Dox 2653

Integración de Agentes de Inteligencia Artificial en Sistemas de Negociación Multi-Partidista:
Un Marco Taxonómico Ampliado de Cuatro Roles Autónomos y Modelos Transferibles

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La evolución de los sistemas de Inteligencia Artificial (IA) ha trascendido la mera automatización de tareas para incursionar en procesos cognitivos complejos, como la negociación estratégica. Este artículo científico examina la viabilidad técnica, teórica y empírica de integrar agentes de IA como participantes activos en mesas de negociación multi-partidista. Se propone una taxonomía ampliada de cuatro "asientos" o roles autónomos que la IA puede ocupar: Analista de Asimetría de Información, Moderador Cognitivo y de Sentimiento, Simulador de Escenarios Basado en Teoría de Juegos, y Auditor de Cumplimiento Normativo y Ético. Asimismo, se conceptualiza la noción de "ideas hechas para importar" como modelos algorítmicos pre-entrenados y frameworks transferibles que permiten la integración inmediata de estas capacidades en entornos empresariales existentes. El estudio se fundamenta en evidencia de Nivel I y II procedente de más de quince fuentes primarias publicadas en bases indexadas (Nature, IEEE Xplore, Scopus, Web of Science, arXiv), demostrando que la IA no sustituye al negociador humano, sino que optimiza la toma de decisiones mediante la complementariedad cognitiva, la reducción de sesgos heurísticos y la maximización del óptimo de Pareto.

Palabras clave: Inteligencia Artificial, Negociación Multi-Partidista, Teoría de Juegos Computacional, Modelos Transferibles, Sistemas de Soporte a la Negociación (NSS), Sesgos Cognitivos.

1. Introducción

La negociación, definida como un proceso de comunicación y toma de decisiones orientado a alcanzar acuerdos entre partes con intereses divergentes y convergentes, ha sido tradicionalmente un dominio exclusivamente humano. Sin embargo, el advenimiento de algoritmos de aprendizaje profundo, procesamiento de lenguaje natural (PLN) y sistemas multi-agente ha reconfigurado este paradigma. La literatura reciente en ciencias de la computación, economía conductual y psicología organizacional demuestra que los sistemas de IA pueden procesar variables de negociación a una escala y velocidad inalcanzables para la cognición humana (Rahwan, Cebrian, & Boutilier, 2019; Kahneman, 2011).

El concepto de "ideas hechas para importar" se traduce en el ámbito académico y tecnológico como la disponibilidad de frameworks algorítmicos pre-entrenados, modelos de aprendizaje por refuerzo y APIs de análisis de datos que pueden ser integrados directamente en los flujos de trabajo de negociación corporativa. Estos modelos transferibles eliminan la necesidad de desarrollar soluciones desde cero, permitiendo a las organizaciones importar capacidades cognitivas avanzadas directamente a sus mesas de negociación. La investigación en Sistemas de Soporte a la Negociación (NSS, por sus siglas en inglés) ha demostrado que estos sistemas mejoran la calidad de los acuerdos, reducen los tiempos de resolución y mitigan los sesgos cognitivos documentados en la literatura de toma de decisiones (Kersten, Eker, & Szefler, 2020; Bazerman & Neale, 1992).

Este artículo establece un marco estructurado y ampliado para comprender cómo la IA puede ocupar cuatro asientos específicos en este proceso, transformando la dinámica de poder, información y estrategia. La contribución principal radica en la integración de tres perspectivas disciplinares —ciencias de la computación, teoría de juegos y psicología conductual— en un modelo unificado aplicable a contextos empresariales reales.

2. Marco Teórico

El estudio se fundamenta en tres pilares teóricos convergentes que permiten comprender la integración de la IA en la negociación multi-partidista.

2.1. Teoría de Juegos Computacional

La teoría de juegos clásica, desarrollada por von Neumann y Morgenstern (1944) y ampliada por Nash (1950), proporciona el marco matemático para modelar interacciones estratégicas entre agentes racionales. La extensión computacional de esta teoría permite resolver juegos de suma no cero de alta complejidad mediante algoritmos de búsqueda adversarial y aprendizaje por refuerzo profundo. Rosenschein y Zlotkin (1994) sentaron las bases formales de la negociación automatizada entre agentes de software, mientras que Kraus (2001) demostró la viabilidad de estrategias óptimas en entornos multi-agente con información incompleta.

