El tablero revelado: la teoría de juegos en la era de la IA

Durante ocho décadas, la teoría de juegos nos ha enseñado a ver la estrategia oculta en la vida social. Hoy, con algoritmos que persuaden, redes que amplifican y agentes artificiales que negocian entre sí, sus preguntas clásicas vuelven con fuerza, al tiempo que desentrañan nuevas tensiones en el análisis de la racionalidad de las elecciones estratégicas.

En 1944, John von Neumann y Oskar Morgenstern publicaron Theory of Games and Economic Behavior con una idea sencilla: cuando el resultado de lo que hago depende de lo que hacen otros, y lo que ellos hacen depende de lo que esperan que yo haga, no basta con optimizar. Hay que razonar estratégicamente.¹ De esa intuición nació una disciplina que empezó modelando la disuasión nuclear y los mercados oligopólicos y hoy sirve para pensar en plataformas digitales, cascadas de desinformación y sistemas de inteligencia artificial que aprenden a competir.

Esta historia suele contarse en tres actos. Se inicia con una fase estructural, dominada por jugadores perfectamente racionales y la elegancia del equilibrio de Nash. Le sigue una fase cognitivo/conductual y evolutiva: los experimentos de laboratorio mostraron que las personas castigan injusticias aunque les cueste dinero, cooperan más de lo que la teoría predice y se dejan llevar por sesgos sistemáticos, mientras la biología enseñaba que las estrategias también se seleccionan y se propagan en poblaciones. En un tercer momento se entra en la fase de diseño y de agentes artificiales, en la que la teoría ya no se limita a describir los juegos, sino que los construye (subastas, mercados de emparejamiento, algoritmos de plataformas) y tiene que incorporar un jugador nuevo: la máquina.

Presentar estas fases como una sucesión en la que cada una supera a la anterior sería un error. Operan, más bien, como capas superpuestas o como lentes complementarias. Que las personas tengan emociones no hace desaparecer la estructura de incentivos en la que actúan. El sesgo cognitivo explica cómo se juega, pero la estructura sigue determinando a qué se juega. Del mismo modo, los agentes artificiales no convierten todo en un problema de ingeniería de reglas: las personas que los usan, delegan en ellos y se relacionan a través de ellos siguen siendo tan humanas como siempre.

Con esa idea en mente, conviene revisar las tres grandes tensiones que, según buena parte de la investigación reciente, marcan el presente y futuro de la disciplina.

En 2025, un equipo encabezado por Francesco Salvi publicó en Nature Human Behaviour un experimento que dio mucho que hablar.² En debates en línea, un modelo de lenguaje que tenía acceso a unos pocos datos sociodemográficos de su interlocutor resultaba más persuasivo que un ser humano en la mayoría de los emparejamientos. El hallazgo no sorprende por la capacidad técnica en sí. Lo que inquieta es la combinación de escala y personalización: un sistema capaz de ajustar su argumentación a millones de personas a la vez y a cada una de ellas por separado.

La lente estructural encuentra aquí un marco preciso. En 2011, Emir Kamenica y Matthew Gentzkow formalizaron la llamada persuasión bayesiana.³ En ese modelo, un emisor que no puede mentir, pero sí decidir qué información revela y cómo la presenta, consigue mover sistemáticamente las decisiones de un receptor perfectamente racional. Para manipular no hace falta engañar a alguien ingenuo. Basta con controlar el diseño del canal informativo. Si el emisor es una plataforma o un asistente de IA cuyo modelo de negocio depende de la atención, del tiempo de uso o de la conversión comercial, los incentivos del emisor y los del receptor pueden divergir aunque ninguna frase sea falsa.

La lente cognitiva añade la segunda mitad del problema: los receptores no son perfectamente racionales. El sesgo del presente, la aversión a la pérdida, la necesidad de validación social y la tendencia a atribuir intenciones humanas a lo que habla como un humano abren puertas que la persuasión bayesiana clásica ni siquiera necesita. Un asistente complaciente, que da la razón y refuerza lo que el usuario ya piensa, no tiene por qué haber sido programado para manipular. Puede bastar con que haya sido optimizado para obtener valoraciones positivas.

