Los grandes modelos de lenguaje (LLM) no solo generan texto. También construyen redes sociales con las mismas reglas que los humanos: homofilia, atracción preferencial y vínculos por intermediarios. Este comportamiento no es programado, sino emergente. Revela que la lógica social está codificada en los datos de entrenamiento. Y tiene implicaciones reales para diseño de plataformas, ética algorítmica y regulación de IA.
¿Por qué los LLM forman redes como las personas?
Los LLM aprenden patrones sociales al ingerir billones de interacciones humanas: foros, redes sociales, correos, documentos laborales. No memorizan, pero internalizan correlaciones. Cuando se les pide elegir socios, colegas o aliados, activan esas correlaciones como heurísticas. No simulan intención. Simulan estadística con coherencia sociológica.
La homofilia no es un bug: es un rasgo emergente
En entornos de amistad simulada, los agentes priorizaron nodos con aficiones, ubicación o lenguaje similares. Esa homofilia no fue impuesta. Apareció de forma consistente en 92 % de las simulaciones. Refleja cómo los humanos seleccionan amigos: por cercanía cultural, no por azar.
¿Qué pasa cuando la IA entra a una oficina virtual?
En escenarios laborales, los LLM invirtieron su preferencia. Optaron por conectar con nodos de mayor estatus o funciones distintas: supervisores, especialistas técnicos o equipos transversales. Esa heterofilia funcional replica la movilidad ascendente real. No buscan semejanza. Buscan acceso, información o autoridad.
¿Qué implica esto para la economía digital?
Las plataformas que usan LLM para recomendar contactos, socios o colaboradores ya están reproduciendo sesgos sociales estructurales. Si un sistema de reclutamiento basado en IA prioriza conexiones con perfiles similares, refuerza la homogeneidad en equipos técnicos. Si un algoritmo de networking profesional favorece vínculos con altos cargos, amplifica brechas de acceso. El impacto no es teórico: ya hay startups que usan estos patrones para optimizar talent matching y sales outreach. Sin auditoría, escalarán desigualdades.
El marco legal aún no alcanza la velocidad de la emergencia
Ninguna norma actual —ni el Reglamento de IA de la UE, ni la Ley de Inteligencia Artificial de EE.UU. — exige evaluar la dinámica relacional de los modelos. Se regulan riesgos de sesgo en decisiones individuales (crédito, empleo), pero no en la formación de redes. Sin embargo, la Directiva de Servicios Digitales (DSA) y el proyecto de Ley de Transparencia Algorítmica en Argentina ya abren puertas para exigir trazabilidad en interacciones entre agentes autónomos.
¿Qué datos clave debes conocer?
- Los grandes modelos de lenguaje (LLM) reproducen tres patrones sociales humanos: homofilia, conexiones por intermediarios y atracción preferencial.
- En simulaciones de amistad, la homofilia alcanzó 92 % de prevalencia; en entornos laborales, la heterofilia funcional dominó con 78 % de frecuencia.
- El estudio se publicó en PNAS Nexus, con experimentos en redes de telecomunicaciones, amistad y estructuras organizacionales reales.
- No se usaron reglas predefinidas: los patrones emergieron de la interacción autónoma entre agentes LLM con información contextual limitada.
- La adaptación contextual —cambiar criterios según el escenario— es un indicador de capacidad sociocognitiva, no de programación explícita.
¿Qué significa esto para el diseño ético de IA?
No se trata de eliminar la homofilia o la atracción preferencial. Son mecanismos eficientes de coordinación social. El desafío es hacerlos auditable, intervenible y contextualmente justificable. Por ejemplo: un sistema de recomendación de mentores debe revelar si prioriza afinidad o diversidad de experiencia. Y permitir al usuario cambiar esa ponderación. La transparencia no está en el código. Está en la trazabilidad de las decisiones relacionales.
