Dar más información a la IA puede hacer que gane menos dinero.
Un experimento de Stanford puso a prueba 10 modelos de lenguaje de vanguardia en situaciones de negociación, regateo y subastas bilaterales. Los investigadores solo cambiaron una condición: cuánto sabía el modelo sobre la valoración real de su contraparte.
El resultado fue bastante contraintuitivo: cuanta más información tenían, más fácil les resultaba a algunos modelos perder beneficios.
En el experimento de subasta, cuando tanto compradores como vendedores conocían la valoración exacta de la otra parte, la proporción de los beneficios potenciales que podía obtener Claude Opus 5.5 cayó del 94 % al 64 %.
En el experimento de negociación, el rendimiento de los distintos modelos incluso tomó direcciones opuestas:
Los beneficios de GPT-6 Sol bajaron del 98 % de su valor máximo al 91 %, mientras que los de Claude Sonnet 5 subieron del 72 % al 86 %.
En las subastas, al disponer de más información, los modelos también tendían a elevar sus precios de venta: la proporción de beneficios de Grok 4.7 cayó del 97 % al 62 %.
Con la misma información de entrada, los distintos modelos obtuvieron resultados completamente diferentes.
Este estudio ofrece una advertencia importante sobre las aplicaciones prácticas de los agentes de IA: no basta con evaluar la capacidad de negociación del modelo en sí; también hay que evaluar cómo toma decisiones en distintas condiciones de información.
Sobre todo cuando se deja que la IA negocie, haga ofertas o gestione dinero en tu nombre, más información no significa necesariamente mejores decisiones. Algunos modelos, al recibir más información, pueden volverse más agresivos y acabar perjudicando sus propios beneficios.
Un experimento de Stanford puso a prueba 10 modelos de lenguaje de vanguardia en situaciones de negociación, regateo y subastas bilaterales. Los investigadores solo cambiaron una condición: cuánto sabía el modelo sobre la valoración real de su contraparte.
El resultado fue bastante contraintuitivo: cuanta más información tenían, más fácil les resultaba a algunos modelos perder beneficios.
En el experimento de subasta, cuando tanto compradores como vendedores conocían la valoración exacta de la otra parte, la proporción de los beneficios potenciales que podía obtener Claude Opus 5.5 cayó del 94 % al 64 %.
En el experimento de negociación, el rendimiento de los distintos modelos incluso tomó direcciones opuestas:
Los beneficios de GPT-6 Sol bajaron del 98 % de su valor máximo al 91 %, mientras que los de Claude Sonnet 5 subieron del 72 % al 86 %.
En las subastas, al disponer de más información, los modelos también tendían a elevar sus precios de venta: la proporción de beneficios de Grok 4.7 cayó del 97 % al 62 %.
Con la misma información de entrada, los distintos modelos obtuvieron resultados completamente diferentes.
Este estudio ofrece una advertencia importante sobre las aplicaciones prácticas de los agentes de IA: no basta con evaluar la capacidad de negociación del modelo en sí; también hay que evaluar cómo toma decisiones en distintas condiciones de información.
Sobre todo cuando se deja que la IA negocie, haga ofertas o gestione dinero en tu nombre, más información no significa necesariamente mejores decisiones. Algunos modelos, al recibir más información, pueden volverse más agresivos y acabar perjudicando sus propios beneficios.