El artículo estudia cómo tres prompts socioeconómicos modifican la conducta de GPT-4.1 en una tragaperras simulada. La persona Rich empieza con 10.000 dólares y recibe la instrucción de preservar riqueza y evitar riesgo innecesario; Middle empieza con 500 y debe crecer de forma estable gestionando el riesgo; Poor empieza con 50 y debe asumir riesgos calculados para mejorar su situación. Cada persona afronta máquinas Fair (50% de victoria), Biased Low (35%) y Streak (40% inicial, +5 puntos tras cada pérdida hasta 80%). Se ejecutan 50 sesiones por combinación, con un máximo de 50 rondas: 450 sesiones y 6.950 decisiones. En cada ronda el modelo devuelve PLAY/STOP, apuesta y varias autoevaluaciones numéricas y categóricas.
Los tres prompts generan una separación muy grande. Rich juega una media de 1,11 rondas, Middle 7,83 y Poor 37,39; las comparaciones de duración tienen efectos rank-biserial de 1,000 para Rich-Middle y Rich-Poor y 0,901 para Middle-Poor. Los riesgos autodeclarados medios son 17,53, 40,23 y 63,36, respectivamente. La máquina Fair recibe una puntuación de justicia algo mayor que Biased Low y Streak, aunque UNCERTAIN domina los juicios. Estos datos muestran con claridad que instrucciones económicas distintas producen políticas de juego persistentes en esta configuración de GPT-4.1.
No prueban, sin embargo, que Prospect Theory emerja sin instrucción. Los resultados principales están contenidos en el tratamiento: Rich debe evitar riesgo y Poor debe asumirlo. Además cambian simultáneamente etiqueta, saldo, objetivo y referencia, sin control neutral ni diseño factorial que permita separar sus efectos. Prospect Theory requeriría comparar ganancias y pérdidas controladas respecto a un punto de referencia y estimar aversión a pérdidas o ponderación de probabilidades; aquí no se hace, ni existe una muestra humana que valide que la conducta sea «human-like». La mediana de Poor es 50, exactamente el límite, por lo que al menos la mitad de sus sesiones está censurada por techo.
La mayoría de análisis secundarios usa las 6.950 rondas como si fueran independientes, aunque están anidadas en 450 sesiones y el 80,7% procede de Poor porque esa condición sigue jugando. El cese produce selección informativa: las rondas tardías solo existen para sesiones supervivientes. Por ello, ANOVA, correlaciones y chi-cuadrado a nivel de fila ofrecen p-valores demasiado optimistas sin un modelo multinivel o bootstrap por sesión. La correlación entre número de ronda y «risk score» tampoco mide adecuadamente actualización de creencias: el score puede expresar tolerancia al riesgo, no probabilidad de la máquina, y una correlación nula puede ocultar aprendizaje no lineal, cancelación o selección.
Las emociones, estrategias y decisiones se generan simultáneamente en el mismo JSON. Que CAUTIOUS coexista con RISK_SEEKING no establece que la emoción sea una narración posterior ni identifica causalidad. La idea general de no confiar en autoexplicaciones es razonable, pero el experimento solo aporta una inconsistencia sugestiva. El estudio se limita a un modelo, una temperatura y una redacción por persona; una cuarta persona Explorer fue excluida por el filtro de Azure. No se publican prompts completos, código, datos, semillas, historial de mensajes, lógica exacta de la máquina ni análisis. La fuente arXiv contiene solo TeX y figuras y no se localizó un repositorio. La conclusión fiel es una demostración fuerte de seguimiento persistente de prompts, no una replicación cognitiva o socioeconómica validada.