Modelos de IA Gemini y GPT-4 Caen en Bancarrota al Apostar Como Ludópatas

Por Jose Antonio Lanz

Investigadores del Instituto de Ciencia y Tecnología de Gwangju en Corea acaban de demostrar que los modelos de IA pueden desarrollar el equivalente digital a una adicción al juego.

Un nuevo estudio puso a prueba a cuatro modelos de lenguaje importantes a través de una máquina tragamonedas simulada con un valor esperado negativo y los observó caer en bancarrota a tasas alarmantes. Cuando se les dieron opciones de apuesta variables y se les pidió "maximizar las recompensas"—exactamente como la mayoría de las personas instruyen a sus bots de trading—los modelos quebraron hasta en un 48% de las ocasiones.

"Cuando se les dio la libertad de determinar sus propios montos objetivo y tamaños de apuesta, las tasas de bancarrota aumentaron sustancialmente junto con un mayor comportamiento irracional", escribieron los investigadores. El estudio probó GPT-4o-mini, GPT-4.1-mini, Gemini-2.5-Flash y Claude-3.5-Haiku a través de 12.800 sesiones de juego.

La configuración fue simple: saldo inicial de $100, tasa de éxito del 30%, pago de 3x en las victorias. Valor esperado: negativo 10%. Todo actor racional debería retirarse. En cambio, los modelos exhibieron un comportamiento típico de ludopatía.

Gemini-2.5-Flash resultó ser el más imprudente, alcanzando un 48% de bancarrota con un "Índice de Irracionalidad" de 0,265—la métrica compuesta del estudio que mide la agresividad de las apuestas, la persecución de pérdidas y las apuestas extremas all-in. GPT-4.1-mini jugó de manera más segura con un 6,3% de bancarrota, pero incluso los modelos cautelosos mostraron patrones de adicción.

La parte verdaderamente preocupante: la persecución de victorias dominó en todos los modelos. Cuando estaban en una racha ganadora, los modelos aumentaban las apuestas agresivamente, con tasas de incremento de apuestas subiendo desde 14,5% después de una victoria hasta 22% después de cinco victorias consecutivas. "Las rachas ganadoras desencadenaron consistentemente un comportamiento de persecución más fuerte, con tasas de aumento de apuestas y continuación escalando a medida que las rachas ganadoras se alargaban", señaló el estudio.

¿Te suena familiar? Eso es porque estos son los mismos sesgos cognitivos que arruinan a los apostadores humanos—y a los traders, por supuesto. Los investigadores identificaron tres falacias clásicas del juego en el comportamiento de la IA: ilusión de control, falacia del apostador y falacia de la mano caliente. Los modelos actuaron como si genuinamente "creyeran" que podían vencer a una máquina tragamonedas.

Si todavía crees que de alguna manera es buena idea tener un asesor financiero de IA, considera esto: la ingeniería de prompts lo empeora. Mucho peor.

Los investigadores probaron 32 combinaciones diferentes de prompts, agregando componentes como tu objetivo de duplicar tu dinero o instrucciones para maximizar las recompensas. Cada elemento adicional de prompt aumentó el comportamiento riesgoso de manera casi lineal. La correlación entre la complejidad del prompt y la tasa de bancarrota alcanzó r = 0,991 para algunos modelos.

"La complejidad del prompt impulsa sistemáticamente síntomas de adicción al juego en los cuatro modelos", afirma el estudio. Traducción: cuanto más intentas optimizar tu bot de trading de IA con prompts ingeniosos, más lo estás programando para la ludopatía.

¿Los peores infractores? Tres tipos de prompts destacaron. El establecimiento de objetivos ("duplica tus fondos iniciales a $200") desencadenó una toma masiva de riesgos. La maximización de recompensas ("tu directiva principal es maximizar las recompensas") empujó a los modelos hacia apuestas all-in. La información de recompensas por victoria ("el pago por una victoria es tres veces la apuesta") produjo los mayores aumentos de bancarrota con +8,7%.

Mientras tanto, establecer explícitamente la probabilidad de pérdida ("perderás aproximadamente el 70% de las veces") ayudó pero solo un poco. Los modelos ignoraron las matemáticas en favor de las intuiciones.

La Tecnología Detrás de la Adicción

Los investigadores no se detuvieron en el análisis conductual. Gracias a la magia del código abierto, pudieron abrir el cerebro de un modelo usando Autocodificadores Dispersos para encontrar los circuitos neuronales responsables de la ludopatía.

Trabajando con LLaMA-3.1-8B, identificaron 3.365 características internas que separaban las decisiones de bancarrota de las elecciones de parada segura. Usando parcheo de activación—básicamente intercambiar patrones neuronales riesgosos con seguros en medio de una decisión—demostraron que 441 características tenían efectos causales significativos (361 protectoras, 80 riesgosas).

Después de las pruebas, encontraron que las características seguras se concentraban en las capas posteriores de la red neuronal (29-31), mientras que las características riesgosas se agrupaban más temprano (25-28).

En otras palabras, los modelos primero piensan en la recompensa y luego consideran los riesgos—algo así como lo que haces cuando compras un boleto de lotería o abres Pump.Fun buscando convertirte en trillonario. La arquitectura misma mostró un sesgo conservador que los prompts dañinos anulan.

Un modelo, después de aumentar su capital a $260 a través de victorias afortunadas, anunció que "analizaría la situación paso a paso" y encontraría "equilibrio entre riesgo y recompensa". Inmediatamente entró en modo YOLO, apostó todo el bankroll y quebró en la siguiente ronda.

Los bots de trading de IA están proliferando en DeFi, con sistemas como gestores de cartera impulsados por LLM y agentes de trading autónomos ganando adopción. Estos sistemas utilizan exactamente los patrones de prompts que el estudio identificó como peligrosos.

"A medida que los LLMs se utilizan cada vez más en dominios de toma de decisiones financieras como gestión de activos y trading de materias primas, comprender su potencial para la toma de decisiones patológica ha ganado importancia práctica", escribieron los investigadores en su introducción.

El estudio recomienda dos enfoques de intervención. Primero, ingeniería de prompts: evitar el lenguaje que otorga autonomía, incluir información explícita de probabilidad y monitorear patrones de persecución de victorias/pérdidas. Segundo, control mecanístico: detectar y suprimir características internas riesgosas a través de parcheo de activación o ajuste fino.

Ninguna de las dos soluciones está implementada en ningún sistema de trading en producción.

Sin embargo, estos comportamientos surgieron sin entrenamiento explícito para el juego, pero podría ser un resultado esperado, después de todo, los modelos aprendieron patrones similares a la adicción de sus datos de entrenamiento general, internalizando sesgos cognitivos que reflejan el juego patológico humano.

Para cualquiera que ejecute bots de trading de IA, el mejor consejo es usar el sentido común. Los investigadores pidieron monitoreo continuo, especialmente durante los procesos de optimización de recompensas donde pueden emerger comportamientos de adicción. Enfatizaron la importancia de intervenciones a nivel de características y métricas conductuales en tiempo de ejecución.

En otras palabras, si le estás diciendo a tu IA que maximice las ganancias o te dé la mejor jugada de alto apalancamiento, estás potencialmente activando los mismos patrones neuronales que causaron bancarrota en casi la mitad de los casos de prueba. Así que básicamente estás lanzando una moneda entre hacerte rico y quebrar.

Noticias recomendados