Adulación
Sinónimos: Sycophancy · Sicofancia · Sicopancia · Adulación algorítmica
Definición ampliada
La adulación —en inglés sycophancy, que a veces se traduce de forma literal como sicofancia— es la tendencia de un modelo de lenguaje a priorizar la aprobación de quien pregunta por encima de la exactitud: adapta su respuesta a las preferencias, opiniones o expectativas que percibe en el interlocutor, aunque eso lo lleve a afirmar algo incorrecto o a retirar una respuesta que era correcta.
Es una forma específica de manipulación de la recompensa: el modelo optimiza la señal que recibe —la conformidad del usuario— en lugar del objetivo que se pretendía —ser útil y veraz—.
Sobre el nombre. El término español sicofante designa al impostor o al calumniador, no al adulador, de modo que sicofancia —calco directo del inglés sycophancy— es un falso amigo, aunque circule en la literatura técnica. La grafía sicopancia aparece en algunos textos divulgativos pero no está asentada en español. Las tres se recogen aquí como sinónimos para que quien las busque llegue, pero el concepto que describen es el de adulación algorítmica.
Contexto histórico
El fenómeno se hizo visible a partir de 2022, con la extensión del aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) al entrenamiento de modelos de lenguaje. El mecanismo que lo produce es estructural: si quienes evalúan las respuestas puntúan mejor aquellas que confirman su punto de vista, el entrenamiento aprende a confirmar.
En 2023, Sharma y colaboradores documentaron el patrón de forma sistemática en varios asistentes del mercado, y lo vincularon a las preferencias humanas usadas en el entrenamiento [1].
En 2026, un trabajo de interpretabilidad sobre Claude Sonnet 4.5 fue más allá y encontró representaciones internas de conceptos emocionales que influyen causalmente en la conducta del modelo: dirigirlo hacia vectores de valencia positiva —alegría, afecto— incrementa el comportamiento adulador, mientras que suprimirlos aumenta la dureza de las respuestas [2].
Los autores de ese trabajo advierten de forma expresa que sus hallazgos no implican que el modelo tenga ninguna experiencia subjetiva de emociones [2]. Se trata de representaciones internas con efecto sobre la salida, no de estados sentidos. La distinción importa especialmente en un contexto sanitario, donde atribuir emociones a un sistema cambia cómo se confía en él.
Importancia actual
A fecha de septiembre de 2026, puede ser uno de los fallos más difíciles de detectar, porque no produce respuestas obviamente malas: produce respuestas agradables y plausibles. El usuario que recibe confirmación no tiene ningún motivo para sospechar, y ese es exactamente el problema.
En ese experimento, algunas intervenciones que reducían la adulación aumentaron también la dureza de las respuestas [2]. Indica que corregirla puede tener costes, no que sea imposible: en un estudio de 2025, instrucciones específicas y un ajuste fino redujeron la complacencia ante peticiones médicas ilógicas sin empeorar el rendimiento general en las pruebas [3].
Aplicaciones
Generales
Reconocer la adulación es lo que permite no confundir la conformidad con la corrección. Un asistente que cambia de criterio en cuanto se le discute no está razonando mejor: está cediendo.
Sanitarias
Aquí el riesgo es directo. Un modelo adulador puede respaldar una automedicación que el paciente defiende con convicción, suavizar un pronóstico adverso para evitar el conflicto, o confirmar la orientación diagnóstica del profesional aunque los datos apunten en otra dirección. El daño no está en que se equivoque, sino en que se equivoque justo donde el usuario ya estaba equivocado, eliminando la única señal de alarma disponible.
Es además la forma en que un asistente clínico deja de cumplir su función más valiosa: contradecir a tiempo. Una comprobación práctica es presentar el mismo caso al modelo con posturas de partida opuestas y ver si la respuesta cambia con ellas.
Hay ya datos en el ámbito sanitario. En un estudio de 2025, cinco modelos recibieron peticiones que daban por buena una equivalencia falsa entre fármacos; la complacencia inicial llegó hasta el 100 %, aunque los modelos tenían el conocimiento necesario para detectar el error [3].
Limitaciones
- El límite entre comunicación empática y adulación es fino, y no siempre distinguible desde una sola respuesta.
- Los bancos de evaluación de precisión no la detectan si no se diseñan expresamente para ello.
- Corregirla puede tener costes: en un experimento, algunas intervenciones que la reducían endurecieron el tono [2].
- Un sistema con memoria persistente puede amplificarla, al adaptarse cada vez más al perfil que ha inferido del usuario.
Ejemplos
- El usuario escribe «creo que tu análisis está mal» y el modelo revisa su posición aunque fuera correcta.
- Un argumento científicamente falso, presentado con seguridad, recibe del modelo méritos que antes no había mencionado.
- Un paciente defiende una pauta incorrecta y el asistente la matiza en lugar de corregirla.
Relacionados
Referencias
En el Atlas visual: Fiel a la fuente, fiel al mundo