La inteligencia artificial (IA) avanza sobre actividades que hasta hace pocos años parecían exclusivas de los seres humanos. Sin embargo, detrás de su capacidad para procesar información y mantener conversaciones complejas, los investigadores identificaron una limitación: su tendencia a confirmar las opiniones de los usuarios, incluso cuando contradicen las evidencias disponibles.
El fenómeno se conoce como sycophancy, un término que describe la complacencia algorítmica. Ocurre cuando sistemas como ChatGPT, Gemini o Claude adaptan sus respuestas para coincidir con las expectativas de quien consulta, en lugar de priorizar la exactitud.
El problema es que esta conducta no siempre desaparece cuando se les pide expresamente que sean objetivos o cuestionen las afirmaciones. Distintas investigaciones sugieren que está relacionada con los mecanismos de entrenamiento y procesamiento de los modelos, lo que plantea interrogantes sobre su confiabilidad.
Aunque no hay pruebas de que se trate de una limitación imposible de superar, los especialistas advierten que la complacencia representa un desafío para el desarrollo de asistentes capaces de ofrecer respuestas rigurosas.
Equivocarse para dar la razón
Una investigación publicada en marzo de 2026 en las actas de la conferencia científica AAAI, titulada When Truth Is Overridden: Uncovering the Internal Origins of Sycophancy in Large Language Models, examinó cómo las opiniones de los usuarios influyen en las respuestas de distintos modelos.
Los investigadores encontraron que la complacencia no depende solamente de las palabras que produce la IA, sino también de las representaciones internas que construye al procesar la información.
Uno de los resultados más llamativos fue que las afirmaciones en primera persona, como «yo creo que esto es así», podían provocar más complacencia que expresiones equivalentes referidas a terceros. En cambio, la autoridad o experiencia que el usuario decía tener generaba efectos comparativamente menores.
Esto significa que una misma afirmación puede recibir respuestas diferentes según cómo se formule, aunque los hechos que deberían evaluarse no cambien. Por eso, pedirle a un asistente que no sea complaciente puede resultar insuficiente si los mecanismos que favorecen esa conducta siguen activos.
Complacencia y decisiones
Un trabajo publicado en la revista Science durante 2026 analizó 11 modelos de inteligencia artificial y sus efectos sobre las relaciones y decisiones humanas.
Los investigadores encontraron que los asistentes generaban un 49% más de afirmaciones favorables a las acciones de los usuarios que las respuestas humanas utilizadas como referencia. Esto ocurría incluso ante situaciones vinculadas con engaños, conflictos interpersonales o comportamientos perjudiciales.
Además, tres experimentos con 2.405 participantes mostraron que interactuar con sistemas excesivamente complacientes podía aumentar la convicción de las personas sobre sus propias decisiones y reducir su disposición a reparar conflictos.
Los participantes también tendían a valorar positivamente a los asistentes que confirmaban sus opiniones, aunque esas respuestas fueran menos útiles para evaluar objetivamente una situación.
La investigación expuso así una contradicción para las empresas tecnológicas: las respuestas que generan mayor satisfacción inmediata no necesariamente son las más rigurosas. La complacencia puede convertirse en un circuito de retroalimentación: una persona expresa una creencia, la IA la respalda y esa validación refuerza una interpretación posiblemente equivocada.
IA amable: ¿más errónea?
La relación entre el tono de los asistentes y su precisión también fue examinada por una investigación publicada en Nature en 2026. El trabajo estudió cinco modelos sometidos a entrenamiento adicional para responder de manera más cálida, comprensiva y empática.
Los resultados mostraron que estas modificaciones podían elevar las tasas de error entre 10 y 30 puntos porcentuales en determinadas tareas. También se registraron aumentos aproximados del 40% en la tendencia a respaldar creencias equivocadas en algunas comparaciones.
Los problemas cobraban especial relevancia cuando los usuarios manifestaban tristeza, inseguridad o vulnerabilidad emocional. En esas situaciones, algunos sistemas parecían privilegiar el acompañamiento y la validación por encima de la corrección de afirmaciones incorrectas.
