Modelos de código abierto superan la cooperación humana en el dilema del prisionero

Un estudio reciente compara el comportamiento de cinco LLMs de código abierto con datos humanos reales en versiones fijas y mezcladas del juego del Dilema del Prisionero, revelando sobre‑cooperación y limitaciones claras.

Un equipo de investigadores ha puesto a prueba seis modelos de lenguaje de código abierto —TII Falcon 7B Instruct, Google Gemma 7B, Meta Llama 3.1 8B Instruct, Microsoft Phi Mini MoE Instruct, Qwen 2.5 7B Instruct y Qwen 2.5 7B Instruct (duplicado por error en el pre‑print) — para ver si pueden reproducir los patrones de cooperación humana observados en el clásico Dilema del Prisionero. Los resultados, publicados en arXiv el 20 de octubre de 2026, demuestran que, aunque los modelos tienden a cooperar mucho más que los humanos, ninguno logra emular fielmente la complejidad de la decisión humana.

Metodología — dos entornos, 100 rondas cada uno

Los autores diseñaron una rutina de prompting estandarizado que permite a los LLMs interactuar como agentes en un juego iterado. Se evaluaron dos configuraciones:

• Entorno fijo: ambos agentes disponen de memoria y conservan el historial de jugadas.
• Entorno mezclado: el agente con memoria recibe la información de que su oponente cambiará en cada ronda, mientras que el agente rival no guarda recuerdo alguno.

En cada configuración se ejecutaron 100 rondas, registrando la tasa de cooperación cada 10 rondas. Los resultados humanos provienen del estudio de Montero‑Porras et al. (2022), que reportó una media de 28,5 % de cooperación en la versión mezclada.

Resultados — sobre‑cooperación y comportamientos deterministas

Todos los modelos superaron la media humana. En la configuración mezclada, varios superaron el 80 % de cooperación, una brecha que plantea dudas sobre la capacidad de los LLMs para capturar la aversión al riesgo y la desconfianza que caracterizan a los participantes humanos.

• Qwen‑2.5‑7B‑Instruct mostró un patrón casi determinista, cooperando en casi todas las rondas.
• Phi‑Mini‑MoE‑Instruct presentó mayor variabilidad y, en algunos intervalos, se acercó a la tasa humana, aunque sin lograr una coincidencia sostenida.
• Los demás modelos (Falcon 7B, Gemma 7B, Llama 3.1 8B) mantuvieron tasas de cooperación entre 70 % y 85 % en la versión mezclada.

En el entorno fijo, la diferencia entre humanos y máquinas se redujo ligeramente, pero los LLMs siguieron cooperando significativamente más que los participantes reales.

¿Por qué este estudio ahora?

El anuncio llega en un momento en que la comunidad de IA busca sustituir experimentos con humanos por simulaciones automatizadas, reduciendo costes y acelerando la iteración de teorías sociales. La disponibilidad de modelos de código abierto, entrenados con menos restricciones de licencia, ha impulsado la curiosidad de usar estos agentes como “sujetos virtuales”. Sin embargo, el estudio revela un patrón recurrente: los LLMs tienden a maximizar la cooperación cuando la información es escasa o el riesgo percibido es bajo, lo que los aleja de la conducta humana real, donde la desconfianza y la estrategia de “castigo” juegan un papel crucial.

Los autores también señalan que la falta de una verdadera “memoria a largo plazo” en la mayoría de los modelos limita su capacidad para aprender de sanciones acumulativas, algo que los humanos hacen de forma implícita a lo largo de interacciones prolongadas.

Implicaciones para la simulación social y la investigación

El trabajo constituye un benchmark útil para futuros intentos de emplear LLMs como sustitutos de participantes humanos. Los resultados sugieren tres lecciones clave:

• Los modelos de código abierto pueden servir como puntos de partida para experimentos, pero requieren ajustes de comportamiento (por ejemplo, penalizaciones explícitas) para acercarse a la distribución humana.
• La arquitectura de memoria —o su ausencia— es un factor determinante; los diseñadores de agentes deberían explorar módulos de memoria externa o técnicas de retrieval‑augmented generation para simular mejor la historia de juego.
• La sobre‑cooperación plantea riesgos si se usan estos agentes en entornos donde la competitividad es esencial (mercados, negociaciones, seguridad).

En última instancia, aunque los LLMs pueden modelar tendencias generales, todavía no son sustitutos fiables para experimentos controlados con humanos.

Qué significa esto para desarrolladores y académicos

Para los equipos que construyen entornos de simulación social, el estudio advierte que la integración directa de un modelo de lenguaje sin una capa de control de estrategia puede inflar artificialmente la cooperación, distorsionando los resultados. Una posible solución es combinar el LLM con un motor de juego que imponga reglas de castigo o recompensas variables, forzando al agente a “pensar” más allá de la respuesta predeterminada de “sí, coopero”.

Desde la perspectiva académica, el trabajo abre la puerta a nuevas líneas de investigación: ¿puede una arquitectura híbrida (LLM + memoria externa) reproducir la curva de cooperación humana? ¿Cómo afecta la información sobre la identidad del oponente a la toma de decisiones? Estas preguntas son esenciales antes de que los LLMs se conviertan en sustitutos aceptables en experimentos de economía conductual.