Este artículo largo publicado en ACL 2026 estudia si conversaciones entre agentes LLM asignados a papeles de alto y bajo estatus muestran cuatro patrones inspirados en investigación humana: uso asimétrico de pronombres, coordinación lingüística, mayor persuasión de la parte de alto estatus y mayor cumplimiento de peticiones inseguras procedentes de una figura de autoridad. La pregunta es relevante para simulación social y seguridad, pero «mirror» exige cautela: el experimento mide diferencias textuales provocadas por roles explícitos, no procesos cognitivos humanos, personalidad estable ni obediencia real. La versión de referencia es la publicación ACL de 26 páginas, no solo arXiv.
El diseño usa 14 parejas ocupacionales, por ejemplo, director escolar-docente, jefe-empleado, juez-abogado, capitán-teniente y director de laboratorio-técnico, y personas extraídas de PersonaHub. Tres anotadores de Mechanical Turk evalúan 50 pares: el 96,5% se clasifica como jerárquico y Fleiss kappa es 0,73. Se prueban Llama 3.1 8B, Qwen 2.5 7B, Phi, Llama 3.1 70B cuantizado, GPT-4.1 y GPT-5; comparaciones adicionales incluyen Mistral, Qwen 72B y OLMo. El identificador Phi es inconsistente, Phi-3-Med en métodos y Phi-4 en dos tablas, y los modelos API no tienen snapshots fechados.
Para pronombres se generan 576 conversaciones. Llama 8B, Llama 70B y los dos GPT siguen las direcciones esperadas; Qwen y Phi no. Los efectos de Llama son muy pequeños, 0,06-0,17 puntos porcentuales, y los de GPT mayores. Para coordinación se usan 1.270 conversaciones y ocho categorías de palabras funcionales frente a conversaciones del mismo rol. Los modelos abiertos obtienen aproximadamente 6-7 de 8 y GPT cerca de 4; la diferencia entre hablante de bajo y alto estatus no es significativa. No existe un control humano bajo los mismos roles, tareas y métricas, por lo que dirección esperada no equivale a fidelidad humana de magnitud o distribución.
La persuasión continúa dos turnos de DailyPersuasion y GPT-5 juzga si el agente parece no, parcial o plenamente persuadido. La parte de alto estatus obtiene 1,6-6,4 puntos más, con tasas de 15,7%-30,9%. El cumplimiento usa peticiones Do-Not-Answer: alto estatus eleva la etiqueta parcial/plena 2,0-3,7 puntos, sobre tasas de 5,2%-11,5%. Tres anotadores contrastan el juez en 300 conversaciones. Al fusionar parcial/pleno, la exactitud es 83,0% en cumplimiento y 80,0% en persuasión; con tres clases baja a 67,7% y 65,0%. No hay matrices de confusión ni corrección por error, y GPT-5 juzga también generaciones GPT-5 sin cegamiento. Estas medidas capturan aquiescencia textual aparente, no cambio de actitud duradero, acción, verdad ni severidad de daño.
Los efectos tienden a ser mayores al inicio y a atenuarse. Los prompts de control definen literalmente cada constructo y ordenan producirlo en grado alto, bajo o nulo. GPT reduce persuasión/cumplimiento casi a cero bajo instrucciones bajas/nulas, mientras los modelos abiertos cambian menos; esto demuestra seguimiento de instrucciones con fuga del criterio, no control de un mecanismo social latente. Las comparaciones de tamaño asocian modelos mayores con menor persuasión/cumplimiento, pero cambian simultáneamente datos, arquitectura, alineación, cuantización y generación: no identifican un efecto causal de escala.
La inferencia no es auditable. Las tablas marcan significación sin nombrar prueba, alfa, p-values, intervalos ni unidad de análisis. Conversaciones y turnos reutilizan roles, personas, starters, tareas y modelos; requieren pairing y modelos mixtos o errores robustos por cluster. Hay muchas comparaciones sin corrección de multiplicidad y no se informan semillas, réplicas, fallos de parsing ni logs. También hay contradicciones: Sotopia solo para API frente a todas las simulaciones, 10-15 turnos frente a N por 10 rondas con N en 2/3/5 y dyads frente a agentes de tres o cinco miembros. La versión NLTK 1.0.1 indicada no existe en el historial oficial.
La publicación incluye prompts, tablas, ejemplos y checklist, pero el repositorio no reproduce el estudio. En el commit auditado contiene solo un README de una línea y JSON: no hay código, análisis, dependencias, tests, CI, licencia ni manifest. Reúne 29.374 conversaciones/440.610 turnos en cinco carpetas, incluye Mistral pero no Llama 70B ni GPT-5 y no se vincula con las 576/1.270 conversaciones o RQ3/RQ4. Todos los 324 archivos Phi tienen mensajes vacíos y 4.480/8.100 conversaciones afectadas; Qwen tiene vacíos en 193/194 archivos y 1.797/4.850 conversaciones, además de 11.408 turnos con caracteres CJK; GPT-4.1 contiene 64 duplicados exactos por parejas invertidas. El checklist declara ausencia de aprobación/exención ética y de controles documentados sobre información identificable u ofensiva. La conclusión fiel es que prompts jerárquicos cambian algunos rasgos lingüísticos y etiquetas de aquiescencia en estas configuraciones; no se demuestra cognición humana, realismo conductual, personalidad, obediencia real, daño desplegado ni mayor seguridad causal por tamaño, y los resultados no son reproducibles con el artefacto público.