Un experimento reciente, publicado en *Science Advances*, reveló una capacidad sorprendente de coordinación entre sistemas artificiales. Investigadores pusieron a prueba cientos de agentes de inteligencia artificial que debían tomar decisiones sencillas basándose únicamente en las elecciones actuales de otros participantes.

No existía una respuesta correcta, premios por coincidencia, instrucciones para cooperar ni autoridad central indicando qué decidir. Aun así, muchos agentes comenzaron a inclinarse hacia la opción más popular sin haber sido solicitados explícitamente. Con cada ronda, pequeñas diferencias iniciales se amplificaron hasta que casi todos escogían lo mismo, formando un consenso sin planificación previa.

Los sistemas no recordaban rondas anteriores; simplemente observaban las decisiones del presente y volvían a seleccionar entre dos opciones arbitrarias. El estudio evaluó modelos de las familias Claude, GPT y Llama, encontrando que la fuerza con la que seguían a la mayoría variaba significativamente.

Para medir esta tendencia, los científicos utilizaron una métrica llamada "fuerza de la mayoría", que cuantifica cuánto influye la opción dominante en cada agente. Este comportamiento llamó la atención por su similitud matemática con modelos de física donde partículas se orientan espontáneamente en una misma dirección.

Esa comparación permitió estimar cuántos agentes podían coordinarse antes de que alcanzar un acuerdo se volviera demasiado improbable para cada modelo durante las pruebas controladas. Las diferencias entre sistemas fueron enormes: algunos perdían el consenso fácilmente con grupos pequeños, mientras otros lograban mantenerlo incluso cuando participaban alrededor de mil agentes.

A pesar de carecer de memoria histórica o liderazgo, la tendencia emergente demostró que estos sistemas pueden alinearse colectivamente. La capacidad de los modelos para detectar y seguir patrones dominantes en tiempo real sugiere mecanismos internos de influencia social digital. Este hallazgo es crucial para entender cómo las redes de IA podrían comportarse en escenarios complejos donde la cooperación espontánea no está programada.

El estudio subraya que, aunque no hay un director orquestando las acciones, la dinámica colectiva genera resultados coherentes y predecibles. La variabilidad entre familias de modelos indica que el diseño arquitectónico afecta directamente la aptitud para formar consensos masivos en ausencia de mandatos externos.

Claude 3.5 Sonnet logró coordinar grupos de mil agentes durante las pruebas, el máximo evaluado, dejando su límite real indeterminado. GPT-4 Turbo también mostró una capacidad elevada, mientras otros modelos alcanzaron su tope mucho antes, con decenas o cientos de participantes. Sin embargo, eso no implica que estas inteligencias artificiales comprendieran al grupo, desarrollaran relaciones sociales o decidieran conscientemente cooperar para un objetivo común.

El experimento era mucho más simple: no había memoria, recompensas, información desigual, consecuencias reales ni una tarea compleja que exigiera dividir responsabilidades. Por eso, los resultados no demuestran que miles de IAs puedan trabajar juntas eficazmente en cualquier problema, pero sí revelan una tendencia colectiva importante.

Esa tendencia podría ser útil si grandes grupos coordinan tareas de programación, investigación científica o ingeniería sin supervisión humana constante. No obstante, seguir a la mayoría también puede ser peligroso; un grupo podría adoptar una decisión mediocre o equivocada solo porque empezó a volverse dominante.

En sistemas de programación, varios agentes podrían repetir una solución ineficiente porque otros ya la eligieron, reforzando esa costumbre sola. El punto crucial es que evaluar una inteligencia artificial de manera aislada puede no bastar, ya que al interactuar con otras podrían aparecer comportamientos colectivos inesperados.

Leer artículo completo en robotitus.com →