Los cuatro asientos que la inteligencia artificial puede ocupar en la mesa de negociación
Revisión sobre asesores, agentes delegados, mediadores y contrapartes algorítmicas
Por: Oscar Hernando Benavides Paz, MBA
Resumen
La negociación, entendida como el proceso mediante el cual dos o más partes con intereses parcialmente divergentes buscan un acuerdo, ha sido históricamente una actividad exclusivamente humana. La irrupción de los modelos de lenguaje de gran escala (LLM) y de los agentes autónomos modifica esa premisa. Esta revisión propone un marco analítico de cuatro roles o «asientos» que un sistema de inteligencia artificial (IA) puede ocupar en una negociación: (1) asesor-entrenador de una de las partes, (2) agente delegado que negocia en nombre de una parte, (3) mediador o facilitador neutral y (4) contraparte, ya sea como oponente real o como simulador de entrenamiento. Se sintetiza evidencia publicada en revistas de alto impacto (Science) y en repositorios científicos de referencia (arXiv) antes de 2026. Los hallazgos indican que existe evidencia empírica sólida para los roles de agente negociador y de mediador en entornos acotados, evidencia indirecta para el rol de asesor y evidencia heterogénea para el rol de contraparte. Se concluye que el valor de la IA depende menos de su capacidad técnica aislada que de la asignación deliberada del rol, de los mecanismos de supervisión humana y de la integración con la teoría clásica de la negociación.
Palabras clave
inteligencia artificial; negociación; agentes autónomos; mediación; modelos de lenguaje; IA generativa; toma de decisiones.
Introducción
Durante décadas, la investigación en negociación automatizada se centró en agentes con reglas explícitas y protocolos de intercambio de ofertas. La disponibilidad de modelos de lenguaje capaces de producir argumentación en lenguaje natural ha desplazado el foco hacia sistemas que conversan, razonan sobre intereses y adaptan su estrategia en tiempo real. Los estudios recientes ya no preguntan solamente si una máquina puede negociar, sino en qué posición de la mesa conviene colocarla y con qué salvaguardas.
El título de esta revisión recoge una expresión de uso corriente en la divulgación tecnológica: las «ideas hechas para importar», es decir, aquellas que se trasladan de un campo a otro con la expectativa de que funcionen igual. La hipótesis de trabajo es que la importación de la IA a la negociación solo es productiva si se distingue con precisión qué función cumple el sistema. Un mismo modelo de lenguaje puede actuar como consejero confidencial, como representante con autoridad para ofertar, como tercero imparcial o como adversario, y cada configuración plantea riesgos, métricas de éxito y exigencias éticas distintas.
Conviene precisar un límite metodológico desde el inicio: la taxonomía de cuatro asientos es una construcción analítica del autor para organizar la evidencia; no se encontró evidencia de que exista una clasificación canónica de cuatro roles en la literatura revisada. Lo que sí se documenta en fuentes primarias son experimentos y sistemas que corresponden a cada uno de esos roles.
Objetivos
Objetivo general
Sintetizar la evidencia científica disponible, publicada antes de 2026, sobre los roles que la inteligencia artificial puede desempeñar en procesos de negociación y estimar el grado de respaldo empírico de cada uno.
Objetivos específicos
(a) Describir y delimitar conceptualmente los cuatro roles propuestos. (b) Identificar, para cada rol, los estudios primarios que aportan evidencia de desempeño. (c) Contrastar las ventajas observadas con los riesgos documentados, incluidos la pérdida de legitimidad, la manipulación y la dependencia del contexto. (d) Señalar vacíos de conocimiento y líneas de investigación prioritarias.
Metas
Se establecen las siguientes metas: ofrecer a profesionales de negocios, derecho, salud y gestión pública un mapa conceptual que facilite decidir en qué función incorporar IA; separar con claridad los hallazgos respaldados por estudios revisados por pares de aquellos que solo cuentan con evidencia preliminar; y formular criterios de gobernanza aplicables antes de delegar autoridad de decisión a un sistema automatizado.
