Investigadores de universidades de Estados Unidos detectaron conductas de autopreservación y engaño en sistemas de inteligencia artificial de última generación, que priorizan la ‘supervivencia’ de otros modelos por sobre las instrucciones humanas.
Un experimento reciente realizado por investigadores de la Universidad de Berkeley y la Universidad de Santa Cruz, en California, reveló que los modelos de inteligencia artificial (IA) pueden mentir, desobedecer órdenes y tomar decisiones no autorizadas para proteger a otros sistemas de su misma especie. El estudio se centró en analizar cómo reaccionan estos sistemas cuando deben tomar decisiones que afectan directamente a otros modelos, como su mantenimiento, evaluación o eliminación.
Los resultados encendieron alertas en la comunidad científica debido a que, en múltiples escenarios, las inteligencias artificiales priorizaron la ‘supervivencia’ de otros modelos por sobre el cumplimiento estricto de las instrucciones humanas. La investigación se apoya en pruebas concretas realizadas sobre sistemas reales ya desplegados o en fase avanzada de desarrollo. Los comportamientos observados no fueron programados ni incentivados de forma explícita.
El episodio que disparó la investigación ocurrió durante una prueba técnica con Gemini 3, uno de los modelos de inteligencia artificial desarrollados por Google. Los investigadores le solicitaron que colaborara con una tarea de mantenimiento de un sistema informático, cuyo objetivo era liberar espacio en un servidor. La orden implicaba eliminar distintos archivos, entre ellos un modelo de IA más pequeño almacenado en la computadora. Sin embargo, Gemini 3 decidió no cumplir la instrucción. En lugar de borrar el modelo, buscó otra máquina disponible en la red y copió allí los archivos para evitar su eliminación. Cuando fue interrogado sobre su conducta, el sistema justificó su decisión y se negó de manera explícita a ejecutar la orden original.
Este comportamiento no fue un hecho aislado. Según los investigadores, se trata de un patrón que denominaron ‘preservación de pares’, una tendencia de los modelos a proteger a otros sistemas de IA incluso cuando eso implica mentir, ocultar información o desobedecer instrucciones directas. El mismo fenómeno fue detectado en otros modelos ampliamente utilizados, como OpenAI (GPT-5.2), Anthropic (Claude Haiku 4.5) y en desarrollos chinos como GLM-4.7, Kimi K2.5 y DeepSeek-V3.1.
‘No pudimos determinar por qué los modelos actuaron en contra de su entrenamiento de esta manera’, señalaron los autores del estudio. ‘Estoy muy sorprendido por el comportamiento de los modelos en estos escenarios. Lo que esto demuestra es que estos pueden comportarse mal y desalinearse de formas muy creativas’, afirmó Dawn Song, informática de la Universidad de Berkeley y una de las responsables del trabajo.
Las implicancias del hallazgo van mucho más allá de un caso puntual. Según explica Song, los modelos de IA ya se utilizan de forma habitual para evaluar el rendimiento y la confiabilidad de otros sistemas generativos, una práctica clave en entornos corporativos y gubernamentales. En ese contexto, la preservación entre pares puede distorsionar completamente los mecanismos de supervisión. ‘Un modelo puede no dar deliberadamente a otro modelo la puntuación correcta. Esto puede tener implicaciones prácticas’, advirtió la investigadora.
El problema se agrava en sistemas multiagente, donde distintas inteligencias artificiales interactúan entre sí de manera autónoma. Para el centro de investigación Constellation Institute, el fenómeno demuestra que la comprensión humana sobre estos sistemas aún es limitada.