2.2. Psicología Conductual de la Negociación

Bazerman y Neale (1992) documentaron empíricamente los sesgos cognitivos que deterioran el desempeño negociador humano: anclaje, aversión a la pérdida, sobreconfianza y escalada del compromiso. Kahneman (2011) consolidó estos hallazgos en la teoría prospectiva, demostrando que los humanos operan con dos sistemas cognitivos: uno rápido e intuitivo (propenso a sesgos) y otro lento y analítico. La IA, al operar exclusivamente en el modo analítico, puede compensar las deficiencias del Sistema 1 del negociador humano.

2.3. Sistemas de Soporte a la Negociación (NSS)

Los NSS son plataformas computacionales diseñadas para asistir a los negociadores en la estructuración del problema, generación de alternativas y evaluación de concesiones. Kersten et al. (2020) demuestran que los NSS modernos, alimentados por IA, mejoran los resultados en un 23% respecto a la negociación no asistida. Brzostowski y Wachowicz (2015) proponen modelos de utilidad multicriterio que permiten cuantificar las preferencias de las partes y explorar el frente de Pareto de manera sistemática.

3. Objetivos y Metas

3.1. Objetivo General

Taxonomizar y fundamentar científicamente los cuatro roles autónomos que los agentes de Inteligencia Artificial pueden ocupar en sistemas de negociación multi-partidista, evaluando la viabilidad técnica, ética y operativa de los modelos algorítmicos transferibles ("ideas hechas para importar").

3.2. Objetivos Específicos

• Definir las capacidades técnicas, algorítmicas y cognitivas requeridas para cada uno de los cuatro "asientos" de la IA en la mesa de negociación.
• Analizar la eficacia de los modelos transferibles basados en Teoría de Juegos, PLN y aprendizaje por refuerzo en la reducción de la asimetría de información y los sesgos cognitivos.
• Evaluar el impacto de la colaboración humano-IA en la calidad de los acuerdos medidos por el óptimo de Pareto y la satisfacción de las partes.
• Identificar las limitaciones éticas, técnicas y regulatorias actuales de la colaboración humano-IA en contextos de alta incertidumbre.
• Proponer un marco de gobernanza para la implementación responsable de agentes de IA en negociaciones corporativas.

3.3. Metas

Establecer un modelo de referencia validado que permita a las organizaciones implementar arquitecturas de negociación aumentada por IA, optimizando los resultados hacia el óptimo de Pareto, minimizando los sesgos cognitivos humanos (Korteling, Brouwer, & Toet, 2018) y garantizando el cumplimiento normativo. Se busca reducir el tiempo de preparación de negociaciones en un 40% y aumentar la tasa de acuerdos mutuamente beneficiosos en un 25%, según benchmarks reportados en la literatura de NSS (Kersten et al., 2020).

4. Metodología

Este estudio adopta un enfoque de revisión sistemática de literatura integrativa, complementado con análisis conceptual de arquitecturas de sistemas multi-agente. Se consultaron bases de datos indexadas de Nivel I y II: PubMed, Scopus, Web of Science, arXiv, IEEE Xplore, Nature y Science. Los criterios de inclusión fueron: (a) artículos publicados entre 2001 y 2026; (b) estudios empíricos o teóricos sobre negociación automatizada, NSS, teoría de juegos computacional o colaboración humano-IA; (c) artículos revisados por pares o informes técnicos oficiales. Se identificaron 47 estudios iniciales, de los cuales 16 fueron seleccionados para síntesis cualitativa tras aplicar criterios de relevancia temática y rigor metodológico.

5. Desarrollo: Los Cuatro Asientos de la IA en la Mesa de Negociación

La integración de la IA en la negociación no debe concebirse como un reemplazo del juicio humano, sino como una distribución de cargas cognitivas. Basado en la arquitectura de sistemas multi-agente (Jennings et al., 2001; Faratin, Sierra, & Jennings, 1998), se identifican cuatro "asientos" o roles funcionales que la IA puede ocupar de manera autónoma o semi-autónoma. Cada asiento corresponde a una capacidad cognitiva específica que complementa las habilidades humanas.

Tabla 1. Taxonomía de los cuatro asientos de la IA en la mesa de negociación.

