PICon somete agentes persona a 10 preguntas demográficas, 40 seguimientos encadenados, verificación web de entidades y repetición de las preguntas iniciales. Evalúa ocho grupos de 10 agentes y 63 personas. Ningún grupo sintético supera el área descriptiva humana que combina consistencia interna, externa y retest, aunque Character.ai sí supera a humanos en el eje externo y Twin 2K 500 y Li et al. en retest. El resultado central debe descomponerse: la consistencia interna mezcla no contradicción con cooperación, por lo que los mínimos de OpenCharacter y Consistent LLM reflejan sobre todo respuestas evasivas o irrelevantes. La consistencia externa recompensa producir nombres buscables y excluye afirmaciones sobre la propia biografía; no valida que el agente represente a la persona. Además, el artículo dice excluir NEI del cálculo, pero el código público las cuenta en el denominador como no refutadas, y el apéndice redefine EC como un límite de Wilson. La inferencia estadística es débil: n=10 por grupo, B=3 supuestos remuestreos bootstrap y tests de Welch sobre olas humanas acumuladas y solapadas. El paquete público hace el marco reutilizable, pero no libera outputs, evidencias web ni el pipeline de tablas. PICon es un stress test útil de coherencia factual, no una validación de personalidad, identidad, similitud humana o aptitud para sustituir participantes.
Pregunta de investigación
Cómo evaluar en caja negra si un agente persona mantiene afirmaciones factuales sin contradicciones internas, sin refutación por evidencia web y estables al repetir preguntas durante y entre conversaciones.