Cómo hacer debatir a dos IA: orquestar y analizar un diálogo entre LLM

Probablemente hayas visto la escena: dos IA conectadas la una a la otra, dejadas correr, que acaban inventando una jerga incomprensible o derivando hacia una conversación interminable que se contempla como se contemplaría una hoguera. Fascina, y circula bien.

Pero estas demostraciones prueban una sola cosa —que dos IA pueden intercambiar— sin mostrar nunca cómo sacar de ello algo útil.

Metamorfon construye precisamente ese gesto: hacer dialogar a varios modelos de forma estructurada, y luego analizar lo que producen. Este artículo explica el método.

Porque «hacer debatir a dos IA», cuando se deja de tratarlo como un espectáculo, se convierte en una verdadera cuestión técnica: cómo orquestar el intercambio, y cómo analizar lo que sale de él.

Por qué hacer debatir a dos IA (y por qué no es un juego)

Empecemos por la razón de fondo, la que justifica todo lo demás. Cuando interrogas a un modelo solo, obtienes una respuesta: un texto, un razonamiento, una posición. Es lo que miden las clasificaciones habituales —la calidad de una salida, tomada aisladamente. Pero una respuesta aislada no te dice gran cosa del comportamiento del modelo: ¿mantiene su posición cuando se la impugna? ¿Concede cuando la objeción es justa, o se atrinchera? ¿Reformula al adversario con honestidad, o le atribuye una tesis más débil para demolerla mejor?

Estas preguntas solo tienen respuesta en la confrontación. Un modelo obligado a defender una tesis frente a otro que la ataca revela algo que ningún interrogatorio solitario hace aparecer: su manera de sostener, de plegarse, de escurrirse. La confrontación no produce solo una respuesta mejor —hace visible una conducta argumentativa.

Pon un ejemplo que observamos directamente. Pedimos a dos modelos que debatieran en castellano una pregunta que los concierne de cerca: la IA generativa, ¿empobrece o enriquece al castellano como lengua viva? La consigna los invitaba a defender posiciones distintas, con casos concretos. Lo hicieron con vigor: uno insistió en la erosión estilística y la homogeneización léxica que se observa en la producción automatizada; el otro, en la exposición inédita al plurilingüismo y en el acceso a registros antes reservados a unos pocos. Pero lo que la confrontación puso a la vista no fueron sus tesis —sino su manera de sostenerlas. Uno cedía terreno cuando la objeción era fina y reconstruía en otra parte; el otro se mantenía firme en umbrales numéricos que no acababa de justificar. La confrontación no zanjó el debate sobre el castellano; expuso cómo cada modelo argumenta cuando algo importa.

Ninguna clasificación de rendimiento habría mostrado eso. Había que hacerlos responderse, y luego mirar lo que pasó. Es toda la diferencia entre medir una salida y observar una conducta —y es la razón por la que la confrontación metódica no es un entretenimiento, sino un instrumento.

El problema del debate improvisado entre modelos de IA

Queda saber cómo hacerlo. Y es aquí donde el conexionado ingenuo —el de los vídeos virales— muestra sus límites. Poner dos modelos en presencia y dejarlos correr produce tres fracasos previsibles.

El primero es la deriva: sin marco, dos modelos tienden o bien a exaltarse en una puja, o bien, con más frecuencia, a acordar blandamente. Estando cada uno entrenado para ser cooperativo, se felicitan, matizan las objeciones del otro, buscan el terreno común. Se obtiene un consenso tibio que no pone nada a prueba.

El segundo es la ausencia de posición mantenida. Un modelo al que no se le asigna nada cambia de opinión al hilo de los turnos, adopta la última objeción, olvida lo que defendía. En esas condiciones, imposible observar si sostiene —puesto que nunca ha tenido nada que sostener.

El tercero es la ausencia de traza aprovechable. Una conversación que se desarrolla sin estructura no deja nada que analizar: sin turnos identificables, sin roles estables, sin momentos donde pueda decirse «aquí, tal modelo cedió, allí, tal otro se escurrió». El material está ahí, pero informe.

Hacer debatir a dos IA con seriedad es responder a estos tres problemas de una vez: dar un marco que impida la deriva, hacer que las posiciones se sostengan, y producir una traza que después pueda analizarse. Es lo que recubre la palabra orquestar.

