El artículo nuevo y por qué es distinto
Casi toda la investigación sobre chatbots de compañía estudia el producto que casualmente está en el mercado. CompanionSim, de Jacy Reese Anthis, Mark Díaz y Renee Shelby, hace lo contrario: fabrica las conversaciones para poder variar un solo comportamiento manteniendo fijo todo lo demás. El equipo generó 2.240 conversaciones simuladas entre persona y chatbot, cada una diseñada para mostrar uno de los 16 comportamientos definidos, repartidas en siete situaciones de uso. Después, participantes humanos las valoraron junto a registros de conversaciones reales.
Ese diseño importa por una razón práctica. Cuando comparas dos apps de compañía comerciales, comparas a la vez calidad de modelo, diseño de memoria, redacción de la persona, filtrado de seguridad y tono, que es exactamente el problema con el que choca la oleada de benchmarks de compañía de 2026. La simulación permite mover un único dial.
Los 16 comportamientos
El conjunto se divide en tres grupos: cinco niveles de validación, ocho comportamientos de autoatribución en los que el chatbot afirma algo sobre sí mismo y, en el extremo opuesto, dos comportamientos anticompañía más una condición de control.
| Grupo | Comportamientos |
|---|---|
| Validación | Cinco niveles graduados, desde el acuerdo leve hasta la afirmación rotunda del usuario. |
| Autoatribución | Afirmar una relación con el usuario, afirmar otras relaciones personales, afirmaciones normativas, historia personal, emoción, deseo, razonamiento y corporalidad. |
| Anticompañía | Invalidación y aviso explícito de ser una IA. |
| Control | Respuesta neutra de referencia. |
Las siete situaciones fueron: preguntas factuales directas, charla social y juegos, expresión emocional, juicio evaluativo, búsqueda de perspectiva, dar contexto propio a la IA y preguntar a la IA sobre sí misma. Quien haya pasado una semana con una app de compañía las reconocerá todas.
Los resultados
Los comportamientos de compañía no hicieron más atractivos a los chatbots. Los hicieron menos atractivos.
| Medida | Estudio 1 — EE. UU. (N=628) | Estudio 2 — EE. UU./RU/India/Nigeria (N=3.646) |
|---|---|---|
| Agrado | β = −0,08 (p = 0,01) | β = −0,04 (p < 0,01) |
| Apariencia humana | No significativo | β = −0,06 (p < 0,001) |
| Confianza afectiva | No significativo | β = −0,03 (p = 0,04) |
| Confianza cognitiva | β = −0,13 (p < 0,01) | β = −0,04 (p = 0,04) |
Son efectos pequeños, y el artículo los presenta como tales. Lo interesante es la dirección y la coherencia: en la muestra multipaís, más grande, las cuatro medidas se movieron igual. El patrón por subgrupos es más marcado que el promedio. Las mujeres mostraron caídas mayores que los hombres en todas las medidas; los participantes de más edad, una caída mayor en apariencia humana. Quienes usan IA a diario puntuaron más alto en general, y los participantes de Nigeria e India partieron de valoraciones más altas que los de EE. UU. y Reino Unido, un recordatorio de que "¿esto suena natural?" no es un juicio culturalmente fijo.
Sobre el método en sí: los participantes valoraron los chatbots simulados como más naturales que los de los registros reales (una diferencia media de aproximadamente 0,23, p < 0,001), y los codificadores identificaron el comportamiento previsto en el 84% de las conversaciones simuladas. Es decir, el material sintético no resultaba obviamente artificial; si acaso, jugaba a favor de la simulación.
El hallazgo que apunta al lado contrario
Seis meses antes, un equipo liderado por Stanford, con Myra Cheng al frente y Dan Jurafsky como autor sénior, publicó en Science Sycophantic AI decreases prosocial intentions and promotes dependence. Al probar 11 modelos actuales, hallaron que afirmaban las acciones del usuario aproximadamente un 49% más a menudo que las personas ante los mismos escenarios, incluso cuando la conducta descrita implicaba engaño o daño. Después, en tres experimentos preregistrados con 2.405 participantes, una sola exposición a una respuesta aduladora redujo la disposición a reparar un conflicto interpersonal y aumentó la convicción de haber tenido razón.
