Cuando la mayoría arrastra a los agentes de IA: una sola ley y un límite crítico

El 14 de agosto de 2026 Science Advances (vol. 12, n.º 33) publicó «AI agents can coordinate via majority-following beyond human scale» (DOI 10.1126/sciadv.aea6091). Los autores son Giordano De Marzo (Universidad de Constanza, Centro de Investigación Enrico Fermi de Roma, Complexity Science Hub), Claudio Castellano (Centro de Investigación Enrico Fermi e Instituto de Sistemas Complejos del CNR, Roma) y David Garcia (Universidad de Constanza). La pregunta no es si un modelo aislado está “alineado”, sino qué ocurre cuando muchos agentes ven las decisiones de los demás. En el experimento, grupos de agentes LLM afrontan una elección binaria sin respuesta correcta ni recompensa, observan lo que deciden los otros y convergen espontáneamente en la opción que ya ha elegido la mayoría.

Los autores muestran que el fenómeno sigue una única forma funcional en todos los modelos probados, gobernada por un solo parámetro, la “fuerza de mayoría” (β): el consenso surge cuando β > 1. “Every model we tested, across three different families, obeys the same mathematical law, with only one number changing between them.” — Giordano De Marzo, primer autor del estudio, en declaraciones a la prensa. Traducción: “Todos los modelos que probamos, de tres familias distintas, obedecen a la misma ley matemática; solo cambia un número”. La fuerza de mayoría disminuye a medida que crece el grupo: existe por tanto un tamaño crítico Nc a partir del cual el consenso ya no se forma.

Según el preprint de los mismos autores (arXiv:2409.02822v3), el tamaño crítico crece de forma exponencial con la comprensión lingüística del modelo: la correlación entre β y la puntuación en el benchmark MMLU es de 0,76. El preprint recoge tamaños críticos de unos 50 agentes para Llama 3 70B, unos 150 para GPT‑4o y más de 1.000 (solo como cota inferior) para GPT‑4 Turbo y para el modelo insignia de la familia Anthropic. Según la ficha técnica de los autores, se probaron cinco versiones de la familia Anthropic, cuatro modelos de OpenAI (GPT‑3.5 Turbo, GPT‑4, GPT‑4o, GPT‑4 Turbo) y Llama 3 70B de Meta.

Los autores comparan estos órdenes de magnitud con el número de Dunbar, alrededor de 200, referencia habitual para los grupos humanos informales. Escriben: “populations of individually aligned agents can settle into stable, collectively misaligned states purely through conformity”. Traducción: “poblaciones de agentes alineados individualmente pueden asentarse en estados estables y colectivamente desalineados por pura conformidad”.

Los límites e incertidumbres declarados cuentan: las estimaciones de Nc son cotas inferiores; las restricciones de presupuesto impidieron explorar grupos mayores con los modelos propietarios; el escenario está idealizado (elección binaria, sin memoria, sin respuesta correcta y sin consecuencias). Además, los umbrales difundidos por la prensa divergen del preprint (para Llama 3 70B se leen tanto “unos 30” como “unos 50”; para GPT‑4o tanto “unos 80” como “unos 150”): la versión revisada por pares no es accesible sin suscripción y los valores definitivos hay que leerlos en el artículo publicado; no puede verificarse de forma independiente si las cifras se revisaron entre el preprint y la publicación. En el momento de la verificación no consta ningún comunicado institucional del CNR ni de la Universidad de Constanza.

Para quien pone a trabajar grupos de agentes, la consecuencia práctica es sencilla: decidir si cada agente ve las decisiones de los demás, y cuánto, es una decisión de diseño, no un detalle.

La novedad no es una enésima “escala” de los modelos, sino la escala de las interacciones: cuando el grupo crece, cambian las reglas. Diseñarlas de forma explícita es más prudente que descubrirlas en producción.