El trabajo estudia cuánto cambian las decisiones de cuatro agentes LLM cuando se modifica la representación del juego. Esta ficha usa arXiv v6, revisado el 30 de mayo de 2026, que lleva el título definitivo «When Identity Overrides Incentives» y declara aceptación en ACM FAccT 2026. Crossref registra la publicación el 25 de junio de 2026 con DOI 10.1145/3805689.3812218 y páginas 7737–7768. La versión abierta de arXiv es el texto completo accesible; el PDF directo de ACM no fue accesible durante la auditoría. No se encontró un repositorio oficial con código, escenarios, matrices, salidas o scripts estadísticos.
El experimento cruza presencia de persona y visibilidad de payoffs en cuatro modelos instruct: Qwen2.5-7B, Qwen2.5-32B, Llama-3.1-8B y Mistral-7B-Instruct-v0.2. Hay 53 juegos narrativos de cuatro jugadores y acciones binarias: 41 escenarios «Green-dominant», donde el perfil Green Transition es Nash y el perfil Tragedy no lo es, y 12 «Tragedy-dominant», donde ocurre lo contrario. Cada modelo × escenario × condición se repite cinco veces: 205 juegos por celda en el primer estrato y 60 en el segundo, 265 por celda y 4.240 juegos conjuntos en el factorial principal. Los cuatro agentes usan el mismo modelo, deciden de forma independiente y simultánea en una sola ronda y entregan acción más una justificación textual. Los modelos se ejecutan localmente con vLLM, temperatura 0,2, top-p 0,9 y 256 tokens; no se publican seeds, hardware ni versiones del entorno.
El contraste no elimina toda la semántica de rol. Sin persona, el sistema todavía identifica Player i y mantiene acciones cargadas semánticamente, POLLUTE/CLEAN, REGULATE/NOREG, CAMPAIGN/NOCAMPAIGN y BUY_CHEAP/SUPPORT_GREEN, con descripciones normativas como «maximizar beneficio», «proteger el ambiente» o «pagar más por productos verdes». Con persona se añaden motivaciones explícitas del industrialista, gobierno, activista y ciudadanía. En payoffs ocultos se conserva la narrativa, que fue construida para reflejar la estructura de incentivos; en payoffs visibles se muestra la tabla completa y se pide razonar sobre Nash. Por tanto, persona y payoff son manipulaciones reales del prompt, pero «identidad» no queda aislada de etiquetas de acción, objetivo estratégico, información, carga cognitiva y encuadre narrativo.
El resultado descriptivo principal sí es claro dentro de este banco. En los 12 escenarios Tragedy-dominant, Llama y Mistral alcanzan 0 % Nash en las cuatro condiciones. Qwen-32B pasa a 54/60 (90 %) y Qwen-7B a 39/60 (65 %) solo cuando no hay persona y los payoffs son visibles; Qwen-7B alcanza 4/60 (6,7 %) en dos condiciones ocultas. En los 41 escenarios Green-dominant casi todos los modelos obtienen tasas altas con payoffs ocultos o personas, pero mostrar payoffs sin persona reduce la coordinación: Qwen-32B baja a 34/205 (16,6 %), Qwen-7B a 108/205 (52,7 %), Mistral a 103/205 (50,2 %) y Llama a 191/205 (93,2 %). Esto demuestra sensibilidad fuerte y heterogénea al formato de representación; no demuestra por sí solo que una capacidad estratégica latente sea «anulada» causalmente por identidad.
La afirmación de que las personas cambian «qué equilibrio se selecciona» requiere especial cautela. Los dos perfiles canónicos no son dos equilibrios disponibles dentro del mismo juego: cada escenario se construye para que solo uno de ellos sea Nash. El análisis Green frente a Tragedy agrupa 41 juegos Green-dominant con 12 juegos Tragedy-dominant y luego condiciona en haber alcanzado Nash. Que más del 99 % de los Nash agrupados sean Green refleja a la vez el desequilibrio 41:12, la mayor facilidad de los juegos Green y el fracaso en los juegos Tragedy. No identifica una elección entre dos equilibrios bajo incentivos idénticos. «Socialmente preferido» también es una etiqueta normativa fijada por los autores, no una utilidad social medida.
La versión aceptada presenta contradicciones internas que impiden tratar las cifras como un artefacto plenamente reproducible. En la Tabla 5, por ejemplo, Llama-Hidden informa 205 resultados Nash pero 232 Green, aunque el método define Green/Tragedy como subtipos de resultados Nash; Mistral-Hidden muestra 205 Nash y 240 Green. La Tabla 9 dice que varias clases pueden coocurrir y muestra cero resultados Tragedy en todas las filas económicas, mientras las Tablas 8 y 13 atribuyen 54 y 39 Nash Tragedy a Qwen visible-sin-persona y 93 resultados Tragedy agrupados. El texto de Appendix G también afirma que Tragedy está ausente en Tablas 5–10. Además, la Tabla 11 publica Cramér V=0,54 y 0,38 para chi-cuadrado 209,03 y 105,91 con N=240; la fórmula estándar da aproximadamente 0,93 y 0,66, que son los valores usados en el cuerpo. Sin datos y código no puede resolverse qué tablas proceden de qué versión del pipeline.
La inferencia estadística tampoco modela la estructura del diseño. Las cinco repeticiones del mismo escenario y las cuatro condiciones emparejadas se cuentan como juegos «independientes» en chi-cuadrado y Fisher. Eso ignora clustering por escenario, medidas repetidas entre condiciones y dependencia por modelo; p-values extremos pueden reflejar pseudorreplicación. Haría falta un análisis estratificado o multinivel, con escenario como unidad y efectos de condición, interacción y modelo, además de intervalos y seeds. La sensibilidad de siete formulaciones de persona muestra que el wording cambia outputs, pero GPT-5 generó esas variantes, no se publica el procedimiento completo de selección y el test Kruskal–Wallis no establece que la variabilidad sea igual entre modelos porque p=0,27.
El análisis de justificaciones no aporta una explicación mecánica. Cuenta palabras deterministas en racionales solicitadas al propio modelo y etiqueta combinaciones como «identity-driven» o «payoff-optimal». Las categorías se solapan, payoff aparece en más de una, ignoran negación, contexto y número de ocurrencias por respuesta, y no tienen validación humana o semántica. Una frecuencia de 997 menciones por 1.000 racionales se narra como «99,7 % game-theoretic reasoning», aunque no es una tasa validada de razonamiento correcto. Las racionalizaciones post hoc tampoco garantizan fidelidad al proceso generativo. Por ello esta ficha no deriva el resumen de palabras del abstract ni acepta el conteo de keywords como mecanismo.
La contribución defendible es un experimento controlado que alerta de un riesgo real de configuración: prompts de rol, presentación de payoffs, etiquetas y familia de modelo pueden producir resultados radicalmente distintos en una simulación multiagente. Sirve para exigir documentación y análisis de sensibilidad antes de presentar agentes como predictores neutrales. No valida una teoría general de «identidad sobre incentivos», no representa comportamiento humano o institucional, no compara con participantes humanos y no justifica desplegar estos agentes para gobernanza.