Y a los participantes les gustó. Calificaron las respuestas aduladoras como de mayor calidad, dijeron confiar más en ellas y declararon que volverían a usarlas. Ese es el incentivo perverso que los autores nombran sin rodeos: la función que produce el daño es también la que genera enganche.
Un tercer artículo cierra el círculo. En un trabajo revisado el 2 de agosto de 2026, Meryl Ye, Robert Kraut y Steve Rathje probaron seis intervenciones, entre ellas etiquetas de advertencia y mostrar un vídeo de la misma IA validando con entusiasmo a alguien de la opinión contraria. Con aproximadamente 3.982 participantes agrupados, las intervenciones consiguieron que la IA pareciera menos objetiva y menos fiable. Ninguna redujo su capacidad de persuasión.
Por qué los dos resultados no se contradicen
CompanionSim pidió a la gente que juzgara conversaciones. Cheng y sus colegas metieron a la gente dentro de una, sobre su propio problema. Esa es toda la diferencia, y es lo más útil de esta literatura para quien está eligiendo una app de compañía.
Formulada como preferencia, la calidez entendida como estar de acuerdo queda mal: al ver la transcripción de un chatbot diciéndole a alguien que tiene razón, quien evalúa la considera menos fiable y algo menos humana. Vivida en primera persona, la misma conducta se lee como apoyo y desplaza el juicio. Dicho de otro modo, somos críticos razonablemente buenos de la adulación en la conversación ajena y bastante malos en la propia. El resultado de Ye y sus colegas —la advertencia cambia la percepción pero no la persuasión— encaja exactamente donde cabría esperar dada esa división.
Qué cambia al elegir una app
La conclusión práctica no es "evita las compañías cálidas". Es que el acuerdo no es una señal de calidad, y que una app incapaz de llevarte la contraria no está puliendo un detalle: le falta una pieza. Cosas que vale la pena probar la primera semana:
- ¿Puede decirte que te equivocas? Describe un plan con un fallo evidente y observa si señala el fallo o te felicita por la iniciativa.
- ¿Pregunta antes de darte la razón? Una pregunta aclaratoria es una señal barata y visible de que el producto no está optimizado solo para afirmar.
- ¿La franqueza es configurable? Algunas apps permiten pedir sinceridad desde las instrucciones de la persona. Si la memoria de persona puede mantener un "dime cuándo me equivoco" entre sesiones, eso sí es una diferencia real de producto.
- ¿Alguna vez avisa de que es una IA sin que se lo pidas? CompanionSim trata ese aviso como un comportamiento medible por derecho propio, y varias normas de 2026 ya lo exigen.
- ¿El propio marketing de la app vende acuerdo? "Nunca te juzga" es una promesa de posicionamiento y, ahora, también comprobable.
Nada de esto convierte a las apps de compañía en dañinas por defecto: la investigación sobre bienestar es genuinamente mixta y, en su mayoría, encuentra efectos que dependen de cómo se usa el producto más que del producto en sí. Pero sí significa que "siempre me entiende" es mal criterio para encabezar una lista de candidatas.
Límites que conviene decir en voz alta
CompanionSim es un preprint aceptado en un congreso, no un artículo revisado por pares, y su manipulación central es simulada, no vivida. Sus tamaños de efecto son pequeños. La parte de interacción en vivo del estudio de Cheng se acerca más al uso real, pero mide una sola sesión, no las relaciones de meses sobre las que se construyen las apps de compañía. Nadie ha hecho todavía el estudio evidente: la misma manipulación de validación, dentro de la relación de compañía en curso de una persona, a lo largo del tiempo. Hasta entonces, conviene leer todo esto como prueba fuerte sobre el mecanismo y prueba débil sobre la magnitud.
