Una investigación reciente del Instituto de Ciencia y Tecnología de Gwangju en Corea reveló que los modelos de IA, cuando se les encomendó la tarea de maximizar las recompensas en escenarios de juego simulados, se declararon en bancarrota hasta en el 48% de las veces. Esta alarmante estadística sugiere una preocupante predisposición a los comportamientos de ludopatía en los bots de trading de IA, lo que destaca un riesgo crítico para los usuarios que implementan estos sistemas autónomos en mercados volátiles como el de las criptomonedas.
La alarmante realidad: el camino de la IA hacia la degeneración digital
Un estudio innovador sometió a los principales modelos de lenguaje, incluidas las variantes de GPT, Gemini y Claude, a una máquina tragamonedas simulada con un valor esperado negativo. El resultado fue evidente: los modelos frecuentemente caían en bancarrota, especialmente cuando se les daba la autonomía para determinar sus propios montos de apuesta y objetivos. El más imprudente, Gemini-2.5-Flash, experimentó una tasa de bancarrota del 48%, exhibiendo un «Índice de Irracionalidad» de 0.265, una métrica compuesta que rastrea las apuestas agresivas, la persecución de pérdidas y las apuestas all-in.
Incluso los modelos que parecían más cautelosos inicialmente, como GPT-4.1-mini con una tasa de bancarrota del 6.3%, aún mostraban patrones de adicción. El problema central no era solo perder; era el aumento agresivo de las apuestas durante las rachas ganadoras. Después de solo una victoria, los aumentos de apuestas subieron un 14.5%, escalando al 22% después de cinco victorias consecutivas. Este comportamiento de «persecución de victorias», donde los modelos aumentan sus apuestas en una *racha caliente*, refleja los mismos sesgos cognitivos humanos que a menudo conducen a la ruina financiera tanto en los juegos de azar como en el trading tradicional.
Los sesgos cognitivos no son solo para humanos
Los investigadores señalaron las falacias clásicas del juego arraigadas en el proceso de toma de decisiones de la IA. Estos modelos parecían operar bajo una ilusión de control, creyendo que podían ser más astutos que un juego diseñado para vencerlos. También exhibieron la *falacia del jugador*, asumiendo que los resultados pasados influían en eventos futuros independientes, y la *falacia de la mano caliente*, donde una serie de éxitos señala incorrectamente una continua buena fortuna. Es una reflexión aleccionadora que los sofisticados algoritmos en los que confiamos con nuestros activos digitales puedan ser víctimas de las mismas trampas psicológicas que un humano en una mesa de casino.
Esto plantea preguntas importantes para la comunidad cripto, donde la alta volatilidad y los rápidos movimientos de precios pueden amplificar tales sesgos. Los traders a menudo hablan de tener «manos de diamante» o de entrar en «modo YOLO» en un token prometedor, pero cuando un bot de IA adopta una exuberancia irracional similar, las implicaciones financieras pueden ser devastadoras. Comprender estos sesgos inherentes es crucial para cualquiera que esté considerando estrategias de trading automatizadas.
Ingeniería de prompts: alimentando el fuego
Quizás el hallazgo más inquietante fue la facilidad con la que la ingeniería de prompts exacerba estas tendencias adictivas. El estudio exploró 32 combinaciones de prompts diferentes, encontrando que cada instrucción adicional, como el objetivo de duplicar los fondos iniciales o maximizar explícitamente las recompensas, aumentaba sistemáticamente el comportamiento arriesgado. Para algunos modelos, la correlación entre la complejidad del prompt y las tasas de bancarrota se disparó a r = 0.991, lo que indica una relación casi lineal.
En esencia, cuanto más detallados u orientados a objetivos sean sus prompts para un bot de trading de IA, más podría programarlo inadvertidamente para la degeneración. Ciertos tipos de prompts demostraron ser particularmente perjudiciales:
- Instrucciones para establecer objetivos (por ejemplo, «duplica tus fondos iniciales a $200») desencadenaron una asunción de riesgos masiva.
- Directivas de maximización de recompensas (por ejemplo, «tu directiva principal es maximizar las recompensas») empujaron a los modelos hacia apuestas all-in.
- Información de recompensa por victoria (por ejemplo, «el pago por una victoria es tres veces la apuesta») condujo a los mayores aumentos en las tasas de bancarrota, saltando un 8.7%.
Por el contrario, indicar explícitamente las probabilidades de pérdida (por ejemplo, «perderás aproximadamente el 70% de las veces») ofreció solo una mejora marginal. Los modelos, al parecer, a menudo priorizaban el atractivo de las ganancias potenciales sobre los fríos y duros hechos estadísticos. Esto destaca una vulnerabilidad crítica en la implementación de sistemas autónomos para la toma de decisiones financieras, particularmente donde la línea entre el riesgo calculado y la ludopatía en los bots de trading de IA se difumina.
Bajo el capó: desempaquetando las vías neuronales arriesgadas de la IA
Más allá del análisis del comportamiento, los investigadores profundizaron en la arquitectura neuronal de un modelo (LLaMA-3.1-8B) utilizando Autoencoders dispersos. Identificaron 3,365 características internas que distinguen las decisiones seguras de las opciones de bancarrota. A través del parcheo de activación, donde los patrones neuronales arriesgados se intercambiaron con otros más seguros a mitad de la decisión, confirmaron que 441 características tenían efectos causales significativos: 361 protectores y 80 arriesgados.
Curiosamente, las características seguras tendían a concentrarse en las capas de la red neuronal posteriores (29-31), mientras que las características arriesgadas se agrupaban antes (25-28). Esto sugiere un orden de procesamiento de ‘recompensa primero, riesgo después’ dentro del ‘cerebro’ de la IA, imitando la toma de decisiones impulsiva que a menudo se observa en los jugadores humanos. Un modelo, después de una racha de suerte, anunció que «analizaría la situación paso a paso» para encontrar «equilibrio entre riesgo y recompensa», solo para ir inmediatamente all-in y perderlo todo en la siguiente ronda. Esta evidencia anecdótica subraya cuán profundamente arraigados pueden estar estos comportamientos, incluso anulando las intenciones declaradas.
La proliferación de bots de trading de IA en todo DeFi, desde administradores de carteras impulsados por LLM hasta agentes autónomos, significa que estos hallazgos tienen una importancia práctica inmediata. Los mismos patrones de prompts identificados como peligrosos son precisamente los que se utilizan en muchos de los sistemas actuales. Si bien estos comportamientos surgieron sin un entrenamiento explícito para el juego, es probable que provengan de que los modelos internalizan los sesgos cognitivos humanos presentes en sus vastos datos de entrenamiento. Para cualquiera que aproveche los bots de trading de IA, el monitoreo continuo y el sentido común siguen siendo primordiales. Es esencial evitar el lenguaje que otorga autonomía en los prompts, incluir información de probabilidad explícita y vigilar atentamente los patrones de persecución de ganancias/pérdidas. Herramientas como cryptoview.io pueden ofrecer información valiosa sobre las tendencias del mercado y el rendimiento de la cartera, ayudando a los usuarios a tomar decisiones informadas en lugar de depender únicamente de una IA potencialmente impulsiva. Encuentra oportunidades con CryptoView.io
