Modelado de oponentes, desde cero y en la práctica

El modelado de oponentes es la parte del apoyo a decisiones que todo el mundo quiere y casi todos hacen mal. La promesa es sencilla: antes de comprometerte con una jugada (una oferta, un precio, una declaración pública) simulas cómo va a reaccionar el otro lado y eliges la jugada que sobrevive a esa reacción. La trampa es igual de sencilla: un LLM, dejado solo, te va a modelar una contraparte racional, bien informada, cooperativa y que en silencio te da la razón en lo que ya te estabas inclinando. Ese modelo da tranquilidad y se equivoca justo cuando más hay en juego. Al terminar esta guía vas a saber armar un modelo de oponente a partir de evidencia, separar metas de restricciones y de puntos de retiro, correr un ciclo de simular-y-estresar en código y mantener todo honesto comparando sus predicciones con la realidad. Los ejemplos van en TypeScript y Claude, y el modelo mental es el que está detrás de Proyección y ThinkTank AI, pero la disciplina aplica a cualquier stack.

01 · Entiende qué es de verdad un modelo de oponente

Un modelo de oponente es una simulación de cómo razona y reacciona una contraparte, que usas para predecir su respuesta a una jugada que todavía no has hecho. El énfasis está en razona. Un modelo que solo predice las palabras que va a decir el otro lado es un loro; uno útil predice la decisión que hay detrás de las palabras, así que generaliza a jugadas que no le preguntaste de forma explícita.

Conviene ser honesto con lo que esto no es. No es leer la mente, no es una garantía y no es un solo número. Es una suposición estructurada cuyo valor viene por completo de la calidad de sus insumos y de qué tan duro la pongas a prueba. Un modelo de oponente con mucha confianza pero armado sobre evidencia floja es más peligroso que no tener modelo, porque disfraza una corazonada de algo que parece análisis.

La unidad básica de un modelo de oponente es el perfil de la contraparte: una descripción compacta y respaldada por evidencia de las metas, restricciones, presiones y estilo de decisión de un lado. Todo lo demás en esta guía se trata de armar bien ese perfil y después negarte a confiar en él más de lo que merece.

02 · Arma el perfil con evidencia, no con intuición

La fidelidad viene de insumos concretos. La mejora más grande que le puedes hacer a un modelo de oponente es dejar de describir a la contraparte con adjetivos ("agresiva", "razonable") y empezar a describirla con hechos: qué ha dicho, qué ha hecho antes, a quién le rinde cuentas y qué tiene de verdad en juego.

Separa tres cosas que los modelos flojos confunden todo el tiempo:

• Metas: lo que está tratando de lograr. Ojo: las metas declaradas y las reales casi siempre difieren; captura ambas y marca cuál es cuál.
• Restricciones: lo que no puede hacer por más que quiera. Un techo de presupuesto, un jefe que tiene que aprobar, una fecha límite, una reputación que debe cuidar.
• BATNA: su Mejor Alternativa a un Acuerdo Negociado, o sea qué hace si se para de la mesa. Es el campo más predictivo y el que la gente más se salta. Quien tiene un BATNA fuerte puede darse el lujo de ser paciente; quien lo tiene débil está bajo una presión que tal vez esté escondiendo.

Escribe el perfil como data, no como prosa, para poder versionarlo, sacarle el diff y pasárselo limpio al modelo.

type CounterpartType = "aggressive" | "cautious" | "principled" | "desperate"

type CounterpartPersona = {
  id: string
  type: CounterpartType
  statedGoals: string[]
  inferredGoals: string[]   // lo que la evidencia sugiere que de verdad quiere
  constraints: string[]     // limites duros, ej. "necesita firma del VP por encima de 50k"
  batna: string             // que hace si se para de la mesa
  pastBehavior: string[]    // jugadas observadas concretas, no adjetivos
  pressures: string[]       // fechas limite, reputacion, politica interna
}

03 · Haz que el modelo simule razonamiento, no que repita tu encuadre

Aquí es donde la mayoría de los modelos de oponente fallan en silencio. Si te limitas a pasarle a Claude el estado del trato y preguntarle "¿cómo respondería a esta oferta?", tiende a razonar desde tu encuadre, a asumir buena fe y a producir una contraparte que es básicamente una versión cortés de ti. Tienes que romper ese comportamiento por defecto a propósito.

