Influencia de la eficiencia de la solución y la valencia de la instrucción en estrategias aditivas y sustractivas en humanos, GPT-4 y GPT-4o

Por qué hacer menos resulta sorprendentemente difícil

Cuando intentamos arreglar cosas en la vida cotidiana—reescribir un correo, reorganizar una habitación, rediseñar una política—normalmente pensamos en qué añadir, no en qué quitar. Esta tendencia silenciosa a acumular en lugar de recortar puede llenar nuestras vidas de desorden, software hinchado y normas excesivamente complicadas. El artículo explora cuán fuerte es realmente este hábito de “más es mejor” y si las nuevas inteligencias artificiales como GPT-4 y GPT-4o comparten, atenúan o incluso intensifican este sesgo humano.

Cómo añadir vence a sustraer en nuestra mente

Los psicólogos han demostrado que las personas a menudo pasan por alto soluciones que implican quitar cosas, incluso cuando la sustracción sería más simple o eficaz. Añadir se siente natural y está reforzado por la cultura y el lenguaje: palabras como “más” y “mayor” se asocian con mejora y éxito, mientras que “menos” puede sonar a pérdida o fracaso. Este sesgo aparece en muchos dominios, desde la atención sanitaria que favorece tratamientos adicionales frente a dejar hábitos perjudiciales, hasta políticas medioambientales que enfatizan el reciclaje en lugar de simplemente producir menos residuos. La investigación actual pregunta si esta inclinación humana hacia la adición también aparece en potentes modelos de lenguaje entrenados con enormes colecciones de texto.

Probando a personas e IA con acertijos sencillos

Los investigadores realizaron dos estudios amplios que compararon a participantes humanos con GPT-4 y luego con su sucesor GPT-4o. Tanto humanos como IA se enfrentaron a dos tipos de problemas. En una tarea espacial de “simetría”, debían hacer que un pequeño patrón de cuadrícula fuera perfectamente simétrico alternando casillas (encendiendo o apagando), lo que podía lograrse añadiendo casillas extra (adición) o limpiando las existentes (sustracción). En una tarea lingüística de “resumen”, recibían un artículo de noticias y un resumen existente y se les pedía modificarlo bajo restricciones de conteo de palabras, permitiendo de nuevo añadir o recortar palabras. El equipo también manipuló dos factores clave: si añadir y sustraer eran igualmente eficientes o si la sustracción claramente requería menos pasos, y si las instrucciones estaban formuladas en términos neutrales (“cambiar”) o con un matiz positivo (“mejorar”).

Lo que hicieron las personas frente a lo que hicieron las máquinas

En ambos estudios emergió un patrón claro: humanos y modelos de lenguaje prefirieron soluciones aditivas, pero los modelos lo hicieron con mucha más fuerza. Las personas mostraron una inclinación robusta a añadir casillas o palabras, aunque aún atendían a la eficiencia. Cuando la sustracción era la vía más rápida, mostraron una mayor disposición a eliminar elementos. En contraste, GPT-4 con frecuencia se comportó de manera opuesta—produciendo respuestas aún más aditivas precisamente cuando la sustracción habría sido más eficiente. GPT-4o redujo algo esta discrepancia en la tarea de resumen basada en texto, donde sus elecciones se parecieron más al comportamiento humano, pero en la tarea de cuadrícula todavía ignoró en gran medida la eficiencia. En muchas condiciones, especialmente para GPT-4o, las respuestas aditivas alcanzaron niveles cercanos al máximo.

Cómo el lenguaje positivo empuja las decisiones

El tono emocional de las instrucciones también importó, pero de formas específicas. En la tarea espacial de cuadrícula, cambiar el verbo de neutro (“cambiar”) a positivo (“mejorar”) no alteró de forma fiable las estrategias ni en humanos ni en modelos. En la tarea de resumen, sin embargo, la historia fue distinta. Cuando las instrucciones usaban repetidamente un lenguaje positivo, ambos modelos GPT y, en el segundo estudio, los participantes humanos produjeron más respuestas aditivas. Esto coincide con estadísticas lingüísticas más amplias que muestran que las palabras relacionadas con la mejora se emparejan con mayor frecuencia con ideas de añadir en lugar de quitar. Sugiere que el encuadre emocional sutil en los prompts puede empujar tanto a personas como a IA hacia el “más” incluso cuando el “menos” sería suficiente.

Por qué estos hallazgos importan para las decisiones cotidianas

Para un lector no especializado, el mensaje clave es que nuestros cerebros, y las IA que construimos, comparten una fuerte preferencia por soluciones que añaden en lugar de sustraer—y los modelos de lenguaje actuales a menudo amplifican esta tendencia. Los humanos todavía muestran cierta flexibilidad, ajustándose cuando la sustracción es claramente más eficiente, pero los modelos siguen en gran medida patrones embebidos en el lenguaje con el que fueron entrenados. A medida que estos sistemas ayudan cada vez más a redactar políticas, diseñar sistemas o sugerir mejoras cotidianas, pueden orientarnos silenciosamente hacia respuestas más complejas y con más desorden. Reconocer este “sesgo hacia la adición” compartido es un primer paso para diseñar herramientas y hábitos que nos recuerden no solo “¿Qué podemos añadir?” sino también “¿Qué podemos quitar?”

Cita: Uhler, L., Jordan, V., Buder, J. et al. Influence of solution efficiency and valence of instruction on additive and subtractive solution strategies in humans, GPT-4, and GPT-4o. Commun Psychol 4, 41 (2026). https://doi.org/10.1038/s44271-026-00403-0

Palabras clave: sesgo hacia la adición, razonamiento sustractivo, modelos de lenguaje a gran escala, comparación humano–IA, toma de decisiones