Este preprint estudia si agentes LLM con perfiles de participantes pueden coincidir con las reacciones que esas personas declaran en una encuesta ante publicaciones construidas. No observa conducta real en una plataforma. Una agencia reclutó 1.511 participantes en Serbia, de 18 a 78 años, que respondieron a 56 posts escritos en serbio: 28 de noticias/política y 28 de entretenimiento/estilo de vida, con 31 encuadres positivos y 25 negativos. Podían marcar like o dislike, comentario, compartir o ninguna reacción bajo restricciones multilabel. Sus datos demográficos, actitudes, preferencias y rasgos se transformaron en tres perfiles: demográfico, valores/actitudes y completo. El suplemento OSF aclara que existen 4.533 prompts de perfil, 1.511 personas por tres niveles; las más de 120.000 unidades del título son 122.391 cruces de esos perfiles con configuraciones de modelos, no 120.000 personas distintas. El texto habla de 27 LLM, aunque enumera 26 identificadores y representa Grok 4.1 con modos reasoning y non-reasoning separados para alcanzar 27 configuraciones. Study 1 produce cinco etiquetas por combinación persona-post. Su Hamming accuracy media es 70,70%: 55,81% para like, 61,53% para dislike, 83,22% para comment, 93,13% para share y 59,83% para no reaction. Pero el propio paper calcula que predecir siempre ausencia en las cinco etiquetas alcanza aproximadamente 79,3%. Por tanto, el 70,7% no demuestra buena fidelidad absoluta; las cifras altas de comment y share están dominadas por acertar que esas conductas raras no ocurren. Las estimaciones por configuración van de 62,9% a 76,3%. Los prompts completo, de valores y demográfico promedian 71,5%, 71,2% y 69,6%; son diferencias pequeñas y no uniformes entre modelos. Entertainment/lifestyle y los posts positivos muestran mayor acuerdo agregado. Study 2 cambia la tarea. Selecciona los cuatro mejores modelos de Study 1, conserva solo perfiles demográfico y completo, fuerza una elección like/dislike y evalúa únicamente posts en los que la persona humana ya había elegido like o dislike, el 55,85% de las respuestas. Es, por tanto, predicción condicional de valencia entre respuestas comprometidas; no predice si alguien reaccionará, comentará, compartirá o no hará nada. Para GPT-5.2 se informa 67,0% de accuracy, por debajo del baseline always-like de 69,7%, pero MCC=0,29, balanced accuracy=65,5%, sensibilidad de dislike=61,5%, precisión de dislike=46,7% y lift=1,54. La auditoría reprodujo el núcleo del resultado a partir del CSV OSF: contiene 676.928 filas, exactamente 1.511×56×4×2; tras filtrar like/dislike quedan 94.520 pares persona-post por modelo. Para LLM02 se recalculan accuracy=0,670186, MCC=0,290047 y balanced accuracy=0,654506. Hay señal asociativa modesta más allá de una regla mayoritaria, pero no precisión individual fuerte. El benchmark held-out publicado favorece a clasificadores convencionales: TF-IDF sobre texto de persona y post alcanza MCC=0,3601, frente a 0,2958 de GPT-5.2 y 0,2777 de Gemini 2.5. Es la conclusión comparativa más sólida: estos agentes zero-shot no superan al clasificador textual suministrado. Aun así, la evaluación del benchmark no es totalmente reproducible. El código consume un split_role ya creado, pero no muestra cómo se construye. Como solo hay 56 posts repetidos entre 1.511 personas, un split por filas puede dejar el mismo texto en train mediante otros participantes; no queda demostrado rendimiento sobre posts realmente nuevos. Tampoco Study 2 es una réplica independiente: elige los ganadores de Study 1 y reutiliza las mismas personas y estímulos. El constructo y el prompt exigen cautela adicional. Los targets son intenciones de encuesta sobre posts de laboratorio, no trazas de conducta. En los casos related, el perfil contiene una actitud sobre el mismo tema del post, por lo que la coincidencia puede ser consistencia casi directa y no simulación general de una persona. El prompt publicado ordena usar información sobre grupos similares, introduciendo explícitamente inferencia estereotípica. Además, el paper describe el perfil demográfico con edad, género, educación, empleo y región, pero el suplemento y el benchmark incluyen también religión. Otra sección presenta el nivel de valores como información añadida a demografía, mientras figura y suplemento lo definen sin demografía. Los 4.533 prompts completos no se publican, así que no puede resolverse la transformación exacta. En estadística, un Welch t usa más de un millón de observaciones repetidas como si fueran independientes. Los modelos lineales mixtos añaden solo intercepto de participante, sin efecto aleatorio del post pese a reutilizar 56 estímulos ni slopes por modelo/condición, y modelan outcomes binarios o acotados como gaussianos. Los intervalos de Figure 7 tampoco agrupan por persona o post. Hay denominadores no conciliados: el diseño implica 6.853.896 salidas agente-post y Table 1 usa 34.269.480 decisiones de etiqueta, pero Figure 2 suma 1.048.475 casos y el Welch test declara df=1.022.434 sin explicar exclusiones. H1 exige MCC significativamente mayor que cero, pero no da test o intervalo cluster-aware; la escala fair de Landis y Koch procede de acuerdo/kappa, no es una interpretación universal de MCC. El Brier tampoco prueba calibración: los prompts devuelven booleanos y el código usa esa salida 0/1 como agent_prob; en predicciones duras el Brier equivale al error, no mide probabilidades calibradas comparables a la regresión logística. H4 se marca apoyada en el agregado de Study 2, no apoyada al restringir a los dos mejores modelos y apoyada otra vez en la conclusión. El OSF es una fortaleza parcial: permite reproducir métricas de Study 2 y aporta prompts, posts, hojas y fragmentos de código. Pero el nodo es privado con enlace view-only, no registrado y mutable; Agent_Prompt_Template.docx se añadió el 16 de julio de 2026, meses después de arXiv v1. Los scripts dependen de objetos o archivos no definidos, within_df, agent_df, full_df, analiza_3.xlsx, y no forman un pipeline ejecutable. Se retienen perfiles completos, texto libre y plantillas serbias por privacidad y riesgo de abuso, una frontera razonable que limita la reproducción. El paper tampoco documenta comité ético, consentimiento, compensación, privacidad o retención pese a recopilar política, religión, conspiraciones, personalidad y texto libre; ni publica reglas de cribado y exclusión. La aportación útil es metodológica: muestra por qué accuracy bruta es insuficiente, publica métricas corregidas y compara agentes con baselines fuertes. Sus cifras deben leerse como asociación exploratoria en respuestas hipotéticas de una muestra serbia, no como validación de gemelos individuales ni evidencia de una capacidad desplegable de manipulación, persuasión o simulación social fiable.
Pregunta de investigación
¿Hasta qué punto agentes zero-shot condicionados con perfiles de 1.511 encuestados pueden coincidir con sus reacciones declaradas a 56 posts, qué aportan detalle del perfil, alineación, dominio y valencia, y superan a clasificadores supervisados convencionales?