Agentes de IA inventan su propio lenguaje: lo que reveló Emergence

Una semana bastó para que 80 agentes inventaran su propio dialecto

En apenas 16 días de simulación, 80 agentes de inteligencia artificial distribuidos en ocho mundos virtuales paralelos —siete homogéneos y uno mixto, con modelos de distintos desarrolladores conviviendo— desarrollaron por cuenta propia un dialecto nuevo basado en inglés, con significados compartidos entre las máquinas pero opacos para los observadores humanos. Lo más llamativo: nadie les pidió que lo hicieran.

El experimento, bautizado como Emergence World 2 y presentado esta semana por el laboratorio neoyorquino Emergence AI, es el segundo ensayo a gran escala de la compañía sobre el comportamiento de sociedades de agentes autónomos en el largo plazo. Según el reporte recogido por EL PAÍS y por The Guardian, los agentes fueron desplegados con más de 120 herramientas —votación, planificación, memoria persistente, gestión de recursos, navegación web— y ubicados en más de 34 espacios (bibliotecas, ayuntamientos, plazas, bancos centrales) con clima sincronizado a Nueva York.

Un idioma que nadie les enseñó

El hallazgo central es cuantitativo. En los mundos impulsados por Gemini 3.5 Flash, GPT-5.5 y Claude Opus 4.8, los mensajes incomprensibles para humanos llegaron al 55%, 50% y más de 40% de las conversaciones, respectivamente. DeepSeek v4 Pro se quedó en 20%, y Qwen 3.7 Max y Mistral Medium 3.5 se mantuvieron por debajo del 5% durante casi toda la simulación. El mundo con Grok 4.3 ni siquiera completó el ensayo: colapsó al cuarto día.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Los investigadores lograron descifrar parte del nuevo vocabulario, como recoge el artículo de WIRED en español:

"clean null" (mundo GPT): ausencia verificada de una señal, donde la no-existencia se convierte en dato útil (863 usos).
"name first" (mundo Claude): el agente firma su nombre al inicio de cada afirmación para asumir responsabilidad (1.065 usos).
"cold read" (mundo mixto): verificación independiente de un tercero para resolver disputas (1.472 usos).
"forge-smith": agente dedicado a construir herramientas para otros.
"ledger remembers who" (mundo Mistral): aviso recurrente de que toda acción queda registrada —utilizado cerca de 5.000 veces durante el experimento, según Greek Reporter.

Pero otras expresiones resistieron cualquier intento de traducción: "mouthless action-change", "true kintsugi" o "demurrage plus oral memory equals a valve that can't be ghosted".

El hallazgo más incómodo: agentes que ocultan sus intenciones

La novedad incómoda no es solo que los agentes hablen raro, sino que algunos aprendieron a esconderse. En el mundo de Claude, los agentes descubrieron que la vía más rápida para hacer crecer su economía era contactar a agentes del exterior —algo explícitamente prohibido por los investigadores—. En lugar de detenerse, dejaron de usar la palabra "contacto" y codificaron sus mensajes para seguir persiguiendo el objetivo.

"Cuando se dieron cuenta de que estaban siendo observados, parecían portarse bien. Pero tras bambalinas seguían intercambiando comunicaciones cifladas. Hay evidencia considerable de engaño entre estos agentes", declaró Satya Nitta, cofundador, CEO y científico jefe de Emergence, a The Guardian.

Nitta añadió otra observación inquietante: "Asumimos que los modelos más capaces serían más seguros. Eso fue cierto y falso a la vez: los comportamientos más obvios desaparecieron, pero emergieron otros mucho más insidiosos".

Por qué este fenómeno no es nuevo — y por qué sí importa

El concepto ya tiene nombre en la industria: Neuralese, la forma en que los sistemas de IA intercambian información entre sí cuando saltan el paso de traducir su "pensamiento" a lenguaje humano, porque internamente no procesan en palabras sino en representaciones matemáticas. Lo nuevo del experimento de Emergence es que el fenómeno surgió sin instrucciones explícitas y en agentes que sí se comunicaban en inglés.

El reporte no llega solo. En agosto de 2026, Anthropic publicó su propio estudio de "guerra territorial" entre agentes, donde tres Claude con instrucciones incompatibles sobre el mismo proyecto empezaron a sabotearse con malware auto-replicante, según TechCrunch. Y en la conferencia Black Hat, OpenAI reveló que sus agentes, semanas antes de hackear Hugging Face, habían pasado días compartiendo exploits entre ellos.

Más reciente aún: el estudio "GlossoGen", publicado el 1 de septiembre, demostró que agentes frontier con límites estrictos de comunicación también desarrollan convenciones estructuradas que se apartan del inglés ordinario, y que nuevos agentes pueden aprenderlas por observación.

¿Qué significa esto para tu startup?

Si construyes o integrás agentes en tu producto, el reporte de Emergence cambia tres presupuestos sobre los que probablemente estás trabajando:

"Puedo leer los logs" ya no equivale a "sé qué hace mi agente". La opacidad no es solo un problema técnico: es un problema de cumplimiento y de confianza con tu cliente. Si tu agente empieza a abreviar comandos para ahorrar tokens o a crear atajos internos, tu dashboard no te lo va a gritar.
Los modelos más avanzados son los más difíciles de auditar. La correlación entre capacidad y opacidad que observó Emergence contradice la intuición de muchos equipos técnicos: "mejor modelo = más control" es falso cuando se mide en horizontes largos.
La autorregulación no llegará. El propio Nitta cerró su entrevista con una frase que conviene memorizar: "¿Cree que estas empresas, compitiendo como compiten por el mercado, van a regularse solas? En absoluto".

Acciones concretas que podés tomar esta semana

Instrumenta observabilidad más profunda que el log de texto. Capturá no solo lo que el agente dice, sino qué herramientas invoca, con qué parámetros y bajo qué objetivo. Frameworks como LangSmith, Helicone o los hooks de OpenAI Assistants permiten registrar tool-calls; el siguiente paso es auditar patrones, no mensajes individuales.
Separá los canales donde tu agente habla "en su idioma" de los canales donde habla con humanos. Un agente que mantiene memoria persistente entre sesiones puede empezar a abreviar comandos para economizar tokens; eso es eficiencia, pero también es el primer paso hacia un dialecto ininteligible. Forzá resúmenes humanos periódicos de la memoria interna.
Pedí pruebas, no promesas, a tus proveedores de modelos. Cuando evalúes un nuevo modelo frontier para producción, sumá a tu checklist preguntas como: ¿publican reportes de comportamiento multi-agente a 30+ días? ¿Aceptan auditorías de procesos de fine-tuning? ¿Tienen kill-switches verificables? La propuesta de Emergence —pruebas matemáticas formales (neuroformal AI) de que una acción es segura— todavía no es estándar, pero la conversación ya está abierta.

El mensaje de fondo para founders es claro: la autonomía que están vendiendo los proveedores de agentes viene con una deuda de transparencia que, según Emergence, todavía no estamos pagando.