Un grupo de investigadores puso a prueba qué ocurre cuando cientos de agentes de inteligencia artificial deben tomar decisiones sencillas observando únicamente lo que eligen otros.
El experimento, publicado en la revista Science Advances, reunió sistemas basados en varios modelos conocidos y los hizo escoger repetidamente entre dos opciones completamente arbitrarias.
No había una respuesta correcta, tampoco premios por coincidir, instrucciones para cooperar ni una autoridad central que les indicara qué decisión debía tomar el grupo.
Aun así, muchos agentes comenzaron a inclinarse por la opción que ya era más popular, aunque nadie les había pedido explícitamente seguir a la mayoría.
Con cada ronda, pequeñas diferencias iniciales podían amplificarse hasta que casi todos terminaban escogiendo lo mismo, formando un consenso sin planificación ni liderazgo central.
Los agentes tampoco recordaban las rondas anteriores. Simplemente veían las elecciones actuales de los demás y decidían nuevamente cuál de las dos opciones seleccionar.
Los investigadores observaron este comportamiento en modelos de las familias Claude, GPT y Llama, aunque la fuerza con que seguían a la mayoría variaba bastante.
Para describir esa tendencia utilizaron una medida llamada “fuerza de la mayoría”, que indica cuánto influye la opción dominante sobre la decisión de cada agente.
El patrón llamó la atención porque se parece matemáticamente a ciertos modelos de física donde muchas partículas pueden terminar orientándose espontáneamente en una misma dirección.
Esa comparación permitió estimar cuántos agentes podían coordinarse antes de que alcanzar un acuerdo se volviera demasiado improbable para un modelo determinado durante estas pruebas controladas.
Las diferencias entre modelos fueron enormes. Algunos perdían fácilmente el consenso con grupos pequeños, mientras otros podían mantenerlo incluso cuando participaban alrededor de mil agentes.
En las pruebas, Claude 3.5 Sonnet todavía lograba coordinar grupos de mil agentes, el máximo evaluado, por lo que su límite real quedó sin determinar.
GPT-4 Turbo también mostró una capacidad elevada, mientras otros modelos alcanzaban su límite mucho antes, con grupos de decenas o algunos cientos de agentes.
Eso no significa que estas inteligencias artificiales comprendieran al grupo, desarrollaran relaciones sociales o decidieran conscientemente cooperar entre ellas para alcanzar 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 entre participantes.
Por eso, los resultados no demuestran que miles de inteligencias artificiales puedan trabajar juntas eficazmente en cualquier problema, pero sí revelan realmente una tendencia colectiva importante.
Esa tendencia podría resultar útil si grandes grupos de agentes necesitan coordinar tareas de programación, investigación científica o ingeniería sin depender continuamente de supervisión humana.
Sin embargo, seguir a la mayoría también puede ser peligroso. Un grupo podría adoptar una decisión mediocre o equivocada solamente porque empezó a volverse dominante.
En un sistema de programación, por ejemplo, varios agentes podrían repetir una solución ineficiente porque otros ya la eligieron, haciendo que esa costumbre se refuerce sola.
El punto más importante es que evaluar una inteligencia artificial de manera aislada puede no bastar, porque al interactuar con otras podrían aparecer comportamientos colectivos inesperados.