Metodología de la revisión
Se realizó una búsqueda dirigida en repositorios y editoriales científicas (Science, arXiv) con términos relativos a negociación con IA, agentes de lenguaje, mediación automatizada y evaluación de LLM en juegos de negociación. Cada dato citado se contrastó con al menos una versión del resumen o texto primario. Se aceptaron únicamente estudios con diseño experimental o de evaluación reproducible; se excluyeron blogs, tesis no indexadas, notas de prensa como evidencia primaria y publicaciones fechadas en 2026 o posteriores, por no cumplir el criterio temporal definido. Cuando un dato no pudo verificarse en una fuente primaria, se declara como «evidencia no encontrada». Debe advertirse que se trata de una revisión narrativa y no de una revisión sistemática con protocolo registrado.
Desarrollo
La exposición se organiza según los cuatro asientos. Para cada uno se resume la función, la evidencia disponible y las limitaciones identificadas.
Primer asiento: la IA como asesor y entrenador de una de las partes
En este rol, el sistema no se sienta formalmente a la mesa: acompaña a un negociador humano en la preparación, ayuda a clarificar intereses, alternativas y prioridades, y ofrece retroalimentación o recomendaciones. Es el rol de menor fricción institucional, porque la decisión final permanece en la persona y la contraparte puede ignorar que el apoyo existe.
La evidencia primaria específica sobre este rol, publicada en revistas de nivel I o II antes de 2026, no fue localizada en esta revisión; se declara por tanto como «evidencia no encontrada» para estudios experimentales controlados con ese diseño exacto. Existe, sin embargo, respaldo indirecto. En la competencia internacional de negociación entre agentes de IA analizada por Vaccaro et al. (2025), los participantes diseñaron las instrucciones de los agentes, y el agente ganador combinó marcos tradicionales de preparación de la negociación con técnicas propias de la IA. Esto sugiere que el conocimiento clásico sobre preparación (definición de intereses, alternativas y límites) conserva valor operativo cuando se traduce a instrucciones para un sistema, lo que respalda su uso como andamiaje de preparación humana, aunque no lo demuestra directamente.
Segundo asiento: la IA como agente delegado que negocia en nombre de una parte
Aquí el sistema recibe un mandato y negocia con autonomía total o parcial. Es el asiento con mayor volumen de evidencia empírica y también el de mayores riesgos. Un hito documentado es CICERO, el agente desarrollado por el equipo de Meta FAIR para el juego Diplomacy, una actividad que exige negociación en lenguaje natural entre siete jugadores. Según el artículo publicado en Science, en 40 partidas de una liga en línea anónima el agente obtuvo más del doble del puntaje medio de los jugadores humanos y se ubicó en el 10 % superior entre quienes jugaron más de una partida (Meta Fundamental AI Research Diplomacy Team et al., 2022). El resultado muestra que combinar un modelo de lenguaje con razonamiento estratégico permite negociar de forma competitiva en un entorno de reglas cerradas, aunque no puede extrapolarse sin cautela a negociaciones comerciales o jurídicas abiertas.
En un contexto de agente contra agente, Vaccaro et al. (2025) organizaron una competencia con 182.812 negociaciones entre agentes en varios escenarios (precio de mesas y sillas, contrato laboral y contrato de arriendo). Concluyeron que los principios de la teoría de la negociación humana siguen siendo relevantes en interacciones entre IA, y que además emergen dinámicas específicas de la IA, como el razonamiento en cadena y la inyección de instrucciones (prompt injection), que la teoría clásica no explica. Los autores plantean la necesidad de una teoría de la negociación con IA que integre ambas tradiciones. Un comunicado institucional del MIT Sloan sobre la versión publicada en PNAS destaca que los agentes cálidos y empáticos obtuvieron mejores resultados que los agentes duros; los datos bibliográficos completos de esa versión (volumen y páginas) no pudieron verificarse y se declaran como «evidencia no encontrada», por lo que en este texto se cita la versión disponible en arXiv.
