La industria de la IA ha estado utilizando discretamente los modelos de lenguaje como sustitutos de sujetos humanos en investigación psicológica, económica y educativa. La lógica es tentadora: en lugar de reclutar a miles de participantes, basta con lanzar un prompt a un chatbot y obtener resultados instantáneos. Un nuevo estudio masivo con 208.000 participantes humanos reales y 26 millones de respuestas desmonta esa suposición con una claridad brutal. El proceso de entrenamiento que convierte modelos de lenguaje en bruto en asistentes útiles degrada sistemáticamente su capacidad para simular el comportamiento humano. Esto no es un artefacto menor: es un trade-off estructural que empeora con cada generación del modelo.
El estudio comparó los modelos base —aquellos entrenados solo para predecir la siguiente palabra— con sus variantes post-entrenadas en tres familias de modelos: Qwen3, Llama3 y OLMo 3. En todas las comparaciones, el modelo base predijo mejor lo que dirían los participantes humanos reales que su descendiente fine-tuneado. No por poco, sino de forma consistente. Las mayores distorsiones aparecen en tareas de lenguaje y razonamiento, exactamente los dominios donde el RLHF empuja a los modelos hacia la corrección normativa en lugar de capturar los sesgos sistemáticos y las heurísticas que definen la toma de decisiones humana real. La brecha no se cierra: se amplía. Los modelos base mejoran constantemente entre generaciones, pero el delta entre un Qwen3 base y su versión asistente es mayor que el delta entre Qwen2 y Qwen3.
Aquí es donde se vuelve realmente incómodo para los profesionales. El experimento probó una solución popular: anteponer perfiles demográficos detallados —edad, género, nacionalidad, diagnósticos clínicos— al prompt, básicamente intentando interpretar a un participante concreto. El efecto fue prácticamente nulo. Darle al modelo la edad exacta y el nivel educativo de alguien no hace que prediga mejor sus respuestas. No estamos ante un problema de prompt engineering; estamos ante una capacidad fundamental que se sobrescribe durante el alignment. Los modelos han sido entrenados para ser útiles, inofensivos y honestos, y en el proceso han perdido el ruido y la irracionalidad que hacen que el comportamiento humano sea predecible a escala.
El estudio también demuestra que esto no es un límite duro. Un modelo llamado Centaur, fine-tuneado directamente con datos de comportamiento, mostró una concordancia mucho mayor con las respuestas humanas incluso en tareas que no había visto. El entrenamiento dirigido funciona cuando el objetivo es la fidelidad conductual en lugar de la corrección lógica. El problema no es el fine-tuning en sí, sino el objetivo. El RLHF optimiza para lo que un asistente útil debería decir, no para lo que un humano diría realmente. Esos dos objetivos están cada vez más enfrentados, y a medida que las técnicas de post-entrenamiento se vuelven más agresivas —modelos de razonamiento, instruction tuning, extensiones de visión— la divergencia se acelera.
Para cualquiera que construya aplicaciones que dependan de los LLMs como proxies humanos —ya sea para investigación de usuarios, formación clínica o simulación de políticas— el mensaje es inequívoco. Dejen de usar los modelos asistente convenientes. Están induciendo activamente a error. Usen modelos base o, mejor aún, modelos específicamente fine-tuneados para la predicción de comportamiento. La obsesión de la industria por la utilidad como único eje de calidad está creando puntos ciegos. Estamos puliendo un espejo que ya no refleja lo que debería. La paradoja del RLHF no es solo una curiosidad académica: es una restricción de diseño que todos los desarrolladores que trabajan con LLMs deben interiorizar. A veces, el modelo más útil es aquel al que aún no se le ha dado utilidad.