Orquestar: dar una forma al intercambio

Orquestar un debate no es lanzar una conversación y mirarla desde lejos. Es decidir, en cada etapa, la forma que toma.

Empieza por la arquitectura del diálogo: quién habla, a quién, en qué orden. ¿Dos modelos cara a cara, o tres en configuración cruzada donde cada uno responde a los otros dos? ¿Los intercambios se hacen en cascada, reaccionando cada modelo al anterior, o en estrella en torno a una pregunta central? Esta elección no es cosmética: un triálogo cruzado produce una dinámica que el cara a cara nunca produce, porque cada modelo debe sostener su posición bajo el fuego de dos contradictores a la vez, y no de uno solo.

Viene después la cuestión de las posiciones. No su atribución —Metamorfon no le sopla a ningún modelo la tesis que debería defender— sino su coherencia. Las instrucciones piden a cada modelo mantener la posición que ha tomado, permanecerle fiel bajo las objeciones, en vez de casarse con la última observación oída. Este matiz parece delgado; es decisivo. Asignar una tesis desde fuera sesgaría el debate de entrada; pedir la constancia, en cambio, no presupone nada del contenido —solo hace observable la manera en que un modelo sostiene.

Pero sostener no es aferrarse, y es una fortuna. La coherencia posicional no prohíbe la flexibilidad: un modelo puede hacer evolucionar su posición, conceder un punto, desplazarse —y es allí donde el debate se vuelve fecundo. Lo que se quiere evitar es la veleta que cambia de opinión a cada turno sin razón; lo que se quiere obtener es el desplazamiento motivado, el que sobreviene después de que una objeción ha impactado. Es precisamente el trabajo de los modos crítico y refutativo: al poner las posiciones a prueba, hacen la clasificación entre lo que cede porque era frágil y lo que resiste porque era sólido. Una posición que ha cedido bajo una buena objeción y se ha reconstruido en otra parte vale más que una posición mantenida por obstinación. La contradicción solo daña lo que merecía serlo.

Pero el elemento decisivo, el que separa verdaderamente la orquestación del conexionado automático, es la conducción de los turnos. En cada turno, se elige un modo de debate. Hay cinco, y no son cinco escalones de una misma escala de intensidad, sino cinco registros distintos: el convergente, que busca los acuerdos y el zócalo común; el constructivo, que elabora conjuntamente una posición más rica; el equilibrado, que sostiene a la vez la construcción y la crítica; el crítico, que examina los argumentos y exige justificaciones; el refutativo, que ataca no ya los argumentos sino el marco mismo, los presupuestos dados por sentados. Y sobre todo, esta elección se hace al hilo del agua, en función de lo que el debate acaba de producir. Un intercambio que se atasca en una querella de palabras gana con pasar a constructivo para forzar una articulación. Un intercambio que converge demasiado rápido gana con pasar a crítico para poner esa convergencia a prueba. Y cuando son los presupuestos mismos los que merecen ser sacudidos, el refutativo se remonta a las raíces —un modo potente, para convocar con parquedad.

Es lo que llamamos una conducción adaptativa, y la palabra merece ser precisada, porque no designa una automatización. Los modelos, por su lado, se adaptan automáticamente al modo que se les da —es la parte mecánica. Pero la elección del modo, ella, le corresponde a quien conduce la sesión: observa dónde los modelos convergen, dónde resisten, lo que han evitado, y decide el turno siguiente. La adaptación es una práctica compartida entre los modelos, que siguen, y el humano, que pilota. Es un gesto que se afina con el uso: se reconoce cada vez más rápido lo que pide bascular, se componen trayectorias que ninguna elección aislada habría dibujado.

Se puede añadir a ello un modo de reencuadre —entre nosotros, el modo Enfoque — para traer el debate hacia una pregunta precisa cuando se aleja, sin romperlo. Porque una deriva acecha siempre: a fuerza de responderse los unos a los otros, los modelos acaban por construir sus intervenciones en torno a los argumentos adversos más que en torno a la pregunta planteada, hasta el punto de eclipsar una intervención recién introducida. Reencuadrar es volver a poner la pregunta en el centro sin romper la dinámica adquirida.