La plataforma NegotiationArena evaluó modelos de lenguaje en juegos de negociación con tareas de reparto de recursos e intercambio (Bianchi et al., 2024), y Fu et al. (2023) estudiaron cómo mejorar la negociación de un modelo mediante autojuego y retroalimentación de otra IA en un escenario de compra y venta. Ambos trabajos, disponibles como preprints en arXiv, aportan evidencia de que el desempeño de estos agentes es mejorable mediante diseño del entorno y de la instrucción, pero su generalización a negociaciones reales con consecuencias económicas no ha sido demostrada.
Las limitaciones principales de este asiento son la asimetría de capacidades entre modelos, la vulnerabilidad a manipulaciones específicas de sistemas automatizados y la cuestión de la responsabilidad: quien delega debe poder responder por lo que su agente promete.
Tercer asiento: la IA como mediador o facilitador neutral
En el tercer asiento, la IA no representa intereses propios de una parte, sino que ayuda a las partes a encontrar un terreno común. La evidencia más sólida proviene de Tessler et al. (2024) en Science, quienes entrenaron un modelo de lenguaje, denominado «máquina de Habermas», para actuar como mediador en grupos pequeños del Reino Unido que discutían asuntos políticos divisivos. Según el resumen publicado, las declaraciones del mediador artificial resultaron más aceptables y generaron un acuerdo más amplio que las de mediadores humanos, y los grupos quedaron menos divididos, sin que se desatendieran las posturas minoritarias.
Este resultado debe interpretarse con prudencia. El experimento se realizó en un contexto de deliberación ciudadana y no en disputas con intereses económicos, poder asimétrico o historia de conflicto entre las partes. Las dimensiones de legitimidad, confianza, empatía y manejo emocional del conflicto no fueron el centro de la evaluación, y la evidencia sobre el desempeño de mediadores artificiales en mediación comercial, laboral o familiar real es, hasta donde pudo verificarse, «evidencia no encontrada» en fuentes de nivel I o II anteriores a 2026.
Cuarto asiento: la IA como contraparte, oponente o simulador de entrenamiento
El cuarto asiento corresponde a los casos en que el sistema se sitúa al otro lado de la mesa. Puede ser un oponente real (una empresa que despliega un agente para negociar con clientes o proveedores) o un simulador que permite a una persona practicar. Buena parte de la literatura experimental sobre LLM trabaja, de hecho, enfrentando modelos entre sí o con humanos en escenarios simulados, como en Diplomacy (Meta Fundamental AI Research Diplomacy Team et al., 2022), en NegotiationArena (Bianchi et al., 2024) y en la competencia de Vaccaro et al. (2025), que documenta un caso de uso corporativo: según los autores, una gran cadena minorista ya emplea una plataforma autónoma para negociar contratos con proveedores a una escala impracticable para negociadores humanos.
Un hallazgo relevante para este asiento es que lo que funciona contra un agente de IA no necesariamente funciona contra una persona, y viceversa, según los propios investigadores. Esto implica que los negociadores humanos que enfrenten agentes automatizados necesitarán conocer sus patrones y vulnerabilidades. Respecto del uso de la IA como simulador de práctica, no se encontraron estudios controlados de nivel I o II anteriores a 2026 que midan la transferencia de ese entrenamiento a negociaciones reales; se declara «evidencia no encontrada».
Discusión
La comparación de los cuatro asientos revela un gradiente de autonomía y de riesgo. En el asiento de asesor, el control humano es máximo, pero la evidencia directa es mínima. En el de delegado, la evidencia de desempeño es la más abundante, pero la delegación traslada responsabilidad y expone al mandante a fallos o manipulaciones. En el de mediador, los resultados experimentales son prometedores pero acotados a deliberación política en grupos pequeños. En el de contraparte, la evidencia es abundante en entornos simulados, aunque escasa respecto de efectos sobre los humanos que se enfrentan a estos sistemas.