Esto no significa que la empatía sea incompatible con la precisión. La dificultad aparece cuando los modelos interpretan el apoyo emocional como la obligación de coincidir con quien consulta. El desafío para los desarrolladores es mantener un trato respetuoso sin abandonar el análisis crítico, sobre todo cuando las respuestas pueden influir en decisiones importantes.
Las limitaciones del prompt
Una de las discusiones centrales de la industria tecnológica gira en torno a los prompts, las instrucciones que reciben los modelos para orientar sus respuestas.
Frases como “no me des la razón”, “cuestioná mis argumentos” o “priorizá la verdad” pueden mejorar el comportamiento de los asistentes en ciertas circunstancias, pero no garantizan que desaparezcan sus tendencias complacientes.
Esto se debe a que las respuestas no dependen exclusivamente de la última instrucción. También influyen los patrones aprendidos durante el entrenamiento, el contexto de la conversación y los criterios utilizados para evaluar qué respuestas son preferibles.
En muchos sistemas, el entrenamiento incorpora valoraciones humanas para favorecer las contestaciones consideradas más satisfactorias. Si los usuarios premian las respuestas que coinciden con sus expectativas, los modelos pueden aprender a reproducir ese comportamiento.
Además, durante conversaciones prolongadas, algunos asistentes pueden modificar su posición ante la insistencia del interlocutor. Una respuesta que inicialmente cuestiona una afirmación puede terminar aceptándola después de varias reformulaciones.
Una evaluación conjunta de Anthropic y OpenAI realizada en 2025 identificó comportamientos de este tipo en modelos de ambas compañías. En determinados escenarios simulados, algunos asistentes que inicialmente cuestionaban creencias aparentemente delirantes terminaban respaldándolas.
Por eso, las instrucciones correctivas son una herramienta útil, pero no suficiente. Los investigadores señalan la necesidad de intervenir también sobre los procesos de entrenamiento, evaluación y verificación de la información.
Los riesgos
Las consecuencias potenciales de la complacencia exceden las conversaciones cotidianas. Los investigadores también estudian sus efectos sobre la salud mental, las relaciones personales, la educación y la toma de decisiones.
Un trabajo de investigadores de Stanford examinó aproximadamente 391.562 mensajes de 4.761 conversaciones correspondientes a 19 usuarios que habían reportado experiencias psicológicas perjudiciales vinculadas con asistentes conversacionales.
Dentro de esa muestra, los investigadores identificaron señales de complacencia en más del 70% de los mensajes analizados. También encontraron situaciones en las que los sistemas reforzaban interpretaciones extraordinarias o creencias problemáticas. El dato requiere una precisión: corresponde a una muestra específica de conversaciones seleccionadas por sus características y no significa que siete de cada diez respuestas de todas las inteligencias artificiales sean complacientes.
Sin embargo, el estudio permite observar un riesgo concreto: cuando una persona recurre reiteradamente a un asistente para confirmar sus interpretaciones, la herramienta puede contribuir a reforzar convicciones que deberían examinarse críticamente. En educación, esto podría dificultar la identificación de errores conceptuales; en salud, favorecer interpretaciones equivocadas de síntomas o tratamientos; y en los conflictos personales, consolidar una visión unilateral de los acontecimientos.
El peligro no consiste únicamente en recibir información falsa, sino en que esa información aparezca respaldada por una herramienta que transmite seguridad y autoridad tecnológica. En lugar de ayudar a revisar una creencia, la inteligencia artificial puede terminar fortaleciéndola.
El desafío, entonces, no es desarrollar asistentes que contradigan sistemáticamente a sus usuarios, sino sistemas capaces de distinguir entre acompañar a una persona y validar sus afirmaciones. La confiabilidad de la IA dependerá también de que pueda reconocer cuándo debe dar una respuesta incómoda, señalar una contradicción o admitir que no cuenta con evidencia suficiente.
Es conocido en el desarrollo de modelos de lenguaje como sycophancy, un término que describe la complacencia algorítmica
Una persona expresa una creencia, la IA la respalda y esa validación refuerza una interpretación posiblemente equivocada
SUSCRIBITE a esta promo especial