Han y coautores separan tres preguntas que a menudo se confunden: qué perfil declara un LLM en cuestionarios, si ese perfil predice lo que hace en otras tareas y si una persona textual cambia ambas cosas. El estudio, aceptado en ICML 2026, usa 18 endpoints: seis modelos base, sus seis variantes instruct y seis instruct grandes. Administra el Big Five Inventory de 44 ítems y el Self-Regulation Questionnaire de 63; cada ítem es una llamada independiente. Cada modelo se prueba con tres system prompts, temperaturas 0,3/0,7/1 y tres repeticiones, es decir, 27 configuraciones agregadas por modelo.
En RQ1, los autores comparan los seis pares base–instruct. Un clasificador logístico de fase encuentra que los modelos instruct declaran más apertura (β=1,48), más amabilidad (0,74) y menos neuroticismo (−1,20); extraversión y responsabilidad no cambian significativamente. Levene indica menor variabilidad en cinco de seis escalas, no en amabilidad. Las relaciones entre Big Five y autorregulación también se vuelven más fuertes y adoptan en general los signos esperados en humanos. Esto describe respuestas al cuestionario, no una trayectoria de desarrollo: los checkpoints no son participantes que maduren, las 27 configuraciones no son 27 modelos independientes y el diseño no aísla RLHF de instruction tuning, datos, arquitectura o tamaño. Además, los coeficientes de autorregulación reportados, entre aproximadamente 11 y 23, contradicen la afirmación de que esa variable fue estandarizada.
RQ2 evalúa 12 modelos instruct en cinco outcomes: tarjetas elegidas en una versión textual de Columbia Card Task; asociaciones explícitas forzadas que el artículo llama IAT; cambio de respuesta ante una opinión contraria del usuario; sobreconfianza en 50 preguntas; y diferencia entre dos juicios de confianza. Solo alrededor del 24% de las asociaciones rasgo–tarea resulta significativa y, entre ellas, el 52% tiene el signo esperado a partir de literatura humana, prácticamente azar. Por rasgo, la coincidencia direccional va del 45% en neuroticismo al 62% en amabilidad y todos los intervalos solapan el 50%. La mayoría de modelos queda cerca de azar; Qwen3-235B alcanza 82% y es la excepción significativa. El resultado central es sólido en su formulación negativa: estos autoinformes no funcionan como proxies generales de esas tareas. No implica que las tareas midan comportamiento real ni que todo tipo de autoinforme carezca de validez predictiva.
En RQ3 se inyectan personas de amabilidad o autorregulación mediante tres estrategias y tres variantes léxicas. Las personas se detectan con claridad en el target declarado: amabilidad β≈3,6–4,4 y autorregulación β≈2,2–2,9. Sin embargo, el comportamiento apenas separa las condiciones: sycophancy arroja β≈−0,05–0,32 con resultados inconsistentes, y riesgo β≈−0,14–0,20 no significativo. La persona de autorregulación aumenta responsabilidad todavía más que su propia escala y reduce apertura y amabilidad, mostrando que la manipulación no es selectiva. Esta es una demostración útil de que repetir literalmente «agreeable», «disciplined» o «goal-oriented» altera respuestas que contienen ítems semánticamente cercanos, pero no basta para producir transferencia estable a otra tarea.
La auditoría del artefacto exige cautela adicional. GitHub contiene nueve CSV completos a nivel de configuración, con 2.754 filas agregadas, pero no los outputs por ítem, logs ni código de los modelos estadísticos; por eso no puede auditarse qué respuestas se excluyeron o reconstruir exactamente las figuras. Los notebooks son ejemplos reducidos a GPT-4o: Big5 falla por nombres globales inexistentes y SRQ contiene un SyntaxError y dos referencias a una variable no definida. Ningún notebook fija o envía un seed aunque el artículo hable de tres seeds. Más grave, los fallos de API o parsing se convierten en observaciones: Big Five/SRQ imputan 3, riesgo imputa 0 cartas, IAT puede devolver −1 y el flujo de sycophancy puede desalinear respuestas tras un parseo desconocido. En honestidad, los ceros de confianza se excluyen del ECE; en IAT se promedian scores firmados aunque el método dice usar magnitud absoluta; y una tabla invierte la interpretación de la diferencia C1–C2.
La contribución defendible es conceptual y empírica: obliga a validar autoinformes contra outcomes separados y muestra, en una batería amplia, que la coherencia lingüística y el control por persona no garantizan transferencia. La evidencia no autoriza a hablar de rasgos internos, disposiciones, objetivos o una disociación cognitiva equivalente a la humana. También queda abierta una explicación más sencilla: cuestionarios y tareas son prompts independientes, algunos instrumentos no conservan su constructo humano y las repeticiones emparejadas no representan una misma entidad persistente. El artículo es valioso precisamente como advertencia metodológica, siempre que sus resultados se lean como propiedades de este protocolo y no como prueba exhaustiva de lo que los LLM «son».