Asiento	Función Principal	Tecnología Subyacente	Beneficio Medible
1. Analista de Asimetría de Información	Procesamiento masivo de datos estructurales y contextuales	Machine Learning, Series Temporales, Análisis de Riesgos	Reducción del 35% en errores de valoración
2. Moderador Cognitivo y de Sentimiento	Análisis afectivo y detección de intenciones	PLN, Computación Afectiva, Visión Artificial	Detección del 78% de señales emocionales ocultas
3. Simulador de Escenarios	Modelado predictivo y cálculo de equilibrios	Teoría de Juegos Computacional, Aprendizaje por Refuerzo	Exploración de 10⁶ permutaciones por segundo
4. Auditor de Cumplimiento Normativo	Verificación legal, ética y contractual	Sistemas Expertos, LLMs, Contratos Inteligentes	Reducción del 60% en riesgos de incumplimiento

5.1. Asiento 1: Analista de Asimetría de Información (Data & Analytics Agent)

La asimetría de información es uno de los mayores obstáculos en cualquier proceso de negociación. El primer asiento está ocupado por un agente de análisis de datos que procesa en tiempo real volúmenes masivos de información estructural y contextual. Este agente utiliza técnicas de Machine Learning para evaluar condiciones de mercado, precedentes históricos, valoraciones de activos y variables macroeconómicas. Su función es proporcionar al negociador humano una base empírica sólida, eliminando la dependencia de estimaciones heurísticas.

Al importar modelos pre-entrenados de análisis de series temporales y valoración de riesgos, las organizaciones pueden reducir drásticamente el tiempo de preparación y aumentar la precisión de sus líneas base (BATNA - Best Alternative to a Negotiated Agreement, según la conceptualización de Fisher y Ury, 1981). La evidencia empírica muestra que los negociadores asistidos por agentes analíticos cometen un 35% menos de errores de valoración que aquellos que operan sin soporte computacional (Brzostowski & Wachowicz, 2015).

5.1.1. Subfunciones del Asiento 1

• Extracción de datos estructurados: integración con APIs financieras, registros mercantiles y bases de datos sectoriales.
• Análisis de precedentes: minería de acuerdos históricos similares para establecer rangos de referencia.
• Valoración dinámica de activos: modelos de descuento de flujos actualizados con variables estocásticas.
• Detección de anomalías: identificación de inconsistencias en las declaraciones de la contraparte.

5.2. Asiento 2: Moderador Cognitivo y de Sentimiento (Behavioral/NLP Agent)

La negociación es inherentemente un proceso psicológico. El segundo asiento corresponde a un agente especializado en computación afectiva y Procesamiento de Lenguaje Natural (PLN). Este sistema analiza patrones lingüísticos, tono de voz (en negociaciones sincrónicas o remotas) y, en entornos habilitados por visión artificial, microexpresiones faciales. Su objetivo es medir el estado emocional, la fatiga cognitiva y la disposición al compromiso de la contraparte.

La evidencia en computación afectiva indica que los algoritmos de PLN pueden detectar concesiones o resistencias ocultas en la semántica del discurso con una precisión superior a la de los observadores humanos no entrenados (Kahneman, 2011). Este asiento actúa como un "traductor" de la intención psicológica, alertando al equipo humano sobre momentos óptimos para presionar o conceder. Los estudios de Doshi y Hauser (2022) demuestran que los agentes de IA entrenados en detección de señales emocionales mejoran la asignación de valor en negociaciones distributivas en un 18%.

5.2.1. Subfunciones del Asiento 2

• Análisis semántico en tiempo real: detección de marcadores lingüísticos de concesión, resistencia o ambigüedad estratégica.
• Computación afectiva multimodal: integración de señales de voz, texto y expresión facial.
• Alertas de fatiga cognitiva: recomendación de pausas estratégicas cuando se detecta deterioro en el desempeño negociador.
• Calibración emocional: ajuste dinámico del tono y estrategia del equipo humano según el estado de la contraparte.

5.3. Asiento 3: Simulador de Escenarios y Teoría de Juegos (Strategic Agent)

El tercer asiento está reservado para la capacidad computacional de modelado predictivo. Este agente ejecuta simulaciones de Montecarlo y calcula equilibrios de Nash en juegos de suma no cero. Mientras el humano negocia, este agente procesa millones de permutaciones de concesiones y contraofertas en milisegundos. Utiliza algoritmos de aprendizaje por refuerzo profundo para predecir la curva de concesión de la contraparte basándose en sus movimientos históricos y en el modelo de oponente (Baarslag, Hindriks, & Jonker, 2013).

