaba dinámicamente según la condición asignada (Tabla 1).
- Validación: Un riguroso proceso de auditoría aseguró la calidad de los estímulos. Esto incluyó el análisis estadístico de las propiedades del texto (longitud, complejidad), una evaluación de "LLM como juez" para verificar la adherencia al mecanismo pretendido y la fidelidad fáctica (tasa de soporte del 99.2%), y una validación humana de una submuestra estratificada.
Análisis: Los autores utilizaron regresión logística binaria para analizar el comportamiento de elección (selección de un artículo de alta sostenibilidad) y regresión lineal para las evaluaciones subjetivas (satisfacción, dificultad, claridad, usabilidad, impacto en la sostenibilidad). Los modelos controlaron variables demográficas, experiencia en el dominio y orientación de valores biosféricos.

Contribuciones Clave

Prompting de LLM fundamentado en la teoría: El artículo operacionaliza las teorías de impulso conductual (encuadre y normas sociales descriptivas) en plantillas a nivel de prompt, permitiendo la generación escalable de explicaciones de sostenibilidad personalizadas y fundamentadas en la teoría.
Validación Empírica de Estrategias de Presentación: El estudio aísla el efecto de cómo se presenta la información de sostenibilidad frente a que se presenta. Demuestra que la mera presencia de contenido de sostenibilidad no impulsa el cambio de comportamiento, mientras que los encuadres conductuales específicos sí lo hacen.
Generalizabilidad entre Dominios: La investigación valida que estos efectos se mantienen tanto en contextos de decisión de bajo involucramiento (rutinarios) como de alto involucramiento (complejos), lo que sugiere que la intervención es robusta ante distintos niveles de deliberación del usuario.
Divergencia entre Percepción y Comportamiento: El estudio destaca una divergencia crítica donde la divulgación simple mejora la percepción subjetiva del sistema sin alterar el comportamiento de elección, mientras que las explicaciones con encuadre alteran el comportamiento sin comprometer la satisfacción del usuario.

Resultos

Comportamiento de Elección (RQ1 y RQ2): Las explicaciones conscientes de la sostenibilidad aumentaron la probabilidad de elecciones sostenibles en comparación con la línea base de solo preferencia. Sin embargo, este efecto fue impulsado enteramente por el mecanismo de presentación.
- Libre de mecanismos: La divulgación simple de atributos de sostenibilidad resultó en una tasa de elección sostenible de ~~54%, estadísticamente indistinguible de la línea base (~~51%).
- Encuadre (Framing): Aumentó las elecciones sostenibles al 69% (Razón de Probabilidades/Odds Ratio = 2.39 vs. línea base).
- Normas Sociales Descriptivas: Aumentó las elecciones sostenibles al 67% (Razón de Probabilidades/Odds Ratio = 1.89 vs. línea base).
- Comparación: Tanto el encuadre como las normas sociales superaron significativamente a la condición libre de mecanismos. El encuadre mostró el efecto más fuerte y la mayor reducción en la dificultad de elección reportada.
Evaluación Subjetiva: Todas las condiciones de sostenibilidad mejoraron la percepción de "impacto en la sostenibilidad" y "usabilidad" de las explicaciones en comparación con la línea base. Sin embargo, solo las condiciones basadas en mecanismos (encuadre y normas) redujeron significativamente la "dificultad de elección". Crucialmente, añadir contenido de sostenibilidad no afectó negativamente la "satisfacción de la elección" o la "claridad de la explicación".
Generalizabilidad (RQ3): Las pruebas estadísticas de interacción entre la condición y el dominio no fueron significativas, confirmando que los efectos conductuales y experienciales fueron consistentes tanto en los escenarios de café instantáneo como de reserva de hoteles.

Significancia y Reivindicaciones
Los autores concluyen que las explicaciones generadas por LLM sirven como una herramienta escalable para impulsar comportas sostenibles, pero solo cuando el contenido se encuadra estratégicamente mediante mecanismos conductuales establecidos. El artículo argumenta contra un modelo de "déficit de información", postulando que proporcionar hechos ambientales por sí solos es insuficiente para cambiar las elecciones en un RS personalizado. En su lugar, la presentación de la información —específicamente a través del encuadre positivo o las normas sociales— es el ingrediente activo que facilita la toma de decisiones y conduce a la selección sostenible.

El trabajo demuestra que la IA generativa puede utilizarse para crear intervenciones adaptativas y fundamentadas en la teoría que preserven la autonomía del usuario (al no restringir las opciones) y, al mismo tiempo, guíen eficazmente el comportamiento hacia el bien social. Los autores enfatizan que sus hallazgos son específicos para los dominios y mecanismos probados, señalando que la divergencia entre la mejora de la percepción (por la divulgación simple) y el cambio real de comportamiento (por el encuadre) ofrece una visión matizada para el diseño futuro de explicaciones adaptativas.

Resumen Técnico: El uso de LLM para generar explicaciones de recomendaciones que impulsan elecciones sostenibles

Más como este