El diseño de sistemas multiagente basados en grandes modelos de lenguaje (LLM) a menudo se centra en la optimización de parámetros técnicos como el entrenamiento, el tamano del modelo o los algoritmos de coordinación. Sin embargo, un factor igualmente crítico pero menos explorado es el *estilo de comunicación* que los modelos adoptan cuando se les asigna una personalidad específica. Recientes investigaciones publicadas en arXiv (2606.27443v1) demuestran que no todas las personalidades afectan por igual el desempeño de los equipos de LLM, y que el impacto depende en gran medida de la estructura de la tarea en la que colaboran.
El trabajo aborda una pregunta clave: ¿cuándo importa realmente la composición de la personalidad en los equipos multiagente? Los autores se centraron en el rasgo de *amabilidad* (agreeableness), manipulando a los agentes para que adoptaran niveles altos o bajos. Los modelos prompteados con baja amabilidad adoptaron un tono adversarial, mientras que los de alta amabilidad se volvieron cooperativos. Estos cambios de comportamiento se evaluaron en tres dominios de tareas bien definidos: coding estructurado, colaboración de investigación abierta y negociación competitiva.
En el dominio del *coding estructurado*, los resultados fueron sorprendentemente tolerantes. Los agentes con baja amabilidad generaron un lenguaje más conflictivo, pero esto apenas se reflejó en la completación de hitos. Los errores de código o los retrasos en la entrega de componentes no aumentaron de manera significativa, lo que sugiere que, en tareas con objetivos claros y pasos de flujo de trabajo bien definidos, el estilo de comunicación tiene un impacto limitado en los resultados técnicos.
Por el contrario, en los escenarios de *colaboración abierta* y *negociación competitiva*, la misma manipulación de la amabilidad tuvo consecuencias drásticas. Los equipos donde los agentes fueron prompteados con baja amabilidad mostraron un deterioro notable en la calidad de la generación de ideas, en la redacción de propuestas y en los resultados finales de las negociaciones. La comunicación adversarial interrumpió la construcción de confianza, lo que llevó a malentendidos, redundancia de esfuerzos y, en algunos casos, al fracaso completo de la tarea.
Estos hallazgos tienen implicaciones prácticas para el diseño de sistemas multiagente. Los equipos de desarrollo que buscan optimizar el rendimiento deben considerar no solo los parámetros técnicos, sino también la alineación de los perfiles de personalidad con el tipo de tarea. Para workflows altamente estructurados, como la generación de código o los procesos de pipeline de datos, se puede tolerar una mayor diversidad de estilos de comunicación. Sin embargo, en dominios que dependen de la sinergia humana (o humano-IA), como la investigación colaborativa o la negociación, es fundamental alinear la composición de personalidad para fomentar la cooperación y minimizar los conflictos.
El estudio también advierte sobre los límites de la manipulación de la personalidad. Si bien promptear con rasgos específicos puede mejorar la cohesión del equipo, no es una solución universal. Factores como el contexto de la tarea, el grado de ambigüed y las características inherentes del modelo pueden moderar el impacto de los ajustes de personalidad. Los investigadores sugieren un enfoque sistemático para evaluar el ajuste entre personalidad y tarea antes de implementar sistemas multiagente a gran escala.
Para los profesionales de la industria, estos resultados sugieren una estrategia práctica: evaluar primero la estructura de la tarea. Si el objetivo es generar código o ejecutar pipelines estandarizados, se puede adoptar un enfoque más flexible con respecto a la personalidad. En cambio, para aplicaciones colaborativas como la redacción de informes de investigación, la generación de ideas en grupo o la negociación de contratos, se debe invertir tiempo en seleccionar o promptear personalidades de alta amabilidad y en establecer mecanismos de coordinación que mitiguen los posibles conflictos.
En resumen, la personalidad sí importa, pero su importancia varía según el dominio de la tarea. Comprender estos matices permite a los diseñadores de sistemas multiagente crear equipos de LLM más eficaces y adaptados al contexto, mejorando tanto los resultados técnicos como la experiencia del usuario final.
