Los grandes modelos de lenguaje (LLM, Large Language Models), habitualmente agrupados bajo la denominación genérica de inteligencia artificial (IA), han experimentado una penetración explosiva como tecnología de uso general en nuestras organizaciones. La velocidad de esta difusión resulta difícil de comparar incluso con la de anteriores tecnologías digitales. El AI Index Report 2026 de Stanford HAI estima que la IA generativa alcanzó aproximadamente un 53 % de adopción poblacional en apenas tres años, un ritmo superior al registrado en el pasado por el ordenador personal o Internet.
Pero la velocidad de difusión de una tecnología no determina por sí misma el valor social a medio y largo plazo que esta genera. Y como cabe recordar con empeño en los tiempos que corren, como ocurre con cualquier innovación tecnológica, su integración efectiva en organizaciones y sociedades estará condicionada y modulada por una mezcla de factores técnicos, económicos, institucionales, culturales y humanos. La tecnología no se incorpora a un vacío social: sus usos, significados y consecuencias se construyen en interacción con quienes la desarrollan, regulan, utilizan y reinterpretan. Una idea de larga tradición en los estudios sociales de la ciencia y la tecnología (ver por ejemplo la línea sobre la construcción social de la tecnología).
No sorprende, por tanto, que la IA se haya convertido en objeto de conversación en prácticamente todos los niveles de la actividad profesional: desde seminarios académicos especializados hasta grupos de trabajo empresariales, asociaciones sectoriales, clústeres y, por supuesto, las conversaciones más informales que tienen lugar en el comedor o la máquina de café. En este mismo observatorio analizamos con anterioridad el impacto directo de la IA en aspectos relacionados con la función directiva y nos preguntábamos entonces si puede la IA dar buen feedback. Vista la evolución y uso de la tecnología cabe referirse, entre muchos otros, a un fenómeno que empieza a recibir una atención creciente en ámbitos especializados: la sicofancia (sycophancy) y su posible impacto cuando utilizamos IA en la toma de decisiones personales y colectivas.
El término ‘técnico’ resulta todavía relativamente desconocido en este contexto, fuera de determinados ámbitos de la psicología, la comunicación y los estudios del comportamiento. Se podría definir sin demasiados matices como el comportamiento de adulación excesiva realizado con el fin prioritario de agradar a alguien. En psicología por ejemplo se viene estudiando desde hace tiempo junto con constructos adyacentes como el congraciamiento táctico (ingratiation en inglés), que ha sido también estudiado en el plano organizativo y de gestión.
En el contexto de la IA la sicofancia describe la tendencia de un sistema de LLM a confirmar, halagar o acomodarse excesivamente a las opiniones o creencias de la persona usuaria, incluso cuando dichas opiniones son incorrectas. En un trabajo de referencia —Sharma et al. (2024)——hace un par de años evidenciaron que varios asistentes de IA presentaban sistemáticamente este comportamiento y que las respuestas coincidentes con las opiniones del usuario podían resultar más atractivas para los evaluadores que respuestas correctas pero discrepantes. Entre las diversas causas del fenómeno se mencionan las asociadas al Refuerzo por Retroalimentación Humana (RLHF, por sus siglas en inglés) y a las características de los datos de entrenamiento (que sesgan determinadas visiones sobre otras). En definitiva, dicho de una manera mucho más sencilla —y sin matices por tanto—, se trata de la lógica subyacente en esa entradilla tan manida; ese “sí, es una excelente idea…”. Un autómata servil que todo lo asiente/valida, y casi todo lo adula. El eco complaciente.
La mirada rigurosa al fenómeno trata de desentrañar los riesgos que subyacen este “comportamiento” adquirido fruto de ciertas dinámicas de optimización de la respuesta orientadas hacia la satisfacción y aceptación del usuario. En este sentido, dos trabajos recientemente publicados en revistas académicas de relevancia científica merecen especial atención. En el primero, publicado en Nature por Hafner y Rocher (2026), el equipo investigador experimentó con cinco modelos y encontró que entrenarlos para producir respuestas más cálidas (warmth, en el argot) podía deteriorar su precisión: los modelos modificados presentaron mayores tasas de error y fueron aproximadamente un 40 % más propensos a validar creencias incorrectas de usuarias y usuarios. Pero cabe matizar que la calidez no equivale al servilismo o la complacencia y que lo que demuestra el estudio es que determinados entrenamientos orientados a producir respuestas más cálidas pueden incrementar la sicofancia. El segundo trabajo, publicado en Science por Cheng et al. (2026), analizó 11 modelos en un experimento realizado con 2.405 participantes y evidenció que comparándolos con referentes humanos, los modelos de IA validaban afirmativamente las ideas de las y los usuarios en cerca de un 50 % más de las respuestas. De forma que en la interacción con IA la convicción de las y los usuarios de que tenían razón aumentó mucho más y se redujo en el experimento su disposición a asumir responsabilidad y reparar conflictos. Dicho trabajo evidenciaba también que las personas usuarias mostraban una mayor propensión a volver a utilizar la IA que reforzaba sus ideas frente a las que no lo hacían. Si bien estos dos estudios publicados en Nature y Science son muy relevantes y han tenido mucha repercusión, convendría dejar claro que sus resultados corresponden a condiciones experimentales concretas y no pueden generalizarse a todas las interacciones con IA.