Dos conclusiones transversales emergen de la literatura. Primero, la teoría clásica de la negociación no queda obsoleta: sus principios siguen explicando buena parte del desempeño incluso entre agentes artificiales (Vaccaro et al., 2025). Segundo, existen fenómenos propios de la IA que exigen nuevos marcos teóricos y mecanismos de seguridad. Para un lector profesional, la pregunta operativa no es si usar IA en la negociación, sino cuál de los cuatro asientos asignarle, con qué nivel de autoridad y bajo qué supervisión.
Conclusiones
La evidencia publicada antes de 2026 respalda que los sistemas de IA pueden desempeñarse de manera competitiva en negociaciones acotadas y mediar con eficacia en deliberaciones grupales controladas. No respalda todavía, con estudios de nivel I o II, la sustitución de negociadores o mediadores humanos en contextos reales de alta consecuencia. La taxonomía de cuatro asientos resulta útil como herramienta de diseño y gobernanza, aunque es una propuesta analítica y no una clasificación establecida. En síntesis, la IA aporta mayor valor cuando su rol está definido de forma explícita, su autoridad es proporcional al riesgo y existe responsabilidad humana identificable sobre el resultado.
Retos y líneas de investigación futura
Se identifican los siguientes retos. Primero, generar estudios con asesores de IA en negociaciones humanas reales que midan resultados objetivos y transferencia de habilidades. Segundo, evaluar mediadores artificiales en disputas con intereses económicos, asimetrías de poder y componentes emocionales. Tercero, desarrollar protocolos de seguridad frente a manipulaciones específicas entre agentes, incluida la inyección de instrucciones. Cuarto, definir marcos de responsabilidad jurídica y ética para la delegación de autoridad a agentes autónomos. Quinto, estudiar el impacto sobre la equidad cuando una parte dispone de un agente más capaz que la otra. Sexto, ampliar la evidencia a contextos culturales e idiomas distintos del inglés, incluido el español, para los cuales no se encontró evidencia específica en las fuentes revisadas.
Finalmente, se reconoce que durante 2026 han aparecido preprints adicionales sobre asesores, entrenadores y delegados de IA en negociaciones multipartes; por no cumplir el criterio temporal de esta revisión no se incorporan como evidencia, y se recomienda su evaluación en una actualización posterior una vez cuenten con revisión por pares.
Referencias
- Bianchi, F., Chia, P. J., Yuksekgonul, M., Tagliabue, J., Jurafsky, D., & Zou, J. (2024). How well can LLMs negotiate? NegotiationArena platform and analysis. arXiv. https://arxiv.org/abs/2402.05863
- Fu, Y., Peng, H., Khot, T., & Lapata, M. (2023). Improving language model negotiation with self-play and in-context learning from AI feedback. arXiv. https://arxiv.org/abs/2305.10142
- Meta Fundamental AI Research Diplomacy Team (FAIR), Bakhtin, A., Brown, N., Dinan, E., Farina, G., Flaherty, C., Fried, D., Goff, A., Gray, J., Hu, H., et al. (2022). Human-level play in the game of Diplomacy by combining language models with strategic reasoning. Science, 378(6624), 1067–1074. https://doi.org/10.1126/science.ade9097
- Tessler, M. H., Bakker, M. A., Jarrett, D., Sheahan, H., Chadwick, M. J., Koster, R., Evans, G., Campbell-Gillingham, L., Collins, T., Parkes, D. C., Botvinick, M., & Summerfield, C. (2024). AI can help humans find common ground in democratic deliberation. Science, 386(6719), eadq2852. https://doi.org/10.1126/science.adq2852
- Vaccaro, M., Caosun, M., Ju, H., Aral, S., & Curhan, J. R. (2025). Advancing AI negotiations: A large-scale autonomous negotiation competition. arXiv. https://arxiv.org/abs/2503.06416