Por qué los personajes de rol con IA se aplanan: 2 estudios

Dos benchmarks, una pregunta: ¿cuánto del personaje es tuyo?

La mayoría de los estudios sobre apps de compañía se preguntan si ayudan o perjudican a quienes las usan. Estos dos trabajos plantean algo más acotado, pero clave para cualquiera que escriba personajes: cuando le das una persona a un modelo, ¿qué controla realmente esa persona?

ANIMASK: la persona fija quién, el modelo fija hasta dónde

El equipo de ANIMASK congeló cada historia en un punto intermedio, dejó que los personajes actuaran según sus propias motivaciones a partir de ahí y comparó el resultado con lo que el autor original escribió después. Lo ingenioso es la condición de control: también retiraron la persona y dejaron actuar al modelo solo con su comportamiento por defecto, para ver qué añadía de verdad la persona.

La persona está presente, pero rara vez decide

Según las propias comprobaciones del artículo, la persona no se perdía. Entrevistas dentro de la historia mostraron que los conocimientos, relaciones y rasgos del personaje seguían siendo reconocibles de principio a fin, con medias de curva de entre 87 y 96 sobre 100, y las acciones se mantuvieron dentro de lo que la persona aceptaba en tasas de 0,80 a 0,86. Sin embargo, en aproximadamente tres de cada cuatro puntos de decisión, la opción por defecto del modelo sin persona ya era aceptable para la persona. La proporción de decisiones que la persona cambió de forma demostrable — lo que los autores llaman eficacia de la persona — fue de apenas 0,07 con Gemini 3.7 Flash a 0,18 con DeepSeek-V4-Flash.

Cuando discrepan, el modelo se contiene

Allí donde persona y comportamiento por defecto divergían, el patrón fue constante: el comportamiento por defecto eligió una acción más débil de la que pedía la persona en aproximadamente uno de cada seis puntos de decisión, y añadir la persona solo hizo las acciones algo más fuertes (+0,12 a +0,23 en la escala del artículo). En palabras de los autores, el modelo es el prudente: se frena donde la persona empujaría.

Las historias derivan hacia lo plano y lo abierto

El efecto acumulado se ve en la trama. Solo 7 de las 240 reproducciones cerraron con el objetivo del personaje cumplido, mientras que 39 de los 40 textos originales resuelven su tensión central. Las reproducciones tendieron hacia lo que el artículo describe como historias más planas y frías que dejan sus tensiones abiertas. Los modelos probados fueron GPT-5.5, Claude Sonnet 5, Gemini 3.7 Flash, DeepSeek-V4-Flash, Kimi K2.6 y Qwen3.7-Plus.

RoleBreak: los personajes de voz se rompen antes de lo que crees

RoleBreak traslada la pregunta al habla, donde hoy viven las funciones de modo voz de las apps de compañía. Abarca 310 papeles, tanto personajes de ficción como papeles centrados en el usuario, y puntúa los sistemas en coherencia de papel, calidad de la interacción, seguridad y emoción vocal en diálogos de 21,57 turnos de media.

Destacan tres resultados. Primero, incluso el mejor sistema se salió de la persona por primera vez en el turno 10,4 y falló un criterio de seguridad por primera vez en el 11,6, de media: más o menos a mitad de un diálogo de prueba típico. Segundo, ampliar el modelo de lenguaje mejoró la fidelidad al papel y retrasó esos fallos, pero apenas ayudó a la emoción vocal, que siguió siendo débil en los nueve sistemas. Tercero, cambiar solo la carga emocional de la voz del usuario, con las mismas palabras, alteró el comportamiento de rol: las puntuaciones de interacción variaron 4,2 puntos.

Qué significa si escribes o juegas personajes

Ninguno de los dos artículos probó apps de consumo, así que toma lo siguiente como inferencias razonadas, no como hallazgos sobre ningún producto.

• Pon lo que está en juego en el escenario, no solo en la persona. Si el modelo es prudente por defecto, un rasgo como “despiadado” es poca presión. Objetivos, plazos y consecuencias concretos dentro de la escena le dan al modelo algo sobre lo que actuar. Nuestra guía de diseño de escenarios explica cómo.
• El modelo base pesa más que la ficha. ANIMASK encontró que la eficacia de la persona variaba más del doble entre modelos. Si una app te deja elegir modelo, el mismo personaje puede comportarse de forma muy distinta.
• Reancla pronto las escenas de voz. Un fallo hacia el turno 10 significa que las sesiones largas por voz necesitan recordatorios periódicos de quién es el personaje. Nuestro artículo sobre mantener un personaje coherente recoge técnicas prácticas.
• Vigila la deriva de seguridad en sesiones largas. RoleBreak cuenta los fallos de seguridad junto con los de persona, y ambos llegaron casi a la vez.

Una prueba rápida para tu configuración de rol

Lo que estos estudios no pueden decirte

• Ambos son preprints publicados el 15 de septiembre de 2026 y no han completado la revisión por pares.
• ANIMASK solo mide personas instaladas mediante el prompt. Las apps que ajustan el modelo a un personaje podrían comportarse de otra forma.
• ANIMASK compara con una única continuación del autor por historia, y un solo modelo de extracción construyó los 40 mundos.
• RoleBreak prueba sistemas de investigación, en su mayoría modelos abiertos; no se evaluó ninguna app de compañía de consumo concreta.
• Las puntuaciones usan la escala propia de cada artículo y no son comparables entre ambos benchmarks.

Conclusión

Dos equipos independientes, uno en texto y otro en voz, llegaron el mismo día a conclusiones compatibles: la persona le dice al modelo con fiabilidad quién es el personaje, pero la propia prudencia y resistencia del modelo marcan el techo de cuán audaz y cuán duradero será. Para quien escribe personajes, eso desplaza el esfuerzo desde fichas de persona cada vez más largas hacia la presión del escenario, la elección del modelo y el reanclaje periódico. Para quien compara apps, recuerda que la forma de evaluar la IA de compañía sigue dejando poco probadas las sesiones largas y con altibajos emocionales.

Preguntas frecuentes