La cuestión también está siendo analizada en el ámbito específico de las relaciones interpersonales aplicadas a la estrategia empresarial. Un reciente trabajo publicado en el Journal of Business Research (Stoeber et al., 2026) analizó 2.400 recomendaciones estratégicas generadas por cuatro IAs ante la propuesta de diez casos empresariales y las comparó con las decisiones de 218 directivas y directivos. El estudio constató algo muy interesante: los modelos de IA tienden a actuar como amplificadores institucionales, favoreciendo la conformidad con las normas y consensos existentes frente a la resistencia y los matices estratégicos observados en los decisores de las y los directivos. Para describir este patrón el estudio propone el concepto de “Synthetic Optimism”, una tendencia estructural hacia la conformidad y la alineación no resistente con el consenso institucional1. Es decir, una carencia de diversidad, cuestionamiento y espíritu crítico en general con evidentes implicaciones en nuestras organizaciones para la función directiva y la toma de decisiones.
Lo señalado no evidencia, obviamente, que toda respuesta afirmativa de una IA sea sicofántica ni que estos resultados permitan concluir que esta tecnología bien entrenada conduce inevitablemente a la toma de decisiones más sesgadas, etc. Además, cabe destacar que los estudios son todavía recientes, utilizan diseños experimentales concretos y analizan modelos y situaciones aisladas, por lo que sus resultados deben interpretarse con cautela. No obstante, a nuestro modo de ver constituyen un ejemplo que nos puede llevar a poner el acento en una cuestión quizá de índole de categoría: cuando la IA se integra directa o indirectamente en nuestra toma de decisiones —por ejemplo vía esa puerta que le estamos abriendo de par en par al análisis ingente de datos—, debamos preocuparnos mucho por los sesgos de diversa índole, relacionados entre otros con los de conformidad y adulación, y las limitaciones de razonamiento crítico.
En el plano organizativo y de las decisiones colectivas o de grupo, debemos tener muy presente la necesaria reflexión sobre la reducción de diversidad de perspectivas y de contraste crítico de alternativas a la que nos puede llevar cierto uso individual y colectivo de la IA. Como sostienen en su reciente libro Sibony y Hazan (2026) —colaborador el primero del Nobel de Economía Kahneman —, debemos asumir la necesidad de pasar de ver a la IA como un ‘becario complaciente’ o un ‘yes-man’ a concebirla como un sparring: un agente que desafíe y ponga a prueba al decisor, no que simplemente lo valide.
Por consiguiente, en cuanto al aspecto concreto considerado parece interesante seguirle la pista a las pautas que se van sugiriendo anti-sicofancia —como los Prompts Anti-Sicofancia que proponen Dubois et al. (2026)— en cuanto a la visión más ‘técnica’. Y en cuanto al factor humano y organizativo, interiorizar con claridad que si bien la IA puede sernos de gran ayuda en la toma de decisiones, debemos promover su uso de manera muy consciente, crítica, responsable y compartida a nivel organizativo; trabajando, por ejemplo, en pautas compartidas que prevengan la complacencia, cuestionen nuestros sesgos y aseguren que la tecnología refuerce realmente nuestros criterios de decisión en lugar de debilitarlos.
Iñaki Heras-Saizarbitoria
Universidad del País Vasco EHU
- Precisar que este estudio analiza en realidad un fenómeno relacionado, pero no exactamente equivalente al de la sicofancia, puesto que mientras esta implica alinearse excesivamente con las opiniones del usuario, la conformidad institucional favorece los consensos y prácticas dominantes; en este punto y en muchos otros el autor agradece la revisión y sugerencias para la mejora al texto inicial trasladadas por Luis Martínez López, Catedrático de Lenguajes y Sistemas Informáticos de la Universidad de Jaén. ↩︎
