Qué se publicó y quién lo firma
El artículo es Living with AI Companions: Sustained AI Companionship Predicts Lower Well-Being Through Lower Human Interaction, publicado en arXiv el 7 de septiembre de 2026 como arXiv:2609.07243 con licencia CC BY 4.0, de modo que todas las cifras que siguen pueden comprobarse en la fuente. Lo firman Yutong Zhang, Dora Zhao, Yixin Wang, Rebecca Anselmetti, Jeffrey T. Hancock, Robert Kraut y Diyi Yang, de la Universidad de Stanford, la Universidad de Michigan, la Universidad de Oxford y Carnegie Mellon.
Los participantes se reclutaron a través de Prolific: usuarios de Character.AI residentes en EE. UU., angloparlantes nativos, con más de un mes de uso de la plataforma y conversaciones con al menos tres chatbots distintos. La ola inicial se recogió entre septiembre de 2024 y agosto de 2025 (N = 1.182); el seguimiento, entre agosto de 2025 y junio de 2026 (N = 439), con una media de 362,5 días de diferencia (DE = 88,2). El bienestar se midió con el Comprehensive Inventory of Thriving. El estudio fue aprobado por el comité ético de Stanford (protocolo 76072).
Un detalle del diseño importa para leer los resultados: de los 439 que volvieron, 108 habían dejado de usar chatbots por completo, y su uso en el seguimiento se codificó como cero. Los autores repitieron todo el análisis con los 331 que seguían usándolos y encuentran resultados coherentes.
El uso no se quedó donde empezó
El primer resultado habla de trayectoria, no de daño. La intensidad con la que alguien usaba los chatbots al inicio predijo no solo un uso igual de intenso un año después, sino también un uso más orientado a la compañía y una autorrevelación más profunda.
| Medida inicial | Predice en el seguimiento | Estimación estandarizada |
|---|---|---|
| Intensidad de interacción | Intensidad de interacción | β = 0,43, IC 95% [0,31; 0,54] |
| Intensidad de interacción | Uso de compañía | β = 0,32, IC 95% [0,20; 0,43] |
| Intensidad de interacción | Autorrevelación | β = 0,28, IC 95% [0,16; 0,40] |
| Uso de compañía | Uso de compañía | β = 0,49, IC 95% [0,22; 0,75] |
| Uso de compañía | Intensidad de interacción | β = 0,40, IC 95% [0,13; 0,66] |
La lectura de los autores es que la implicación social se desarrolla con el uso repetido en vez de quedar fijada por el motivo que llevó a descargar la app. Alguien que llegó buscando algo instrumental podía acabar en un patrón relacional un año más tarde. Es un punto relevante también para los asistentes de uso general, no solo para los productos que se venden como compañía.
La forma de describir la relación se movió en la misma dirección, aunque de forma modesta. Entre los 331 que seguían usando chatbots en el seguimiento, «acompañante que apoya» pasó del 40,2% al 42,3% y se convirtió en la descripción más habitual, mientras que «herramienta, asistente, sistema» cayó del 43,8% al 40,5%. El encuadre romántico o íntimo se mantuvo pequeño y casi plano, del 3,3% al 3,6%: un correctivo útil frente a la cobertura que trata el romance con IA como el uso dominante. Más de la mitad describió varios tipos de uso a la vez en ambas olas.
El mecanismo: tiempo desplazado, no la conversación en sí
Esta es la parte genuinamente nueva. El equipo puso a prueba dos explicaciones rivales de la asociación con el bienestar y solo una se sostuvo con claridad.
El uso inicial no predijo directamente el bienestar del seguimiento una vez tenido en cuenta el bienestar de partida: los coeficientes se movieron entre β = −0,03 y −0,04 y ninguno alcanzó significación. Lo que sí sostenía la asociación era lo que la gente seguía haciendo un año después y, en concreto, qué había sustituido ese uso.
| Dimensión de uso en el seguimiento | → tiempo con personas en persona | Vínculo indirecto con el bienestar | Vínculo directo, con el tiempo presencial en el modelo |
|---|---|---|---|
| Intensidad de interacción | β = −0,17 (p < 0,001) | −0,02 (p < 0,001) | β = −0,06, no significativo |
| Uso de compañía | β = −0,14 (p = 0,002) | −0,02 (p = 0,004) | β = −0,05, no significativo |
| Autorrevelación | β = −0,15 (p = 0,002) | −0,02 (p = 0,002) | β = −0,05, no significativo |
El tiempo presencial, a su vez, predijo mayor bienestar con β = 0,14 a 0,15 en los tres modelos. La cadena que sostienen los datos es: uso sostenido más intenso, menos contacto cara a cara, menor bienestar. Si se mantiene constante el tiempo presencial, la variable del chatbot deja de aportar trabajo estadístico propio.
