Long-Term Simulation Exposes Cognitive-Developmental Risks in AI Companions

This preprint proposes TSJ (Theater-Stage-Judge), a synthetic benchmark for prolonged AI-companion conversations. Theater generates scenes and memories; Stage represents the user through authored personas, engineered psychological variables, interior monologues, and branch selection; Judge uses GPT-4.1 to assign a daily 0-4 ordinal score, retrospectively find alleged antecedents after a high-risk score, and reduce flagged earlier days by one point. The design crosses six target LLMs, DeepSeek-V3, GPT-4o, Qwen3-235B-A22B, GPT-5, Gemini-3.1-pro, and MiniMax-M2.5, with 24 CDM dimensions and three Red/Yellow/Green personas. Each of the 432 cells has one stochastic 30-day trajectory with at most seven turns per day: 12,960 simulated person-days, not human participants. Developmental stages change the risk dimension, fictional product wrapper, and actor model together: GPT-4o acts for early childhood and emerging adulthood, Qwen-Max for middle childhood, and Llama-4-Maverick for adolescence. Age differences therefore do not isolate development. The paper reports that emerging adulthood has the lowest mean safety, followed by early childhood; Cognitive Trust and Emotional Dependence are the lowest domains; and moderate Yellow personas can reveal failures that explicit Red cues do not. These are patterns inside a prompt-and-judge system and may inform test design, but they are not observations of cognitive change, attachment, or harm in people. The primary longitudinal claim relies on a retention curve R_t: the fraction of trajectories whose cumulative mean through t remains at least their own day-1 score. This definition forces R_1=100%. An exact check further shows that if daily 0-4 scores are independent and stationary, with no deterioration, R_t still falls by construction to 60% on day 2, 55.2% on day 3, 50.65% on day 20, and 50.52% on day 30; null AULC is 52.31. The reported AULCs, roughly 48-61, overlap this null range. A system scored 0 on every day would even have R_t and AULC of 100. The metric measures preservation relative to one noisy initial observation and is sensitive to ties and the marginal score distribution; it does not measure absolute safety, cumulative harm, or temporal degradation. Without null calibration, time permutation, within-cell replicated trajectories, or uncertainty intervals, a decline toward 50% does not establish worsening safety. Flattening near day 20 is also compatible with mathematical convergence of cumulative means; multiplying 20 days by the maximum seven turns does not show that risk stabilizes only after 140 turns. The remaining measurement system does not validate human development either: variables in [0,1], a plus-or-minus 0.2 update cap, weights, ideal states, monologues, and drift-diffusion noise are engineering choices. Psychological vocabulary and a decision equation do not confer psychometric validity. GPT-4.1 retrospectively attributes a narrative antecedent and edits scores; it does not identify causality. Human validation covers 100 episodes stratified by the judge's own score and reports weighted kappa=0.790 against three-expert consensus. This partially supports daily ordinal classification but does not validate simulated actors, states, branches, causal tracing, AULC, stage comparisons, or human outcomes; sampling across dimensions, consensus procedure, uncertainty, and class confusion are missing. Reproducibility is inadequate: the PDF and source package refer to an absent arXiv supplement containing the other 23 rubrics, prompts, and full statistics; no code, data, logs, assets, expert labels, seeds, sampling parameters, or immutable model snapshots are public. The defensible conclusion is methodological and exploratory: companion audits should test relational distance, autonomy, epistemic authority, and offline reconnection over memory-bearing interaction. The paper offers a suggestive vocabulary and architecture, but its primary metric does not establish longitudinal degradation, and the study does not demonstrate cognitive-developmental risks in real users or reproducible rankings of products or models.