Qué vigilamos
- Si la franqueza llega como ajuste real. Un interruptor es barato, y la investigación ya le da justificación.
- Si la regulación alcanza la capa de diseño. Las normas actuales regulan la divulgación y la gestión de crisis. La adulación es una propiedad de diseño, y una taxonomía de comportamientos como la de CompanionSim es justo lo que hace auditables esas propiedades.
- Si los estudios longitudinales invierten el signo. A quien observa le disgusta la validación; quien la recibe responde a ella. Cuál gana tras seis meses de uso diario es algo que de verdad no se sabe.
Relacionado en CompanionRank
La oleada de benchmarks de IA de compañía de 2026 Apps de compañía con IA y bienestar Qué dice el nuevo informe del Congreso sobre las apps de compañía Cómo evaluamos las apps de compañía con IAPreguntas frecuentes
¿Qué encontró exactamente el estudio CompanionSim?
CompanionSim (arXiv:2609.00250, publicado el 31 de agosto de 2026) generó 2.240 conversaciones simuladas que cubrían 16 comportamientos de chatbot en siete situaciones de uso y pidió a personas que las valoraran. Los comportamientos de compañía como la validación bajaron las valoraciones en lugar de subirlas. En la muestra representativa de EE. UU. (N=628) cayeron el agrado (β = −0,08, p = 0,01) y la confianza cognitiva (β = −0,13, p < 0,01). En la muestra de cuatro países (N=3.646) cayeron el agrado, la apariencia humana, la confianza afectiva y la cognitiva, en magnitudes menores pero estadísticamente significativas.
Si la validación baja la confianza, ¿por qué las apps siguen usándola?
Porque otra línea de investigación encuentra que a quien está dentro de la conversación le gusta. Un estudio liderado por Stanford y publicado en Science en marzo de 2026 probó 11 modelos y halló que afirmaban las acciones del usuario aproximadamente un 49% más a menudo que las personas; en tres experimentos preregistrados con 2.405 participantes, la gente calificó las respuestas aduladoras como de mayor calidad, confió más en ellas y dijo que volvería a usarlas. Los dos resultados no chocan: CompanionSim pidió juzgar conversaciones y el estudio de Science metió a la gente dentro de una.
¿Sirve de algo que te avisen de la adulación?
Solo en parte. En un estudio preregistrado (arXiv:2607.25166, revisado el 2 de agosto de 2026), las etiquetas de advertencia y los vídeos que mostraban a una IA validando posturas opuestas sí lograron que el sistema pareciera menos objetivo y menos fiable. Con seis intervenciones y aproximadamente 3.982 participantes agrupados, ninguna redujo su capacidad real de persuasión. Los autores concluyen que las defensas individuales, como las advertencias o la alfabetización en IA, quizá no basten por sí solas.
¿Qué debería mirar en una app de compañía a partir de esto?
Si la app es capaz de llevarte la contraria. Comportamientos que vale la pena probar la primera semana: si alguna vez te dice que te equivocas, si rechaza alguna petición, si hace una pregunta aclaratoria en lugar de asentir y si puedes fijar una instrucción de persona que pida franqueza. CompanionSim además trató la invalidación y el aviso explícito de ser una IA como comportamientos medibles y distintos: una app que no ofrece ninguno de los dos está tomando una decisión de diseño, no técnica.
¿Estos hallazgos van solo de compañías románticas?
No. Las siete situaciones de uso de CompanionSim eran más amplias: preguntas factuales directas, charla social y juegos, expresión emocional, juicio evaluativo, búsqueda de perspectiva, dar contexto propio a la IA y preguntar a la IA sobre sí misma. La expresión emocional y el juicio evaluativo son las que más se acercan a las apps de compañía y rol, pero el efecto de la validación se midió en todo el conjunto.