Kampal publica un nuevo modelo para mejorar la inteligencia colectiva con ayuda de la física

¿Qué pasa cuando reunimos a personas muy distintas para resolver un problema en común? ¿Y si además incluimos agentes artificiales? Estas preguntas clave en los procesos de inteligencia colectiva han llevado al equipo de Kampal, en colaboración con la Universidad de Zaragoza, a desarrollar un nuevo modelo matemático que permite diseñar de forma precisa cómo se distribuyen los perfiles de los participantes en un experimento colectivo.

El trabajo, titulado “Distribución Geométrica de Agentes Basada en un Modelo de Potts Generalizado”, ha sido recientemente publicado y propone una metodología novedosa basada en la física estadística.

El contexto: ¿por qué importa cómo se colocan los participantes?

En los experimentos de inteligencia colectiva —como los que se desarrollan en la plataforma https://ic.kampal.com—, los resultados dependen no solo de lo que opina cada agente, sino de con quién interactúa. Distribuir estratégicamente a los participantes (por ejemplo, mezclando perfiles por edad, género, formación o incluso bots) puede fomentar el consenso, la innovación o el contraste de ideas.

Hasta ahora, esta disposición se hacía de forma más o menos aleatoria. Sin embargo, en entornos complejos, controlar el entorno de cada agente puede marcar la diferencia.

La solución: física aplicada a la inteligencia colectiva

Inspirándose en el modelo de Potts (utilizado tradicionalmente para estudiar transiciones de fase en física), el equipo ha introducido una generalización que permite explorar diferentes configuraciones de agentes en una cuadrícula. El nuevo modelo incorpora un segundo parámetro que regula cuán homogéneo o diverso es el vecindario de cada agente.

Con esta herramienta, es posible construir en menos de un minuto configuraciones adaptadas a cada tipo de experimento: desde entornos con burbujas informativas bien definidas hasta distribuciones completamente heterogéneas que fomentan el cruce de ideas disruptivas.

Resultados y futuro

El modelo define un diagrama de fases con cuatro regiones clave que representan distintos patrones de mezcla. Esto no solo permite ajustar con precisión el diseño de un experimento, sino también estudiar cómo esas configuraciones afectan a la propagación de ideas y al consenso.

Además, el equipo ya trabaja en extender el modelo a casos sin restricciones de perfiles y en explorar su aplicación con agentes exclusivamente artificiales, lo que podría abrir nuevas vías en la simulación social y en el diseño de herramientas deliberativas automatizadas.

Este avance refuerza el compromiso de Kampal con la investigación aplicada y con el desarrollo de soluciones innovadoras para comprender mejor cómo pensamos juntos.