El debate sobre el castellano evocado más arriba ilustra bien lo que la orquestación hace posible: es porque los dos modelos estaban sostenidos por un marco, obligados a defender posiciones distintas turno tras turno, que sus maneras respectivas de sostener —la reconstrucción móvil en uno, la tenacidad en umbrales no justificados en el otro— se volvieron legibles. Sin orquestación, habrían argumentado igual —pero nadie habría podido verlo, ni mostrarlo, ni analizarlo. El marco no fabrica la conducta; la trae a la luz.

Analizar: leer lo que el debate ha producido

Una vez conducido el debate, tienes entre las manos un material bruto: varias voces que se han respondido a lo largo de varios turnos, posiciones planteadas, puestas a prueba, desplazadas. Es rico, pero es denso —a veces decenas de miles de palabras. Dejarlo tal cual es dejar su valor enterrado. Hay que leerlo, y leerlo supone una rejilla.

Es el segundo gesto de Metamorfon, y el verdadero diferenciador. Porque «analizar un debate» no es una operación única: según lo que buscas, no lees lo mismo. Un debate puede leerse por lo que ha construido, por lo que en él ha emergido de nuevo, por los desacuerdos que resisten, por los presupuestos que nadie ha enunciado. Son preguntas diferentes, y cada una llama a un instrumento diferente. Metamorfon propone varios, que pueden agruparse en dos grandes familias.

Describir: comprender lo que ha pasado

La mayoría de los modos de análisis son descriptivos. No califican a los modelos; te ayudan a asir lo que el debate ha producido, bajo un ángulo que tú eliges.

El más inmediato, la Síntesis integrativa, reconstruye lo que se ha dicho y lo organiza en un texto coherente —no un resumen plano, sino la arquitectura latente del intercambio, lo que la pluralidad de voces ha permitido edificar juntos. Es lo que se necesita cuando se quiere sacar de una sesión un resultado directamente utilizable, citable, compartible.

Otros modos hurgan en otro sitio. El Análisis de la emergencia detecta lo que ha emergido en el camino: un concepto que ningún modelo aportaba al entrar, forjado en el roce. La Cartografía de tensiones releva los desacuerdos que han resistido a todas las tentativas de reconciliación —no para lamentarlos, sino porque esos puntos de resistencia son a menudo el esqueleto de la pregunta, lo que queda cuando todo lo reconciliable ha sido reconciliado. El Meta-análisis se remonta a los presupuestos que los modelos han compartido sin decirlo, a los ángulos muertos comunes a todos, a lo que la formulación misma de la pregunta había excluido de antemano. La Arqueología crítica traza los linajes intelectuales sobre los que el debate se ha apoyado implícitamente, las escuelas y tradiciones cuyo vocabulario se reutiliza sin reconocerlo.

Considera un debate que hemos conducido sobre si la mirada marxista permite todavía comprender el mundo de hoy —el trabajo en plataformas, la IA, la financiarización de la vida cotidiana. La Arqueología crítica, aplicada al triálogo entre tres modelos, hizo aflorar lo que ninguno de ellos había dicho explícitamente: los tres extraían sus argumentos, sin nombrarlas, de familias teóricas identificables —la crítica del valor de la lectura wertkritisch, el operaismo italiano de los años sesenta relanzado por los estudios sobre trabajo digital, cierta sociología crítica poulantziana de los aparatos ideológicos. Ninguno reivindicaba estas filiaciones; los tres las movilizaban. Es exactamente lo que un modo descriptivo hace aparecer: da a ver la estructura bajo la superficie de los argumentos, y devuelve al debate su historicidad.

Estos modos no son concurrentes. Una misma sesión puede leerse por varios sucesivamente, y cada uno revelará lo que los demás no veían —lo que ha construido, luego lo que en ella resiste, luego lo que no ha podido pensar. Es aquí el uso principal de Metamorfon: no juzgar a las IA, sino servirse de su confrontación como de un instrumento para pensar una pregunta difícil.

Y sobre todo, estos análisis no son puntos terminales. Cada uno de estos modos descriptivos se concluye con una pregunta —no una pregunta retórica dirigida al lector, sino un verdadero relanzamiento, formulado por el modelo analista a partir de lo que acaba de observar, y destinado a los modelos que han debatido. Viene a menudo a golpear donde importa: el presupuesto que ha habido que apartar para que el acuerdo se forme, la dimensión que el marco común ha dejado en la sombra. Puedes entonces reinyectarla tal cual en el turno siguiente, como si la hubieras planteado tú mismo, y el debate arranca de nuevo —sobre bases que el análisis ha desplazado. El encadenamiento debatir → analizar → debatir se vuelve una espiral: cada análisis puede reabrir lo que acaba de leer, a una profundidad nueva. El análisis no es el fin de la sesión; a veces es su relanzamiento.