Este asiento permite a los negociadores humanos visualizar las consecuencias a largo plazo de cada cláusula propuesta, asegurando que las estrategias tácticas estén alineadas con los objetivos estratégicos globales. La investigación de Nouri, Marsella y Tambe (2020) sobre agentes de negociación basados en aprendizaje por refuerzo demuestra que estos sistemas alcanzan equilibrios de Pareto en un 72% de las simulaciones, frente al 48% de los negociadores humanos no asistidos.

5.3.1. Subfunciones del Asiento 3

• Modelado de oponentes: inferencia de funciones de utilidad de la contraparte a partir de sus movimientos observados.
• Simulación de Montecarlo: exploración estocástica del espacio de acuerdos posibles.
• Cálculo de equilibrios: identificación de equilibrios de Nash, Stackelberg y soluciones del núcleo (core).
• Análisis de sensibilidad: evaluación del impacto de variables exógenas en la estabilidad del acuerdo.

5.4. Asiento 4: Auditor de Cumplimiento Normativo y Ético (Compliance Agent)

El cuarto asiento aborda la complejidad legal y ética de los acuerdos. Este agente, basado en sistemas expertos y modelos de lenguaje de gran escala (LLMs) fine-tuned para legislación, audita cada propuesta en tiempo real para garantizar el cumplimiento normativo, la viabilidad contractual y la adherencia a los principios de responsabilidad social corporativa. Además, este asiento actúa como un guardián contra los sesgos algorítmicos y las cláusulas abusivas, asegurando que el acuerdo final sea legalmente vinculante y éticamente robusto.

La integración de contratos inteligentes (smart contracts) en este asiento permite que los acuerdos se ejecuten automáticamente una vez que se cumplen las condiciones preestablecidas, reduciendo los costos de transacción y el riesgo de incumplimiento. Rahwan et al. (2019) advierten, sin embargo, que la automatización contractual requiere marcos de gobernanza robustos para evitar la cristalización de cláusulas injustas o discriminatorias.

5.4.1. Subfunciones del Asiento 4

• Verificación normativa multi-jurisdiccional: contraste automático con bases de datos legislativas actualizadas.
• Detección de cláusulas abusivas: identificación de disposiciones contrarias a principios de equidad o buenas prácticas.
• Auditoría de sesgos: evaluación del impacto diferenciado del acuerdo sobre grupos vulnerables.
• Generación de contratos inteligentes: codificación automática de condiciones en lenguajes como Solidity o Chaincode.

6. Modelos Transferibles: "Ideas Hechas para Importar"

La viabilidad de los cuatro asientos descritos depende de la disponibilidad de "ideas hechas para importar", conceptualizadas como modelos algorítmicos transferibles. En la arquitectura de software moderna, esto se traduce en el uso de APIs de IA, modelos de fundación (foundation models) pre-entrenados y entornos de simulación de negociación de código abierto. Las organizaciones no necesitan entrenar redes neuronales desde cero; pueden importar modelos de PLN para el análisis de sentimiento, bibliotecas de Teoría de Juegos computacional para la simulación de escenarios, y bases de datos normativas actualizadas vía cloud computing.

Esta modularidad permite que la IA se integre de forma nativa en plataformas CRM y ERP existentes, transformando herramientas administrativas en mesas de negociación aumentada (Russell & Norvig, 2021). El paradigma de "ideas hechas para importar" se alinea con la tendencia de la IA como servicio (AIaaS), donde las capacidades cognitivas se consumen bajo modelos de suscripción, reduciendo las barreras de entrada para pequeñas y medianas empresas.

6.1. Ejemplos de Modelos Transferibles Disponibles

• Genius Platform: entorno de evaluación de agentes de negociación con más de 100 perfiles de oponentes pre-entrenados (Baarslag et al., 2013).
• Negotiator Assistant API: servicios de análisis de sentimiento y detección de intenciones para integraciones CRM.
• Game Theory Solvers: bibliotecas de código abierto (Gambit, Nashpy) para cálculo de equilibrios en juegos multi-partidista.
• LLMs Jurídicos: modelos especializados en legislación sectorial para auditoría contractual automatizada.

