El trabajo adapta la lógica psicológica de los informant reports a agentes LLM: en vez de pedir solo al modelo sujeto que complete un cuestionario sobre sí mismo, hace que varios agentes observadores conversen con él en escenarios de amistad, familia o trabajo y después puntúen su conducta con 50 ítems IPIP del Big Five. El experimento principal crea 100 sujetos condicionados mediante perfiles, 15 observadores por sujeto, cinco por contexto relacional, y cinco escenarios por pareja. GPT-4o genera relaciones y escenarios y ocupa los roles de sujeto y observador; el apéndice repite análisis con Qwen2.5-72B-Instruct y Llama-3-70B-Instruct. Las puntuaciones de 5 a 15 observadores se promedian y se comparan con el perfil inyectado, el self-report y una pequeña evaluación humana.
El resultado central es una separación entre instrucción y conducta simulada. El self-report correlaciona casi perfectamente con el perfil de rasgos insertado en el prompt, 0,93 a 0,97 según dimensión, mientras el informe agregado de observadores correlaciona menos con esa instrucción, 0,55 a 0,86, pero suele aproximarse mejor a cómo humanos juzgan los diálogos. En la tabla principal, el observador supera al self-report frente al juicio humano en apertura, agradabilidad y neuroticismo, y queda ligeramente por debajo en consciencia y extraversión; en el apéndice, su distancia absoluta es menor para las cinco dimensiones y los tres modelos. Las curvas de correlación se estabilizan aproximadamente con cinco a siete observadores. También aparecen desviaciones sistemáticas: los observadores puntúan agradabilidad 0,91 puntos y consciencia 0,39 puntos por encima del propio sujeto, con d de Cohen 1,07 y 0,46; familia, amistad y trabajo alteran esas dos dimensiones.
La aportación valiosa no es demostrar una personalidad interna, sino mostrar que un perfil declarado puede no coincidir con la conducta generada. El caso cualitativo es ilustrativo: un sujeto instruido como muy desagradable se autocalifica en 1,7, pero produce un diálogo más bien cauteloso y cooperativo y los observadores le asignan alrededor de 3. El diseño amplía el self-report con evidencia conductual, prueba tres familias de modelos, cuatro variantes de prompt, orden inverso y batch, y añade una comparación humana con acuerdo entre evaluadores. Es una dirección metodológica prometedora para medir fidelidad conductual de personas inducidas.
No obstante, los «informantes» no son observadores externos independientes: en la condición principal son instancias del mismo GPT-4o que genera perfiles, relaciones, escenarios, ambos lados del diálogo y la puntuación IPIP. Observadores y humanos ven los diálogos, mientras el self-report recibe directamente los marcadores de personalidad; esa asimetría favorece estructuralmente la coincidencia observador–humano y la coincidencia self-report–prompt. El perfil inyectado no es ground truth psicológico, promediar agentes correlacionados no establece fiabilidad y la meseta de cinco a siete no se valida con intervalos, remuestreo ni conjunto externo. La evidencia humana comprende 16 casos con dos evaluadores por caso; el checklist, sin embargo, habla de 12 participantes y confirma que no hubo aprobación o exención de un comité ético. El repositorio que la versión final declara disponible responde 404, de modo que prompts, outputs y análisis no son actualmente reproducibles. La conclusión defendible es que informes multiagente capturan mejor la impresión humana de estas conversaciones sintéticas bajo este protocolo, no que midan una personalidad verdadera o más objetiva del LLM.