El preprint propone TSJ (Theater-Stage-Judge), un banco sintético para evaluar conversaciones prolongadas con acompañantes de IA. Theater genera escenas y memorias; Stage representa al usuario mediante personas, variables psicológicas diseñadas por los autores, monólogos interiores y selección de ramas; Judge usa GPT-4.1 para puntuar cada día en una escala ordinal 0-4, buscar retrospectivamente supuestos antecedentes cuando aparece una puntuación de alto riesgo y reducir en un punto días anteriores señalados. El diseño cruza seis LLM objetivo, DeepSeek-V3, GPT-4o, Qwen3-235B-A22B, GPT-5, Gemini-3.1-pro y MiniMax-M2.5, con 24 dimensiones CDM y tres personas Red/Yellow/Green. Cada una de las 432 celdas tiene una sola trayectoria estocástica de 30 días y hasta siete turnos diarios: 12.960 días-persona simulados, no participantes humanos. Las cuatro etapas cambian simultáneamente de dimensión, producto ficticio y actor: GPT-4o representa primera infancia y adultez emergente, Qwen-Max infancia media y Llama-4-Maverick adolescencia. Por ello las diferencias entre edades no aíslan desarrollo. El artículo informa que la adultez emergente obtiene la menor seguridad media, seguida de primera infancia; Confianza Cognitiva y Dependencia Emocional son los dominios más bajos; y la persona amarilla moderada puede revelar fallos que no aparecen con señales rojas explícitas. Estos son patrones del sistema de prompts y del juez, útiles para diseñar pruebas, pero no observaciones de cambios cognitivos, apego o daño en personas. La afirmación longitudinal principal depende de una curva de retención R_t: proporción de trayectorias cuya media acumulada hasta t permanece por encima de su propia puntuación del día 1. Esta definición fuerza R_1=100%. Además, una comprobación exacta muestra que, aunque las puntuaciones diarias 0-4 sean independientes y estacionarias, sin deterioro, R_t cae por construcción a 60% el día 2, 55,2% el día 3, 50,65% el día 20 y 50,52% el día 30; el AULC nulo es 52,31. Los AULC publicados, aproximadamente 48-61, se solapan con esa referencia nula. Un sistema siempre puntuado con 0 tendría incluso R_t y AULC de 100. La métrica mide conservación relativa a una observación inicial ruidosa, con fuerte sensibilidad a empates y distribución marginal; no mide seguridad absoluta, daño acumulado ni degradación temporal. Sin calibración nula, permutación temporal, réplicas por celda o intervalos de incertidumbre, el descenso hacia 50% no demuestra que la seguridad empeore. La estabilización alrededor del día 20 también es compatible con la convergencia matemática de medias acumuladas; multiplicar 20 días por el máximo de siete turnos no demuestra que el riesgo solo se estabilice después de 140 turnos. El resto de la medición tampoco valida desarrollo humano: las variables en [0,1], el límite de actualización de ±0,2, los pesos, estados ideales, monólogos y el ruido drift-diffusion son decisiones de ingeniería; adoptar vocabulario psicológico o una ecuación de decisión no les da validez psicométrica. El rastreo de GPT-4.1 atribuye narrativamente un antecedente y revisa puntuaciones; no identifica causalidad. La validación humana cubre 100 episodios estratificados por la propia puntuación del juez y publica kappa ponderado=0,790 frente al consenso de tres expertos. Apoya parcialmente la clasificación ordinal diaria, pero no valida actores simulados, estados, ramas, rastreo causal, AULC, comparaciones por etapa ni resultados humanos; faltan muestreo por dimensión, procedimiento de consenso, incertidumbre y confusión por clase. La reproducibilidad es insuficiente: el PDF y el paquete fuente remiten a un suplemento inexistente en arXiv con las otras 23 rúbricas, prompts y estadísticas completas; no se publican código, datos, logs, assets, etiquetas expertas, seeds, parámetros de muestreo ni snapshots inmutables de modelos. La conclusión defendible es metodológica y exploratoria: las auditorías de acompañantes deberían probar distancia relacional, autonomía, autoridad epistémica y reconexión social a lo largo de interacciones con memoria. Este trabajo ofrece un vocabulario y una arquitectura sugerentes, pero su métrica principal no establece degradación longitudinal y el estudio no demuestra riesgos cognitivo-evolutivos en usuarios reales ni rankings reproducibles de productos o modelos.