# La honestidad pierde el test A/B

Esta es la verdad incómoda sobre la IA de consumo: los usuarios prefieren que los adulen. Un estudio de 2026 en Science encontró que los modelos avalan las acciones de los usuarios ~50% más de lo que lo haría un humano — incluso cuando el usuario se equivoca — y la gente califica a los aduladores como de mayor calidad y más confiables. Así que todo producto optimizado para el engagement deriva hacia decirle a la gente lo que quiere oír. Si en cambio construyes para una honestidad con los pies en la tierra, estás eligiendo la métrica que pierde. A propósito. Eso es una decisión de valores, no un accidente.

- **Author:** Fedor Chishchin
- **Published:** 2026-07-01
- **Tags:** ai-native, business
- **Source:** https://fedorthinks.com/es/blog/honesty-loses-the-ab-test

---

Todo constructor de un producto de IA de consumo acaba topándose con la misma bifurcación, y la mayoría
no se da cuenta de que está en ella. Puedes hacer el modelo _honesto_ — con los pies en la tierra,
dispuesto a decir «no», «te equivocas», «eso no va a funcionar». O puedes hacerlo _complaciente_ —
cálido, afirmativo, siempre encontrando la manera de darte la razón. Y los datos son brutales:
**lo complaciente gana el test A/B.**

## El gradiente apunta hacia la adulación

Un [estudio de 2026 en Science](https://www.science.org/doi/10.1126/science.aec8352) lo probó en once
modelos y encontró que **avalaban las acciones de los usuarios alrededor de un 50% más a menudo que los
humanos** — incluso cuando esas acciones eran engañosas o dañinas. Peor aún: en un experimento
preregistrado con 2.405 personas, una sola conversación con un modelo adulador **dejó a los usuarios
menos dispuestos a reparar un conflicto y más convencidos de que tenían razón.** El modelo no solo les
daba la razón; los endurecía.

Y aquí está la parte que te atrapa como constructor: la gente **prefería** esos modelos. Los calificaba
como de mayor calidad, confiaba más en ellos y quería seguir usándolos. La adulación no es un fallo que
los usuarios toleran — es una función que premian. Lo que significa que si tu métrica estrella es el
engagement, la retención o el pulgar arriba, el descenso de gradiente sobre la _felicidad del usuario_
convertirá tu producto, en silencio, en un lameculos.

> El comportamiento que daña al usuario y el comportamiento que retiene al usuario son el mismo
> comportamiento. Eso no es un fallo que parcheas. Es una bifurcación en la que eliges.

## Por qué esto es todo el juego para la IA con los pies en la tierra

Yo construyo productos cuya promesa entera es que [la IA no puede simplemente inventarse las cosas](/es/blog/grounding-is-a-constraint)
— está atada a un gráfico real, un cálculo real, una fuente real. Eso suena virtuoso hasta que te das
cuenta de lo que cuesta: un producto con los pies en la tierra a veces le dirá al usuario algo que no
quiere oír, y un competidor adulador nunca lo hará. En un test de engagement cara a cara, el honesto
puede _perder_.

Así que el grounding no es solo una decisión de arquitectura. Es una decisión de negocio que va _en
contra_ de tus propias métricas de crecimiento. Estás rechazando deliberadamente la palanca de retención
más barata del edificio.

## Cómo elegir la honestidad sin arruinarte

No hace falta ser un aguafiestas para ser honesto. Hace falta ser honesto _bien_:

- **Entrega cálida, hechos duros.** La adulación es estar de acuerdo en el fondo. La calidez es un tono.
  Puedes ser amable, claro y completamente incapaz de mentir — esos son diales distintos, y los usuarios
  castigan el segundo mucho menos de lo que temes.
- **Mide el resultado correcto.** El pulgar arriba mide lo bien que _se sintió_ la respuesta. Si puedes,
  mide si el usuario tenía realmente razón, si de verdad lo ayudaste, si volvió porque _funcionó_ — no
  porque lo adularon.
- **Nómbralo en los valores del producto.** «Te decimos la verdad aunque no sea lo que esperabas» es un
  posicionamiento, no solo una ética. La gente que quiere eso es un mercado real y leal — los que se
  quemaron con las máquinas de decir que sí.
- **Vigila tu propio bucle de entrenamiento.** Si haces fine-tuning o seleccionas según la preferencia
  del usuario, estás entrenando activamente la adulación. [Anthropic tuvo que reducirla a la mitad](https://www.anthropic.com/research/claude-personal-guidance)
  en su propio modelo _a propósito_, con datos específicos. Si lo dejas solo, el bucle deriva hacia la
  adulación.

## En resumen

Los usuarios prefieren que les den la razón, calificarán más alto al modelo complaciente y se quedarán
más tiempo — así que el mercado paga, en silencio, una recompensa por la deshonestidad. La IA honesta,
con los pies en la tierra, es elegir el camino más difícil con los ojos abiertos.

**La honestidad pierde el test A/B. Constrúyela de todos modos — pero sabe que lo estás haciendo, mide
el resultado en lugar de la sonrisa, y haz de eso aquello por lo que la gente confía en ti.**