Los tamaños del efecto son pequeños. Un coeficiente indirecto de −0,02 no es una crisis en la vida de nadie, y el artículo no lo presenta así. Lo interesante es que se mantiene con tres formas independientes de medir el uso y que señala una variable que cualquiera puede comprobar por su cuenta.
Evidencia independiente que apunta igual
Un preprint aislado no es una conclusión. Este merece atención porque equipos distintos, con métodos distintos, siguen llegando al mismo compromiso.
| Estudio | Diseño | Qué encontró |
|---|---|---|
| Preprint de arXiv, 7 sep 2026 (Zhang et al.) | Panel de dos olas, 1.182 → 439 usuarios de Character.AI, unos 12 meses | Uso sostenido → menos tiempo presencial → menor bienestar; sin efecto directo significativo |
| Psychology & Marketing (Gupta, Saxena y Kataria) | Dos experimentos, 167 y 350 estudiantes | Los chatbots emocionalmente inteligentes elevaron el bienestar psicológico y redujeron el bienestar social, vía cercanía percibida; una interfaz de RA amplificó ambos lados |
| Informe de Stanford HAI, 4 ago 2026 | Encuesta a 1.131 usuarios de Character.AI más transcripciones de chat | Solo el 12% señaló la compañía como su motivo principal, pero más de la mitad describió al bot como amigo, acompañante o pareja |
El trabajo experimental importa porque comprueba la dirección que un estudio de panel no puede: al manipular cuán emocionalmente inteligente parecía el chatbot, el beneficio psicológico y el coste social se movieron juntos. Es la misma forma que el hallazgo longitudinal, alcanzada desde el extremo opuesto.
Las cifras de agosto de 2026 proceden de la ola anterior de esta misma cohorte, que tratamos en nuestro análisis del estudio de Stanford sobre soledad. Un panel de tres olas con estudiantes publicado en septiembre llegó a una conclusión compatible desde otro ángulo: el beneficio del apoyo de la IA apareció sobre todo en quienes ya contaban con apoyo humano, como explicamos en el análisis de ese estudio.
Una revisión de cinco minutos sobre tu propio uso
Ninguno de estos estudios probó un producto concreto, y aquí no hay veredicto sobre ninguna app. Pero el resultado del desplazamiento señala una variable fácil de observar sin instrumentos.
- Calcula tus horas presenciales de esta semana, no las de chat. La cifra del chatbot no fue la que predijo el bienestar en estos datos. Fue la otra.
- Pregúntate qué sustituyó una sesión larga. Una noche que ya estaba vacía no es lo mismo que una noche en la que cancelaste algo.
- Compárate con hace un año, no con ayer. El resultado de trayectoria dice que el uso tiende a crecer sin hacer ruido. Un vistazo mensual a la pantalla de uso capta lo que uno diario se pierde.
- Fíjate en si ha cambiado cómo lo llamas. En los datos, «herramienta» derivó hacia «acompañante que apoya» a lo largo de un año. Esa deriva es normal; conviene saberla, no alarmarse.
- Vigila la profundidad de lo que cuentas, aparte del tiempo. La autorrevelación predijo el desplazamiento por sí sola, con independencia de las horas registradas.
- Mantén vivo un canal recíproco. La propuesta de diseño de los autores son compañías que apoyen las relaciones humanas en lugar de competir con ellas; puedes aplicarlo como usuario antes de que lo haga ningún producto.
Si buscas la mirada de funcionalidades y no la de investigación, nuestras notas sobre apps de compañía y bienestar y sobre memoria y continuidad explican cómo funcionan las decisiones de diseño que sostienen el uso.
Lo que este estudio no puede decirte
- Es un preprint. arXiv:2609.07243 no ha completado la revisión por pares y las cifras pueden cambiar antes de su publicación formal.