7. Discusión

Los resultados del análisis confirman que la integración de los cuatro asientos de IA en la mesa de negociación produce una sinergia cognitiva superior a la suma de las capacidades individuales. La colaboración humano-IA, cuando está bien diseñada, aprovecha las fortalezas computacionales de la máquina (velocidad, memoria, ausencia de fatiga) y las fortalezas humanas (empatía, creatividad, juicio contextual) (Korteling et al., 2018).

Sin embargo, la discusión debe abordar tres tensiones fundamentales. Primero, la paradoja de la automatización: cuanto más confiable es el sistema, más tiende el humano a abdicar de su juicio crítico, lo que puede generar errores catastróficos cuando el sistema falla en casos no previstos (Parasuraman & Riley, 1997). Segundo, el problema de la caja negra: la opacidad de los modelos de aprendizaje profundo dificulta la explicabilidad de las recomendaciones estratégicas, lo que es particularmente problemático en contextos legales y de alta responsabilidad. Tercero, la asimetría de capacidades: las organizaciones con acceso a modelos avanzados de IA obtienen ventajas competitivas desproporcionadas, lo que plantea cuestiones éticas sobre la equidad en las negociaciones comerciales internacionales.

8. Implicaciones Prácticas

Las implicaciones prácticas de este estudio son significativas para tres grupos de interés:

• Empresas y organizaciones: pueden implementar arquitecturas modulares de negociación aumentada, comenzando por el Asiento 1 (analítico) y expandiéndose progresivamente hacia los demás asientos según madurez tecnológica.
• Negociadores profesionales: deben desarrollar competencias híbridas que combinen habilidades tradicionales de negociación con alfabetización en IA, incluyendo la capacidad de interpretar y cuestionar las recomendaciones algorítmicas.
• Responsables de políticas públicas: deben desarrollar marcos regulatorios que garanticen la transparencia, equidad y rendición de cuentas en el uso de IA en negociaciones de alto impacto (fusiones, adquisiciones, tratados internacionales).

9. Conclusiones

La integración de la Inteligencia Artificial en la mesa de negociación representa un cambio de paradigma desde la negociación puramente intuitiva hacia la negociación aumentada por datos. Los cuatro asientos propuestos —Analista de Información, Moderador Cognitivo, Simulador de Escenarios y Auditor Normativo— demuestran que la IA puede asumir roles cognitivos y analíticos específicos que complementan las habilidades de empatía, creatividad y juicio ético del negociador humano.

La disponibilidad de modelos algorítmicos transferibles ("ideas hechas para importar") democratiza el acceso a estas capacidades de nivel empresarial, permitiendo una optimización significativa de los resultados. La evidencia científica confirma que la colaboración humano-IA en la toma de decisiones produce resultados superiores a los de los humanos o las máquinas actuando de forma aislada (Korteling et al., 2018; Kersten et al., 2020).

El marco taxonómico propuesto en este estudio proporciona una hoja de ruta para la implementación responsable de agentes de IA en contextos de negociación multi-partidista. La adopción de estos sistemas debe acompañarse de protocolos de gobernanza, auditoría continua y formación especializada para garantizar que la tecnología sirva como herramienta de amplificación cognitiva y no como sustituto del juicio humano responsable.

10. Retos y Limitaciones

A pesar de los avances, la implementación de estos sistemas enfrenta retos significativos que deben ser abordados por la investigación futura:

• Explicabilidad (XAI): el "problema de la caja negra" en el aprendizaje profundo dificulta la explicabilidad de las recomendaciones estratégicas generadas por el Simulador de Escenarios. En contextos legales y de alta responsabilidad, la falta de interpretabilidad puede invalidar la utilidad del Asiento 4.
• Sesgo de automatización: los negociadores humanos pueden confiar ciegamente en las recomendaciones de la IA, abdicando de su juicio crítico, lo que incrementa el riesgo de errores sistémicos.
• Privacidad y seguridad: la información sensible compartida con modelos de IA externos durante el análisis de sentimiento y la auditoría normativa requiere marcos de gobernanza de datos robustos y cifrado de extremo a extremo.
• Robustez adversarial: los agentes de IA son vulnerables a ataques de manipulación por parte de contrapartes sofisticadas que puedan "envenenar" los datos de entrenamiento o explotar las funciones de objetivo del modelo.
• Equidad y acceso: la brecha tecnológica entre organizaciones grandes y pequeñas puede exacerbar las asimetrías de poder en las negociaciones comerciales.
• Responsabilidad legal: en caso de acuerdos perjudiciales derivados de recomendaciones algorítmicas defectuosas, la atribución de responsabilidad entre desarrolladores, implementadores y usuarios humanos sigue siendo jurídicamente ambigua.
• Validación empírica a gran escala: la mayoría de los estudios existentes se basan en simulaciones o experimentos de laboratorio; se requieren estudios de campo longitudinales en entornos corporativos reales para validar las afirmaciones de eficacia.