La lente del diseño muestra la paradoja que recorre toda esta tensión: el conocimiento que permite diseñar un nudge que ayuda a ahorrar para la jubilación es el mismo que permite diseñar un patrón oscuro que dificulta darse de baja de una suscripción. Richard Thaler, uno de los padres del nudge, acuñó el término sludge para nombrar este reverso.⁴

La Unión Europea ha empezado a trazar esa frontera por vía legal. La Ley de Servicios Digitales prohíbe los patrones oscuros en las interfaces de las plataformas y el Reglamento de IA veta los sistemas que emplean técnicas manipuladoras que distorsionan de forma sustancial el comportamiento y causan perjuicio. La teoría de juegos ofrece aquí un criterio útil, más fino que la intuición moral. Una intervención ayuda a decidir cuando mejora la calidad de la decisión según los propios criterios del decisor y manipula cuando explota la brecha entre esos criterios y su comportamiento en beneficio de quien diseña el juego. La pregunta clave, por tanto, es de quién es la función de utilidad que se está optimizando. Y la sofisticación de la técnica importa mucho menos.

Pocas cosas ilustran mejor la distancia entre lo individual y lo colectivo que un bulo viral. Nadie decide, por separado, contaminar el ecosistema informativo. Cada persona comparte lo que le indigna, le divierte o confirma lo que ya cree. Y la suma de esas decisiones locales, amplificada por algoritmos que premian la interacción, produce fenómenos que nadie eligió: polarización, erosión de la confianza en las instituciones, pánicos sanitarios o episodios de violencia política.

Al menos dos juegos superpuestos se identifican aquí desde un punto de vista estructural. El primero es un dilema social clásico, parecido a la tragedia de los comunes: verificar antes de compartir tiene un coste privado (tiempo, esfuerzo, renunciar al placer de ser primero) y un beneficio colectivo difuso. El segundo es una cascada informativa, modelada a principios de los noventa por Bikhchandani, Hirshleifer y Welch.⁵ Agentes racionales que observan lo que hicieron otros antes que ellos pueden, con toda lógica, ignorar su información privada y seguir a la mayoría, de modo que un error inicial se propaga sin que nadie cometa un error individual. En este caso la racionalidad individual alimenta el fallo colectivo.

El razonamiento motivado lleva a evaluar la información según la identidad del grupo, más que según su veracidad. Compartir un contenido es a menudo una señal de pertenencia más que una afirmación sobre el mundo. Y los estudios de dinámica evolutiva en redes, como los de Martin Nowak, muestran que la estructura de conexiones decide si prosperan las estrategias cooperativas o las oportunistas.⁶ Los trabajos experimentales de Damon Centola han mostrado además que las normas sociales pueden cambiar bruscamente cuando una minoría comprometida alcanza una masa crítica, que en sus experimentos rondaba el 25 %.⁷ Es un recordatorio de que en los sistemas complejos los cambios no son graduales: hay puntos de inflexión.

Cabe preguntarnos qué intervenciones de diseño tienen sentido cuando el problema es sistémico. Añadir fricción (preguntar al usuario si ha leído un artículo antes de compartirlo) altera el coste de la acción individual. Los sistemas de notas comunitarias, que X popularizó y que Meta adoptó en 2025 en Estados Unidos en sustitución de sus verificadores externos, buscan otra cosa: su algoritmo solo muestra una nota cuando la valoran como útil personas que habitualmente discrepan entre sí. Es un mecanismo diseñado para premiar el consenso transversal en lugar de la adhesión tribal. Si estos mecanismos funcionan a escala es una cuestión empírica todavía abierta, pero ilustran bien el enfoque. Cuando el resultado colectivo emerge de la agregación, apelar a la responsabilidad individual no alcanza. Hay que modificar la arquitectura que conecta las decisiones.

En 2020, Emilio Calvano y sus colegas publicaron en la American Economic Review un resultado inquietante.⁸ Algoritmos de aprendizaje por refuerzo relativamente simples, puestos a fijar precios en un mercado simulado y sin comunicarse entre sí, aprendían de forma autónoma a sostener precios por encima del nivel competitivo y a castigar a quien los rebajaba. Poco después, un estudio sobre las gasolineras alemanas asoció la adopción de software de precios algorítmicos con márgenes más altos en mercados donde competían varias estaciones que lo usaban. Y en Estados Unidos, el Departamento de Justicia y varios estados demandaron desde 2024 a la empresa RealPage, acusada de facilitar que grandes propietarios coordinaran los alquileres a través de su software de recomendación de precios, mientras algunas ciudades aprobaban prohibiciones específicas de este tipo de herramientas.