Tres instrucciones hacen casi todo el trabajo:

1. Que argumente desde los intereses de la contraparte, no los tuyos. Dile al modelo que razone estrictamente como la contraparte, optimizando las metas y el BATNA de ella, sin ninguna obligación de ser justo contigo.
2. Dale permiso de portarse mal. Déjale claro, de forma explícita, que la contraparte puede farolear, anclar alto, dilatar, apelar a la emoción o actuar contra su propio interés declarado bajo presión. Sin esto, te queda un actor racional de manual.
3. Pide la decisión y después las palabras. Que devuelva primero la elección de fondo (aceptar / contraofertar / pararse de la mesa / dilatar) y por qué, y solo después la respuesta de superficie. El razonamiento es lo que vas a estresar; las palabras son apenas la punta visible.

type SimResult = {
  decision: "accept" | "counter" | "walk" | "stall"
  reasoning: string        // el porque, desde SUS intereses
  likelyResponse: string   // lo que de verdad diria
  concessionRoom: string   // donde todavia tiene margen para moverse
  confidence: number       // 0-1, el propio hedge del modelo
}

async function simulate(
  persona: CounterpartPersona,
  dealState: string,
  yourMove: string,
): Promise<SimResult> {
  // El system prompt instruye: razona SOLO como este perfil, optimiza SUS
  // metas + BATNA, PUEDES farolear/anclar/dilatar/actuar por emocion, devuelve
  // la decision y el razonamiento antes que las palabras. Devuelve JSON estricto.
  return callClaudeAsCounterpart(persona, dealState, yourMove)
}

04 · No modeles un oponente; modela un panel y estrésalo

Las contrapartes reales son inciertas. Rara vez sabes si tienes enfrente a alguien agresivo o cauteloso, con recursos o desesperado. Modelar un solo perfil, el "más probable", apuesta todo en silencio a que esa corazonada esté bien. En vez de eso, arma un panel pequeño de tipos posibles y corre tu jugada candidata contra todos.

El procedimiento:

1. Saca de dos a cuatro perfiles de la misma evidencia: la lectura agresiva, la cautelosa, la desesperada, la de principios. Comparten los mismos hechos, pero difieren en tipo y metas inferidas.
2. Simula tu jugada candidata contra cada uno.
3. Busca jugadas que aguanten en todo el panel. Una jugada que gana en grande contra el perfil amable pero con la que el agresivo te saca por la puerta es frágil, y por lo general no eres tú quien elige cuál se aparece.

async function stressTest(
  panel: CounterpartPersona[],
  dealState: string,
  yourMove: string,
) {
  const results = await Promise.all(
    panel.map((p) => simulate(p, dealState, yourMove)),
  )
  const walks = results.filter((r) => r.decision === "walk")
  // Una jugada que dispara un walk contra CUALQUIER perfil posible es de alto riesgo.
  return { results, robust: walks.length === 0 }
}

La salida que quieres no es "te van a decir que sí". Es "esta jugada sobrevive a la lectura agresiva y a la cautelosa, pero el perfil desesperado se para de la mesa porque lee la fecha límite como una amenaza, así que suaviza el lenguaje de la fecha". Esa frase es el verdadero producto del modelado de oponentes: una jugada elegida porque aguanta en todo el panel, más una debilidad conocida que decidiste aceptar.

05 · Mantenlo honesto: registra las predicciones y compáralas con la realidad

Un modelo de oponente que nunca se verifica termina derivando en una ficción con cara de confianza. El arreglo es tratar cada predicción como falsable y cerrar el ciclo. Cuando la contraparte real por fin responde, compara lo que de verdad hizo con lo que predijo cada perfil, y actualiza.

• Anota la predicción antes de ver el resultado (decisión, razonamiento y confianza) para que no la puedas racionalizar después.
• Puntúa qué perfil quedó más cerca. En un puñado de interacciones vas a ver cuál lectura de la contraparte es la real, y puedes ir cerrando el panel hacia ella.
• Cuando una predicción falla feo, el arreglo casi siempre está en el perfil, no en el prompt. Una predicción fallida suele querer decir que había una restricción o un BATNA que no conocías. Agrégalo como evidencia y vuelve a correr.

Es la misma disciplina que evaluar cualquier agente: una predicción que nunca calificas es una corazonada, y las corazonadas se van acumulando. El modelo solo mejora porque llevas la cuenta.

El modelado de oponentes bien hecho no es vistoso: casi todo el valor está en escribir el perfil con honestidad y en negarte a confiar de más en una predicción que se ve limpia. El trabajo del modelo no es decirte lo que quieres oír, sino mostrarte la jugada que sobrevive a una contraparte que no está de tu lado. Arma el perfil con evidencia, obliga al modelo a razonar desde los intereses de ellos, estrésalo contra un panel y lleva la cuenta contra la realidad, y vas a tener un apoyo a decisiones que aguanta justo donde la versión fácil se cae.