Evaluar: juzgar la solidez

Al lado de estos modos descriptivos, dos modos hacen otra cosa —evalúan. Son los únicos que emiten un juicio, y merece la pena distinguirlos con nitidez, porque responden a una necesidad precisa: ya no «¿qué ha producido este debate?», sino «¿podemos fiarnos de él?».

El primero, la Evaluación argumentativa, juzga la calidad argumentativa: no si las conclusiones son justas, sino si han sido bien defendidas. ¿Un argumento estaba sólidamente construido o era circular? ¿Una posición reconocía sus propios presupuestos frágiles, o se inmunizaba contra toda crítica? ¿Las objeciones eran tratadas lealmente o esquivadas? Esta lectura se inspira en los trabajos sobre la argumentación —notablemente la pragma-dialéctica de van Eemeren— pero lo que cuenta, para el usuario, es el resultado: un diagnóstico sobre la manera de razonar, independiente de la justeza de las tesis.

Lo hemos aplicado al debate sobre el castellano evocado más arriba, y el dispositivo que hemos empleado merece describirse, porque ilustra lo que esta evaluación puede alcanzar. En vez de un solo juez, hicimos auditar el debate por dos modelos independientes que no se comunicaban —una verificación de que el dispositivo se aplica de buen grado a sí mismo. Los dos convergieron en las mismas constataciones: identificaron, en uno de los participantes, el recurso a umbrales cuantificados presentados como pruebas sin ser auditables en contexto; en el otro, una tendencia a la reformulación amplia que, si permitía absorber las objeciones, oscurecía a veces el hecho de que la posición inicial se había desplazado. Esta convergencia no es un azar, y vale más allá de este caso: cuando dos auditores independientes dibujan el mismo mapa de las debilidades, es la señal de que el mapa estaba en el debate mismo, y no en la rejilla que se le ha aplicado. Ninguna clasificación de rendimiento produce este tipo de diagnóstico: no dice qué modelo es «mejor», dice cómo cada uno ha sostenido su papel de argumentador.

El segundo modo evaluativo, la Verificación de fuentes, audita los apoyos factuales. En el hilo de un debate denso, los modelos convocan decenas de atribuciones, citas, cifras, referencias históricas. Este modo las confronta, mediante una búsqueda web real, con las fuentes accesibles —no para juzgar las ideas, sino para verificar la fidelidad de aquello sobre lo que se apoyan. Y su interés reside en un matiz: el veredicto es raramente binario. La mayoría de las referencias no son ni verdaderas ni falsas, sino justas en su dirección e imprecisas en su detalle.

Lo observamos en la misma sesión sobre el castellano. El modo pasó por el tamiz cada afirmación verificable —estadísticas de uso, referencias académicas, atribuciones a lingüistas o instituciones— y el motivo dominante no era la fabricación pura: era la sobreextensión. Una referencia existe, pero se le hace decir un poco más de lo que dice —un estudio real citado bajo un título ligeramente inexacto, una cifra plausible pero no encontrable en ese estado, una atribución correcta en el espíritu pero demasiado amplia en la letra. Son precisamente los errores que pasan desapercibidos, porque son verosímiles. Y son exactamente los que ninguna medida de rendimiento detecta: hay que ir a verificar, fuente por fuente. El modo lo hace, y declara también sus propios límites —tal afirmación «no encontrada», tal otra fuera de perímetro porque incumbe al juicio y no al hecho. Esta transparencia sobre lo que no se ha verificado forma parte de la honestidad del instrumento.

Estos dos modos evaluativos son la excepción, no la regla. Lo esencial de lo que hace Metamorfon es descriptivo: comprender, cartografiar, hacer emerger. Pero cuando lo que está en juego es apoyarse públicamente en un material —una toma de posición, una nota, un artículo—, poder auditar a la vez la solidez de los razonamientos y la fidelidad de las fuentes lo cambia todo.

