No s\u00f3lo son una inc\u00f3gnita para los profanos como nosotros, sino tambi\u00e9n para los investigadores. Por eso, algunos cient\u00edficos dise\u00f1an experimentos para observar c\u00f3mo se comporta la IA en determinadas situaciones.<\/p>\n\n\n\n
Los investigadores Giordano De Marzo, Claudio Castellano y David Garcia crearon sociedades artificiales pobladas por agentes impulsados \u200b\u200bpor modelos de las familias GPT, Claude y Llama. Llama es una familia de modelos de lenguaje grandes de peso abierto desarrollada por Meta AI, mientras que Claude y GPT son comerciales.<\/p>\n\n\n\n
El experimento fue deliberadamente sencillo. Cada agente deb\u00eda elegir entre dos opciones arbitrarias. No hab\u00eda respuesta correcta, ni recompensa por estar de acuerdo, ni instrucci\u00f3n para conformarse. La elecci\u00f3n era completamente irrelevante. La \u00fanica particularidad era que, cuando los investigadores ped\u00edan a un agente que reconsiderara su elecci\u00f3n, este ve\u00eda lo que hab\u00edan seleccionado los dem\u00e1s. Eso era todo lo que se necesitaba.<\/p>\n\n\n\n
Instinto de manada<\/h2>\n\n\n\n
Los investigadores detectaron un patr\u00f3n claro. Cuanto mayor era la mayor\u00eda que favorec\u00eda una opci\u00f3n, m\u00e1s probable era que\u00a0un agente<\/a>\u00a0tambi\u00e9n la eligiera. A la fuerza de este efecto lo denominaron la “fuerza de la mayor\u00eda”.<\/p>\n\n\n\n En otras palabras, los agentes mostraron algo parecido a un instinto gregario, no porque los investigadores les indicaran que se comportaran como tal, sino porque el seguimiento de la mayor\u00eda surgi\u00f3 de sus respuestas. Los autores enfatizan que se trata de una descripci\u00f3n del comportamiento, no de una prueba de que la IA posea sentimientos sociales, intenciones o una psicolog\u00eda similar a la humana.<\/p>\n\n\n\n Pero este ni siquiera fue el resultado m\u00e1s interesante. Resulta que cuanto m\u00e1s robusto era el modelo, m\u00e1s favorec\u00eda al grupo; al menos inicialmente. Con un tama\u00f1o de grupo de 50, Claude 3 Opus y GPT-4 Turbo alcanzaron un acuerdo total en todas las pruebas registradas en un experimento. GPT-3.5 Turbo y Claude 3 Haiku no lo lograron. Llama 3 70B se situ\u00f3 entre ambos.<\/p>\n\n\n\n Pero la escala parece importar. A medida que los grupos crec\u00edan, el seguimiento de la mayor\u00eda generalmente se debilitaba. Finalmente, cada modelo alcanz\u00f3 un punto a partir del cual el acuerdo se volvi\u00f3 extraordinariamente improbable.<\/p>\n\n\n\n B\u00e1sicamente, la IA tiene instinto gregario, pero todo grupo tiene un l\u00edmite de tama\u00f1o. Los modelos m\u00e1s inteligentes parecen capaces de mantener el comportamiento gregario incluso en multitudes mucho mayores.<\/p>\n\n\n\n En casi todos los modelos, el comportamiento se ajustaba pr\u00e1cticamente a la misma curva matem\u00e1tica. Lo m\u00e1s extra\u00f1o es que los f\u00edsicos ya conocen esa curva: describe un material ferromagn\u00e9tico.<\/p>\n\n\n\n Dentro de los materiales magn\u00e9ticos, unos diminutos componentes llamados espines tienden a alinearse con sus vecinos. Por debajo de ciertas condiciones, permanecen desordenados; pero al superar un umbral, se ordenan colectivamente. Los investigadores descubrieron que las opiniones de la IA pod\u00edan describirse mediante matem\u00e1ticas muy similares, donde su “fuerza mayoritaria” desempe\u00f1aba un papel an\u00e1logo a la magnitud que controla el orden en el modelo magn\u00e9tico.<\/p>\n\n\n\n Ahora bien, eso no significa que ChatGPT sea un im\u00e1n secreto. Lo que significa es que sistemas muy diferentes pueden producir patrones similares cuando muchas unidades individuales se influyen mutuamente de forma repetida. Observamos que todo tipo de procesos naturales (o artificiales) siguen curvas similares. Por ejemplo, muchas neuronas tambi\u00e9n presentan una respuesta de umbral: una entrada d\u00e9bil produce poca actividad, pero tras un punto de inflexi\u00f3n, la probabilidad de activaci\u00f3n aumenta bruscamente y luego se satura.<\/p>\n\n\n\n En IA, este tipo de comportamiento s\u00ed importa. Estos sistemas est\u00e1n evolucionando r\u00e1pidamente, pasando de chatbots aislados a redes de agentes que asignan tareas, intercambian informaci\u00f3n y act\u00faan en conjunto. No se trata de coordinaci\u00f3n, ya que sabemos que los agentes pueden dividir el trabajo y colaborar eficazmente para desarrollar software, analizar datos o gestionar sistemas complejos. El peligro reside en confundir consenso con certeza. En un sistema real, esa misma tendencia podr\u00eda amplificar una suposici\u00f3n err\u00f3nea, preservar un c\u00f3digo defectuoso o suprimir una soluci\u00f3n minoritaria \u00fatil simplemente porque se form\u00f3 una mayor\u00eda temprana.<\/p>\n\n\n\n Es un punto importante, ya que parece que las compuertas de la IA ya se han abierto. Durante a\u00f1os, la carrera por la IA se ha centrado en hacer que los modelos individuales sean m\u00e1s inteligentes. Pero, \u00bfqu\u00e9 sucede cuando las m\u00e1quinas inteligentes se convierten en una multitud? Quiz\u00e1s ser\u00eda prudente averiguarlo.<\/p>\n\n\n\n Referencia del art\u00edculo: Giordano De Marzo et al, Los agentes de IA pueden coordinarse mediante el seguimiento de la mayor\u00eda m\u00e1s all\u00e1 de la escala humana,\u00a0Science Advances\u00a0(2026).\u00a0DOI: 10.1126\/sciadv.aea6091<\/a>.<\/p>\n\n\n\n![\"\"](\"https:\/\/einsteresante.com\/wp-content\/uploads\/2026\/08\/image-48.png\")
![\"\"](\"https:\/\/einsteresante.com\/wp-content\/uploads\/2026\/08\/image-47.png\")
<\/figure>\n\n\n\n\u00bfLa IA es como un\u2026 im\u00e1n?<\/h2>\n\n\n\n