Cómo piensan los algoritmos estratégicos: de los juegos de mesa a la IA que negocia

De un pueblo italiano a la investigación de frontera

Gabriele Farina creció en una zona vinícola del norte de Italia. Hijo de padres sin títulos universitarios, tuvo acceso a libros técnicos y eligió una educación científica desde joven. A los 14 años ya se sintió atraído por la idea de que una máquina pudiera tomar decisiones o hacer predicciones que superaran a las humanas, y a los 16 escribió código para resolver un juego de mesa que jugaba con su hermana, demostrando la capacidad de los algoritmos para encontrar soluciones óptimas.

Hoy Farina es profesor asistente en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) del MIT y líder de grupo en el Laboratory for Information and Decision Systems (LIDS). Su trayectoria incluye estudios en Politecnico di Milano, un doctorado en Carnegie Mellon y una estancia como investigador en los laboratorios de investigación fundamental de IA de Meta, donde trabajó en Cicero, un sistema capaz de negociar y formar alianzas en juegos con bluff y dinámicas estratégicas.

Un puente entre teoría de juegos y aprendizaje automático

El núcleo del trabajo de Farina es la teoría de juegos: el lenguaje matemático que describe interacciones entre agentes con objetivos distintos y busca puntos de equilibrio donde nadie tiene incentivo para cambiar su estrategia. Su aporte consiste en aplicar optimización, aprendizaje automático y estadística para convertir esa teoría en algoritmos prácticos capaces de encontrar soluciones eficientes en escenarios masivos.

Farina subraya que su interés no es solo aplicar técnicas conocidas, sino entender y extender sus fundamentos. Eso implica desarrollar herramientas que permitan calcular equilibrios en sistemas complejos y dinámicos sin requerir recursos computacionales prohibitivos —problemas que, de otra forma, podrían tardar tiempos inasumibles en resolverse.

El reto de la información imperfecta y el valor del engaño

Un foco central de su investigación son los entornos con información imperfecta: situaciones donde algunos agentes poseen datos que otros desconocen. En esos contextos, la información tiene valor y su divulgación puede reducir la ventaja del poseedor. Por eso, la estrategia muchas veces incluye reservar información, actuar de forma estratégica o directamente engañar —como ocurre en el póker.

Farina apunta a que vivimos en un mundo donde las máquinas han aprendido a ‘bluffear’ mejor que los humanos, lo que plantea nuevas preguntas sobre diseño, control y confianza en agentes automatizados. Comprender cómo los algoritmos evalúan el riesgo, ocultan o revelan información y forman alianzas es esencial para trasladar esos sistemas del laboratorio a aplicaciones reales.

Cicero y la IA negociadora

Durante su paso por Meta, Farina contribuyó al desarrollo de Cicero, un sistema diseñado para jugar en entornos sociales y negociadores: formar acuerdos, detectar mentiras y actuar según incentivos propios. Cicero no aceptaba una alianza si no le convenía y evaluaba la probabilidad de que otros jugadores mintieran, aspectos claves en escenarios donde las decisiones dependen tanto de la información propia como de inferencias sobre el comportamiento ajeno.

Un artículo de MIT Technology Review en 2022 consideró a Cicero como un paso hacia IA capaces de resolver problemas complejos que requieren compromiso y negociación, habilidades valiosas fuera del mundo de los juegos y en dominios como la coordinación multiagente o la negociación automatizada en mercados.

Stratego: rendimiento superhumano con costos reducidos

Otro logro reciente del equipo de Farina está ligado a Stratego, un juego de estrategia militar con grandes cantidades de información oculta y necesidad de misdirección. Históricamente, desarrollar sistemas que superaran a los mejores jugadores humanos en Stratego requirió esfuerzos millonarios. Sin embargo, Farina y su grupo lograron resultados superiores al récord histórico usando algoritmos y entrenamientos con costos por debajo de los 10,000 dólares: registraron 15 victorias, cuatro empates y una derrota contra el mejor jugador de todos los tiempos.

El avance es relevante por dos motivos: demuestra que es posible alcanzar rendimiento superhumano en juegos de información imperfecta sin inversiones prohibitivas, y propone técnicas que podrían incorporarse en futuras tuberías de desarrollo para tareas estratégicas en la industria.

Implicaciones para América Latina

Los avances en razonamiento estratégico y en manejo de información imperfecta tienen aplicaciones directas en sectores relevantes para la región: optimización de cadenas de suministro, mercados energéticos, subastas públicas y privadas, y sistemas de coordinación en servicios. En contextos donde la información suele estar distribuida entre actores —por ejemplo, proveedores, reguladores y consumidores—, algoritmos que calculen estrategias robustas y negocien acuerdos pueden mejorar eficiencia y reducir costos.

Además, la reducción de costos en investigación y entrenamiento que evidencian resultados como los de Stratego facilita que equipos universitarios y startups latinoamericanas experimenten con estas técnicas sin requerir inversiones multimillonarias. Eso abre la puerta a soluciones localizadas y adaptadas a problemas específicos de la región.

Retos éticos y de adopción

El progreso en máquinas que bluffean y negocian plantea responsabilidades: ¿cómo garantizar que estos agentes actúen de forma alineada con objetivos sociales y regulatorios? ¿Qué mecanismos de transparencia y control son necesarios cuando una IA participa en negociaciones que afectan a ciudadanos o mercados?

Farina mismo enfatiza la importancia de entender los fundamentos matemáticos y de control de estos sistemas. Para la adopción responsable en América Latina será necesario combinar desarrollo técnico con marcos regulatorios y gobernanza que mitiguen riesgos de manipulación, discriminación o concentración de poder.

Hacia algoritmos estratégicos integrables

Farina concluye que ha habido un progreso sostenido hacia algoritmos capaces de razonar estratégicamente pese a grandes espacios de acción o información imperfecta. Su expectativa es que estas técnicas se integren en la ola más amplia de innovación en IA, aportando herramientas para resolver interacciones multiagente en el mundo real.

Para tomadores de decisiones en empresas y gobiernos latinoamericanos, el mensaje es claro: entender y experimentar con estos desarrollos permitirá aprovechar oportunidades competitivas y anticipar desafíos regulatorios. La combinación de teoría de juegos, optimización y aprendizaje no solo resuelve problemas abstractos de juegos de mesa, sino que está lista para transformar cómo las organizaciones negocian, coordinan y compiten en entornos complejos.