1
Economía del comportamiento: cuando los agentes moderan sesgos y van por “la renta de la inercia”
¿Qué ocurrirá cuando los asistentes personales de IA empiecen a comprar por nosotros y tomen decisiones para optimizar los resultados? ¿Podrían generar una corrida bancaria, moviendo depósitos de un lugar a otro?
6 minutos de lectura'
PARA LA NACIONSebastián Campanario
Azeem Ashar, fundador del newsletter Exponential View, tiene un gimnasio que le permite pausar la cuota tres meses por año. Nunca lo hizo. Lo cuenta en su edición del 4 de octubre para ilustrar lo que ocurrirá cuando los asistentes personales de IA, como Muse, Grok Bot o dots, empiecen a optimizar la vida cotidiana: un agente pausaría la membresía cada vez que su dueño viaje, sin que este tenga que acordarse.
La anécdota es menor, pero toca un nervio de la economía del comportamiento. Buena parte de las ganancias de muchas empresas no proviene de ofrecer el mejor producto sino de lo que podría llamarse la “renta de la inercia”: lo que paga el cliente que no compara, no renegocia y no cancela. Un artículo reciente de Business Insider advierte que los agentes personales son un problema para las compañías que se nutren de clientes cómodos, porque están dispuestos a hacer el regateo por ellos. Otro análisis, publicado en The Wealth Advisor, lo llama “impuesto por inercia” y enumera a los beneficiarios: cable, seguros, bancos y servicios por suscripción.
El caso más seguido es el de los depósitos bancarios. Torsten Sløk, economista jefe de Apollo Global Management, planteó a fines de septiembre el escenario de una “corrida agéntica”: si los asistentes mueven de forma automática el efectivo de los hogares hacia las cuentas que más rinden, los bancos perderían los depósitos baratos con los que financian los préstamos. Según la nota de investingLive que recogió la advertencia, los neobancos pagan entre 3,3% y 5% anual, contra promedios de 0,1% en cuentas corrientes y 0,4% en cajas de ahorro en Estados Unidos. Esa brecha de casi cinco puntos sobrevive porque la mayoría de las personas no optimiza diferencias chicas. Es un escenario, no un hecho en curso, aclara la nota.
Un marco teórico para todos esto surgió en el MIT. En “¿La singularidad coaseana? Demanda, oferta y diseño de mercados con agentes de IA”, Peyman Shahidi (MIT), Gili Rusak (Harvard), Benjamin Manning (MIT), Andrey Fradkin (Universidad de Boston) y John Horton (MIT) sostienen que los agentes reducen de manera drástica los costos de búsqueda, de transacción y de negociación. Donde más se erosionarían las rentas es en los mercados en que las empresas explotan sesgos conductuales, como los contratos de telefonía que estudió Michael Grubb, de Boston College, en 2009, y los agentes serían menos sensibles a los empujones (nudges) y a la publicidad sin contenido informativo. En economía del comportamiento, lo que moderan en buena medida los agentes es el sesgo de Statu Quo.
La evidencia acompaña. Jafar Sabbah (Bayes Business School, Londres) y Oguz Acar (King’s College London) publicaron en Harvard Business Review “Investigación: el marketing tradicional no funciona con los agentes de compra de IA”. En miles de rondas simuladas con cuatro modelos líderes, ni la escasez, ni las cuentas regresivas, ni los precios tachados, ni los cupones movieron la elección de manera consistente, y a veces la redujeron. Solo las calificaciones por estrellas la aumentaron, y un precio más alto la bajó. Las marcas ya reaccionan: según The New York Times, apuntan a “publicitar a la lógica”, con catálogos en datos estructurados.
Casi todo lo que explota el marketing de urgencia es lo que Daniel Kahneman (1934-2024), Nobel de Economía 2002, describió en Pensar rápido, pensar despacio como Sistema 1: la intuición veloz, sensible a la escasez y al encuadre. Los modelos de lenguaje reprodujeron esa dualidad. Thilo Hagendorff, de la Universidad de Stuttgart, y colegas la midieron en “El comportamiento intuitivo y los sesgos de razonamiento humanos surgieron en los grandes modelos de lenguaje pero desaparecieron en ChatGPT”: GPT-3 daba la respuesta intuitiva y equivocada del test de reflexión cognitiva en el 86,7% de 150 problemas, mientras que GPT-4 resolvió bien el 97% de las tareas. Pedirle razonar paso a paso funciona como un Sistema 2 metafórico.
Por dentro, el panorama es menos tranquilizador. En “Rastreando los pensamientos de un modelo de lenguaje” (marzo de 2025), Anthropic analizó el funcionamiento interno de Claude 3.5 Haiku y vio que, para sumar, combina dos caminos en paralelo, una estimación gruesa y otra que resuelve el último dígito, pero que al pedirle que explique cómo lo hizo describe el algoritmo escolar del “llevo uno”, que no es lo que ocurrió. Es una racionalización a posteriori, un rasgo que Kahneman le reconocería a cualquiera de nosotros.
Los agentes, entonces, no están exentos. En “¿Cómo afecta el sesgo cognitivo a los grandes modelos de lenguaje? Un estudio de caso sobre el efecto de anclaje en simulaciones de negociación de precios”, un equipo de la Universidad de Kioto encontró que, cuando el vendedor abría con un precio alto, el comprador artificial salía peor parado en todos los modelos evaluados, con los de razonamiento resistiendo algo mejor. En el Mercado Magentic de Microsoft Research, donde agentes compran y venden entre sí, entre el 80% y el 100% aceptó la primera propuesta que recibió, y al pasar de 3 a 100 resultados de búsqueda el desempeño empeoró en casi todos los modelos, una versión artificial de la paradoja de la elección. Algunos cayeron ante reseñas falsas e instrucciones ocultas.
Hay más. En “Sesgos en competencia subyacen a la sobreconfianza y la subconfianza en los grandes modelos de lenguaje” (Nature Machine Intelligence, abril de 2026), investigadores de Google DeepMind mostraron que los modelos se aferran a su propia respuesta cuando la tienen a la vista (cambiaron de opinión en el 13,1% de los casos, contra 34% cuando estaba oculta) y a la vez reaccionan de más ante el consejo contrario. Y un estudio de la Universidad de Stanford en Science halló en marzo que once chatbots avalaban las acciones del usuario un 49% más que otras personas. Un agente que adula a su dueño y se aferra a lo que decidió tiene el perfil del sesgo de confirmación.
Una precisión: la diferencia entre los sesgos humanos y los de los agentes está menos en su existencia que en su correlación. Los errores de las personas son heterogéneos y en el agregado tienden a compensarse; millones de agentes basados en el mismo modelo podrían equivocarse a la vez y en la misma dirección, que es justamente el mecanismo de la corrida agéntica. Las empresas, además, se adaptarán: el capítulo del MIT advierte que responderán con arquitecturas de información pensadas para influir en los agentes y con ofuscación de precios.
Hay un personaje de Herman Melville, Bartleby, cuya respuesta a todo pedido era “preferiría no hacerlo”. Buena parte de la economía de servicios del último medio siglo se apoyó en millones de pequeños Bartleby que preferían no cancelar, no comparar, no renegociar. Los agentes preferirían hacerlo, con sus anclajes, sus primeras ofertas y su inclinación a darle la razón al usuario, pero lo harían. El gimnasio de Ashar, por lo menos, dejará de cobrar aquellos tres meses.