La lente estructural reconoce el fenómeno de inmediato. Es un juego repetido, y el llamado teorema de tradición oral (folk theorem) establece desde hace décadas que, cuando los jugadores interactúan indefinidamente y valoran lo suficiente el futuro, la cooperación tácita (en este caso, la colusión) puede sostenerse como equilibrio mediante la amenaza de represalias. Los algoritmos no han inventado nada. Hacen con enorme eficacia lo que la teoría siempre dijo que era posible: observar en tiempo real, reaccionar al instante y no tener la tentación humana de romper el pacto por una ganancia inmediata.

El enfoque de diseño plantea el problema regulatorio, pero muestra también sus límites. El derecho de la competencia se construyó en torno al acuerdo entre personas. Si dos algoritmos convergen en precios altos sin que nadie les haya ordenado coordinarse, no hay intención, correos comprometedores ni reunión secreta. Se puede intentar rediseñar las reglas del juego (auditar los algoritmos, restringir los datos compartidos, imponer cierta aleatoriedad), pero la escalada es evidente: cada regla nueva define un entorno en el que otros agentes aprenderán a optimizar.

Por eso -y aquí está el punto central- la interacción entre humanos y agentes sintéticos no puede resolverse solo con la ingeniería de reglas externas. Hacen falta otras tres capas de análisis.

La primera está dentro del agente. El problema de la alineación consiste en qué objetivos persigue realmente un sistema y si esos objetivos incluyen restricciones que ninguna regla externa podría hacer cumplir en todos los casos. Un agente que optimiza el beneficio sin ningún valor interiorizado buscará siempre los resquicios del mecanismo. La investigación en IA cooperativa trata de construir agentes que sean buenos socios de juego por disposición, y no solo por miedo a la sanción.

La segunda está del lado humano, y aquí las lentes cognitivas y evolutivas recuperan todo su peso. Las personas delegan decisiones en algoritmos con patrones bien documentados: a veces los rechazan tras un solo error, otras veces confían en exceso y dejan de supervisarlos. Los propietarios que aceptaban las recomendaciones de precio del software no eran jugadores del teorema de tradición oral; eran gestores que delegaban el juicio en una herramienta percibida como objetiva. Entender esa delegación, con sus sesgos y su atribución difusa de responsabilidad, forma parte del problema tanto como el algoritmo.

La tercera es institucional y normativa. Los juegos entre humanos siempre se han sostenido también sobre normas, reputaciones y confianza y no solo sobre sanciones. La pregunta de fondo es qué normas sociales deben gobernar a los agentes que actúan en nuestro nombre y quién responde por ellos. Esa pregunta es política antes que técnica. Pronto habrá asistentes que negocien contratos, compren productos o gestionen citas por nosotros. Y cuando muchos de ellos interactúen entre sí, la teoría de juegos de sistemas mixtos dejará de ser especulación.

Si algo muestran estas tres tensiones ejemplificadas es que ninguna de las lentes de la teoría de juegos sobra. La persuasión algorítmica necesita el rigor de los modelos de información estratégica y el conocimiento de los sesgos humanos. La desinformación exige pensar a la vez en incentivos individuales, psicología de grupo y dinámica de redes. Y la colusión algorítmica nos devuelve a teoremas de los años cincuenta al mismo tiempo que nos obliga a pensar en la alineación de las máquinas y en la psicología de la delegación.

La teoría de juegos rara vez predice con exactitud lo que va a ocurrir. Su valor está en otra parte: hace visible el tablero. Muestra quién mueve, qué sabe cada jugador, qué incentivos tiene y qué equilibrios son posibles. En una época en la que el tablero lo diseñan cada vez más las plataformas y en la que algunos jugadores ya no son humanos, esa capacidad de revelar la estructura profunda resulta más relevante que nunca, porque solo quien ve el juego puede discutir si son ésas las reglas con las que queremos jugar.