Tres opciones pueden predecir mejor nuestras preferencias que dos

Cuando una plataforma intenta adivinar qué película queremos ver, qué ruta elegiríamos para ir al trabajo o qué respuesta de un chatbot nos resulta más convincente, suele recurrir a una pregunta bastante simple: entre A y B, ¿cuál preferís? Un trabajo presentado en la conferencia ICLR 2026 sostiene que esa costumbre deja escapar información importante. Según sus autores, para captar mejor ciertos patrones de preferencia conviene mirar tríos de opciones y no solo comparaciones de dos en dos.

La idea puede sonar menor, pero toca una herramienta matemática muy usada. Los llamados modelos de utilidad aleatoria intentan describir cómo elegimos entre varias alternativas cuando nuestros gustos no son idénticos a los de otras personas, e incluso cambian según el momento o el contexto. Estos modelos se usan desde hace décadas en economía, transporte, sistemas de recomendación y, cada vez más, en el entrenamiento de sistemas de inteligencia artificial que aprenden a partir de elecciones humanas.

El nuevo trabajo analiza un problema de fondo en esa tradición. Si a muchas personas se les pide que comparen únicamente pares de opciones, ciertos vínculos entre sus gustos quedan ocultos. Por ejemplo, alguien que prefiere cine independiente quizá también tienda a valorar películas extranjeras; o una persona que apoya una política pública determinada podría inclinarse con mayor probabilidad por otra relacionada. Esas asociaciones, que ayudan a personalizar mejor una predicción, no pueden reconstruirse bien solo con duelos entre dos candidatos, según la demostración matemática del equipo.

La situación cambia cuando se pide ordenar tres alternativas. En ese caso, sostienen los autores, sí aparece información suficiente para detectar correlaciones entre preferencias y construir modelos más finos. El resultado no implica que cualquier encuesta de tres opciones sea automáticamente superior, pero sí ofrece una guía concreta sobre qué tipo de datos conviene recolectar si se quiere representar mejor la diversidad real de gustos.

Eso puede tener efectos prácticos en varios ámbitos. Una plataforma de streaming podría afinar sugerencias con menos puntos ciegos. Un sistema de transporte o planificación urbana podría estimar mejor cómo reaccionaría la gente ante cambios de rutas o inversiones públicas. Y en el terreno de la IA, donde con frecuencia se pide a personas que ordenen respuestas generadas por un modelo, este tipo de enfoque podría ayudar a captar matices que hoy quedan diluidos en comparaciones demasiado simples.

El trabajo también deja una advertencia útil: no siempre más datos equivalen a mejores modelos si los datos tienen una estructura limitada. A veces el problema no está en la cantidad de respuestas sino en el tipo de pregunta que se formula. Cambiar una comparación binaria por un pequeño ranking puede parecer un detalle de diseño, pero desde el punto de vista estadístico puede abrir información que antes estaba cerrada.

Aún así, conviene no leer el resultado como una receta universal lista para aplicarse mañana en todos los sistemas. Se trata de un avance teórico con validaciones en conjuntos de datos, no de una prueba de que cualquier producto comercial vaya a mejorar de inmediato solo por introducir ternas. También hay costos prácticos: pedir a una persona que ordene tres opciones puede ser más exigente que elegir una entre dos, y eso influye en cómo se recolectan respuestas a gran escala. Con todo, el estudio ofrece una idea clara y útil: para entender mejor nuestras preferencias, a veces dos alternativas no alcanzan.