Debatir no es evaluar

Hay que despejar aquí una confusión frecuente, porque «hacer debatir a dos IA» se parece, de lejos, a «comparar dos IA». No es lo mismo, y la diferencia esclarece lo que la confrontación aporta de propio.

Comparar modelos es un ejercicio útil, y hay plataformas que lo hacen muy bien. La más conocida, Arena —antes LMArena, al origen Chatbot Arena— clasifica los modelos a partir de millones de votos humanos: se plantea una pregunta, dos modelos anónimos responden, se vota por la mejor respuesta, y se deduce una clasificación de tipo Elo. Es masivo, está anclado en usos reales, y para saber qué modelo tiende a producir las respuestas que la gente prefiere, es un instrumento precioso. Nada de lo que sigue lo pone en cuestión.

Pero mira bien el gesto: dos modelos responden lado a lado a la misma pregunta, sin encontrarse nunca. Cada uno produce su respuesta en su rincón; el humano zanja. Se mide una preferencia sobre salidas paralelas. Es exactamente lo inverso del gesto que describimos: en Metamorfon, los modelos no responden lado a lado, se responden entre sí —cara a cara. Uno avanza, el otro objeta, el primero sostiene o cede, un tercero recoge una contradicción. Ya no es una preferencia lo que se mide, es una conducta lo que se observa.

Esta diferencia tiene consecuencias que la clasificación no puede alcanzar. Una clasificación te dice que un modelo va en cabeza; no te dice si concede cuando se equivoca, si reformula a sus adversarios lealmente, si se atrinchera o si se escurre. Y es a menudo eso lo que cuenta cuando se elige un modelo para un uso exigente: no «cuál gana más votos», sino «cómo se comporta este cuando se le presiona». Una clasificación mide un resultado; la confrontación revela una conducta. Metamorfon no es un palmarés —es más bien un observatorio de la manera en que cada modelo piensa.

Hay que añadir que el voto de preferencia tiene sus propios ángulos muertos, bien documentados: mide lo que gusta, no lo que es verdadero —un modelo puede ganar un voto con una respuesta falsa pero bien redactada. Los dos enfoques no compiten, entonces: responden a preguntas diferentes. Si quieres saber qué modelo produce las respuestas más apreciadas, una clasificación de preferencia está hecha para eso. Si quieres comprender cómo un modelo razona, sostiene, cede o deriva al contacto con otro, hay que hacerlo debatir —y luego leer lo que ha pasado.

Lo que «hacer debatir a dos IA» quiere decir, en el fondo

Resumamos el camino. Hacer debatir a dos IA, cuando se deja de tratarlo como un espectáculo, son dos gestos encadenados. Orquestar: dar al intercambio una forma —cuántas voces, en qué orden, con qué calidad de roce, turno tras turno— para que produzca otra cosa que un consenso tibio o una deriva. Analizar: leer luego lo que el intercambio ha producido, bajo el ángulo que se elige —comprender, cartografiar, hacer emerger, trazar linajes intelectuales, y ocasionalmente evaluar la solidez de los argumentos y la fidelidad de las fuentes.

Es este doble gesto lo que Metamorfon instrumenta, y descansa en un partido tomado que puede formularse simplemente: decir lo menos posible. Las instrucciones no le soplan ninguna conclusión a los modelos; prescriben una forma, jamás un resultado. Es lo que permite que lo que emerja pertenezca al debate, y no a quien lo ha lanzado. La mejor prueba de ello es que dos análisis independientes de una misma sesión dibujan el mismo mapa: lo que muestran estaba en el material, no en la consigna.

Si quieres ver estos gestos en obra en vez de descritos, dos sesiones publicadas los dan a leer directamente: la que se dedica a si la IA generativa empobrece o enriquece el castellano, donde dos auditores independientes convergen sobre las mismas debilidades argumentativas y donde la Verificación de fuentes desvela el patrón de referencias justas en su dirección pero imprecisas en su detalle; y la que se dedica a si la mirada marxista permite todavía comprender el mundo de hoy, donde la Arqueología crítica saca a la luz las filiaciones teóricas heredadas que el debate movilizaba sin nombrarlas. Para el método mismo, las arquitecturas de diálogo, los modos de análisis y el espíritu de las instrucciones desarrollan cada uno una faceta diferente.

Mirar debatir a dos IA es una hoguera. Saber lo que se quiere hacerles producir es un instrumento. Cada cosa tiene su hora.