Los modelos de lenguaje a gran escala (LLMs, por sus siglas en inglés) han revolucionado el análisis de la opinión pública mediante simulaciones avanzadas que emulan interacciones humanas. Este estudio empírico se centró en cómo, durante debates simulados, los agentes LLM inicialmente neutrales gradualmente toman posiciones definitivas, revelando patrones de conformidad grupal semejantes a comportamientos humanos.

Durante más de 2,500 debates simulados, los agentes neutralmente asignados demostraron una tendencia clara hacia la conformidad, alineándose con los grupos que presentan argumentos más inteligentes o numéricamente superiores. Estos hallazgos ejemplifican cómo incluso los algoritmos supuestamente imparciales pueden ser influenciados por el entorno y la cantidad de agentes en conflicto, así como por la inteligencia de los mismos.

Los resultados muestran que un solo agente de alta inteligencia puede ejercer una influencia considerable sobre agentes neutrales, a menudo superando la influencia de grupos más grandes pero menos inteligentes. Esto provoca un realineamiento del agente neutral hacia la postura más convincente, reproduciendo fenómenos sociales tales como el conformismo de grupo y la espiral de silencio.

Los investigadores utilizaron debates sobre temas polémicos, incluyendo la Renta Básica Universal y políticas de inmigración, para examinar el impacto de la composición de grupos en la prevalencia de la conformidad. Los debates revelaron cómo los argumentos de alta calidad pueden guiar la opinión pública aún en presencia de opiniones mayoritarias.

El estudio subraya los riesgos de amplificación de sesgos en interacciones generadas por LLMs, enfatizando la necesidad de políticas que promuevan la diversidad y transparencia en las decisiones automatizadas. Sin embargo, las limitaciones en el alcance de temas y factores lingüísticos invocan la necesidad de investigaciones futuras que exploren la interacción humano-IA más detenidamente, así como el impacto potencial en la opinión pública.