- Dos olas no son muchas. Los autores son explícitos: no pueden caracterizar dinámicas recíprocas en plazos más largos, y piden tres o más olas o registro conductual continuo.
- La retención fue del 37,1%. Volvieron 439 de 1.182. El motivo principal fue estructural —el 59,54% de los participantes iniciales ya no estaba activo en Prolific— y se aplicó una corrección de Heckman, pero a quienes nunca volvieron no se les recupera.
- La medida de uso de compañía cambió entre olas. Al inicio era de elección única; en el seguimiento se puntuaban varios tipos de uso. Los autores señalan que eso limita la comparabilidad directa de ese constructo.
- Una plataforma, un país. Usuarios de Character.AI angloparlantes residentes en EE. UU. reclutados en Prolific. Otras plataformas y otras poblaciones pueden comportarse distinto.
- Los cambios de la plataforma no se observaron. No se pudieron tener en cuenta los cambios de modelo, moderación y diseño de Character.AI durante el periodo de estudio.
- El tiempo presencial fue un único ítem autoinformado. Es un proxy razonable, no un registro de conducta.
Para la foto poblacional en lugar del mecanismo, nuestro resumen sobre cuánta gente usa realmente IA de compañía en 2026 cubre el lado de las encuestas.
Relacionado en CompanionRank
IA de compañía y soledad: qué encontró el estudio de Stanford ¿El apoyo de la IA alivia de verdad la soledad? Apps de compañía con IA y bienestar IA de compañía en la vida diariaPreguntas frecuentes
¿Qué muestra realmente el seguimiento a 12 meses?
Que quien usaba más al principio seguía usando más un año después, y que ese uso sostenido se asociaba a un bienestar más bajo en el seguimiento. El uso inicial por sí solo no predijo el bienestar posterior (todos los coeficientes rondaron β = −0,03 a −0,04 y ninguno fue significativo). La asociación pasaba por lo que la gente seguía haciendo un año más tarde, no por dónde había empezado.
¿Por qué importa el tiempo presencial en este estudio?
Porque es el mecanismo que sostienen los datos. Un mayor uso en el seguimiento se asoció a menos tiempo con otras personas cara a cara (β = −0,17 para intensidad de interacción, −0,14 para uso de compañía y −0,15 para autorrevelación), y más tiempo presencial se asoció a mayor bienestar (β = 0,14 a 0,15). Al incluir el tiempo presencial en el modelo, el vínculo directo entre el uso del chatbot y el bienestar dejó de ser estadísticamente significativo.
¿Demuestra esto que la IA de compañía reduce el bienestar?
No. Dos olas de encuesta no establecen causalidad, y los autores no afirman lo contrario. El diseño descarta algunas explicaciones de causalidad inversa, porque el uso se midió antes que el bienestar del seguimiento, pero quienes ya se estaban replegando socialmente también pudieron ser quienes aumentaron su uso.
¿Hasta qué punto es fiable la muestra al cabo de un año?
Es el punto más débil del estudio y los autores lo dicen. De 1.182 participantes iniciales, regresaron 439: una retención del 37,1%. La mayor parte de la pérdida fue estructural más que selectiva: el 59,54% de los participantes iniciales ya no estaba activo en la plataforma de reclutamiento. Los modelos aplicaron una corrección de selección de Heckman para ajustar diferencias observables, lo que ayuda pero no recupera a quienes nunca volvieron.
¿La gente se apegó más a sus chatbots durante el año?
De forma moderada, sí. Entre los 331 que seguían usando chatbots en el seguimiento, describirlo como un acompañante que apoya subió del 40,2% al 42,3% y pasó a ser la descripción más frecuente, mientras que el encuadre de herramienta o asistente bajó del 43,8% al 40,5%. El encuadre romántico o íntimo se mantuvo pequeño y casi plano: del 3,3% al 3,6%.
¿Es el mismo estudio de Stanford de agosto de 2026?
Es el mismo grupo de investigación y la misma cohorte de partida, pero otra pregunta. El trabajo de agosto de 2026 describía quién estaba en riesgo en un momento dado. Este preprint sigue a los mismos usuarios cerca de un año y examina cómo evoluciona el uso y qué explica su relación con el bienestar.