La lógica alienígena: cómo piensa la IA en los juegos

Un nuevo estudio muestra que la inteligencia artificial razona como si no la hubieran educado personas, sino matemáticos de Marte. En juegos que exigen decisiones estratégicas, los grandes modelos de lenguaje muestran un comportamiento hiperracional y a menudo superan a los humanos. Sin embargo, tropiezan con conceptos sencillos, como las estrategias dominantes, es decir, aquellas decisiones que siempre son mejores que las demás. El trabajo se ha publicado en la revista Journal of Economic Behavior and Organization.

Los grandes modelos de lenguaje son sistemas avanzados de inteligencia artificial entrenados con cantidades ingentes de texto. Ya se utilizan en economía, desde el análisis de mercados hasta la negociación automatizada. Y, dado que estos modelos aparecen cada vez más en entornos donde tienen que competir o interactuar como lo haría una persona con otra, es importante entender si razonan como nosotros o si siguen unas reglas propias un tanto extrañas.

Los autores del estudio son Iuliia Alekseenko, Dmitry Dagaev, Sofiia Paklina y Petr Parshakov, de la Escuela Superior de Economía, la Universidad de Lausana y la Nueva Escuela de Economía de Rusia. Plantearon una pregunta sencilla: ¿la IA está limitada por la lógica humana o funciona con una forma de pensar completamente distinta? Los investigadores quisieron averiguar hasta qué punto se parece a las personas en experimentos de juego estudiados desde hace mucho por psicólogos y economistas.

El escenario principal fue el famoso «juego de belleza», también conocido como «adivina el número». Se pide a los participantes que elijan un número entre 0 y 100 y gana quien se acerque más a una fracción del promedio de los números elegidos. En la versión clásica, esa fracción es de dos tercios.

Si todos eligen al azar, el promedio es 50 y, por tanto, el valor objetivo es 33. Un participante avispado lo supone y elige 33. Pero, si todos son así de listos, el objetivo pasa a ser 22. Y así sucesivamente, hasta llegar a cero: el equilibrio de Nash teórico.

Para las pruebas se utilizaron cinco grandes modelos: GPT‑4o, GPT‑4o‑Mini, Gemini‑2.5‑flash, Claude‑Sonnet‑4 y Llama‑4‑Maverick. Los investigadores reprodujeron 16 escenarios de estudios clásicos de economía conductual, variando el número de jugadores, los parámetros y las reglas.

Cada modelo dio 50 respuestas en cada escenario. El parámetro de temperatura se fijó en 1,0 para que las respuestas reflejaran una diversidad parecida a la de las decisiones humanas.

Al repetir el experimento de Rosemarie Nagel (1995), los modelos eligieron números muy inferiores a los promedios humanos. Las personas solían elegir alrededor de 27, mientras que Llama elegía alrededor de dos. En la variante con un coeficiente de dos tercios, las personas elegían una media de 36,73 y los modelos, entre 2,80 y 22,24. Es decir, la IA daba más pasos de razonamiento que una persona.

Al repetir el experimento de Duffy y Nagel (1997), en el que cambiaba el criterio para ganar —la mediana, la media o el máximo—, los modelos adaptaron correctamente su estrategia y eligieron números más altos cuando el valor objetivo se basaba en el máximo. Esto significa que la IA entiende cuándo las reglas exigen una lógica óptima distinta.

Pero entonces empezaron las rarezas. En escenarios de dos jugadores (Grosskopf y Nagel, 2008), donde la estrategia dominante consiste en elegir cero, los modelos… no lograron formular ese hecho de manera directa. Eligieron números bajos, pero no porque entendieran la estrategia dominante, sino por razonamientos probabilísticos.

Los investigadores destacaron dos resultados sorprendentes: primero, la IA suele jugar de forma más estratégica que las personas. Segundo, aun así no consigue detectar una estrategia dominante elemental.

Los investigadores también comprobaron si la IA podía imitar rasgos humanos. Cuando pedían al modelo que se comportara como una persona con un alto nivel de reflexión cognitiva, elegía números muy bajos; con un nivel bajo, elegía números más altos. Si «enfadaban» al modelo, también elegía números altos, en consonancia con los datos reales sobre el comportamiento de las personas enfadadas.

El equipo examinó también el efecto del tamaño de los modelos: las versiones pequeñas de Llama daban valores caóticos, parecidos a los humanos, mientras que las enormes tendían a cero, el patrón matemático ideal. Cuanto mayor era el modelo, más se acercaba su comportamiento a la teoría estricta.

La principal conclusión de los investigadores es que la IA piensa estratégicamente, pero no como una persona. Está más cerca de una máquina que de un ser humano y a veces es incapaz de reconocer principios lógicos elementales.

Por eso no conviene considerar la IA un predictor del comportamiento humano: actúa de una manera demasiado distinta. En situaciones reales de competencia o interacción, la IA puede alterar los resultados de formas inesperadas para las personas.

El estudio tiene limitaciones: los modelos no jugaban con dinero real, lo que influye en el razonamiento humano. Además, los resultados dependen de cómo se formulen las instrucciones, aunque la comprobación con indicaciones parafraseadas mostró que eran estables.

Los autores señalan que es importante entender que la gran precisión de la IA en ciertas tareas no significa que piense como una persona. El siguiente paso será ampliar los experimentos a otras situaciones de juego en las que sean importantes la coordinación, la cooperación y el dominio.