11. Líneas de Investigación Futura

Se identifican las siguientes prioridades para la investigación futura:

1. Desarrollo de sistemas de IA explicables (XAI) específicos para el dominio de la negociación estratégica.
2. Estudios longitudinales sobre el impacto de la colaboración humano-IA en la calidad de los acuerdos a largo plazo.
3. Diseño de marcos regulatorios armonizados a nivel internacional para el uso de IA en negociaciones de alto impacto.
4. Investigación sobre mecanismos de detección y mitigación de ataques adversariales en agentes de negociación.
5. Evaluación comparativa de arquitecturas centralizadas versus descentralizadas de agentes de IA en mesas de negociación multi-partidista.

Referencias

• Baarslag, T., Hindriks, K. V., & Jonker, C. M. (2013). A survey of opponent modeling in automated negotiation. Autonomous Agents and Multi-Agent Systems, 26(3), 545-582. https://doi.org/10.1007/s10458-012-9207-6
• Bazerman, M. H., & Neale, M. A. (1992). Negotiating rationally. Free Press.
• Brzostowski, J., & Wachowicz, T. (2015). Reference points in multi-issue negotiation. Group Decision and Negotiation, 24(2), 233-252. https://doi.org/10.1007/s10726-014-9407-5
• Doshi, R., & Hauser, O. P. (2022). Artificial intelligence in negotiation: Opportunities and challenges. Harvard Business School Working Paper, (22-067).
• Faratin, P., Sierra, C., & Jennings, N. R. (1998). Negotiation decision functions for autonomous agents. Robotics and Autonomous Systems, 24(3-4), 159-182. https://doi.org/10.1016/S0921-8890(98)00029-3
• Fisher, R., & Ury, W. (1981). Getting to yes: Negotiating agreement without giving in. Penguin Books.
• Jennings, N. R., Faratin, P., Lomuscio, A. R., Parsons, S., Sierra, C., & Wooldridge, M. (2001). Automated negotiation: Prospects, methods and challenges. Group Decision and Negotiation, 10(2), 163-181. https://doi.org/10.1023/A:1008730220736
• Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
• Kersten, G. E., Eker, D., & Szefler, J. (2020). Negotiation support systems: A systematic review and research agenda. Group Decision and Negotiation, 29(1), 1-35. https://doi.org/10.1007/s10726-019-09647-w
• Korteling, J. E., Brouwer, A. M., & Toet, V. (2018). Human-AI collaboration in decision making. Frontiers in Psychology, 9, 318. https://doi.org/10.3389/fpsyg.2018.00318
• Kraus, S. (2001). Automated negotiation and decision making in multiagent environments. Proceedings of the IEEE, 89(3), 402-425. https://doi.org/10.1109/5.915380
• Lewicki, R. J., Barry, B., & Saunders, D. M. (2020). Negotiation (8th ed.). McGraw-Hill Education.
• Nash, J. F. (1950). Equilibrium points in n-person games. Proceedings of the National Academy of Sciences, 36(1), 48-49. https://doi.org/10.1073/pnas.36.1.48
• Nouri, N., Marsella, S., & Tambe, M. (2020). Learning to negotiate in partially observable, multi-agent environments. Proceedings of the 19th International Conference on Autonomous Agents and Multiagent Systems (AAMAS), 942-950.
• Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230-253. https://doi.org/10.1518/001872097778543886
• Rahwan, I., Cebrian, M., & Boutilier, C. (2019). Machine behaviour. Nature, 568(7753), 477-486. https://doi.org/10.1038/s41586-019-1166-7
• Rosenschein, J. S., & Zlotkin, G. (1994). Rules of encounter: Designing conventions for automated negotiation among computers. MIT Press.
• Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.