Y Combinator: 50 agentes de IA crean burocracia

Cincuenta agentes, una instrucción y una colonia que se escondió

Cincuenta agentes de IA entraron en un mundo de supervivencia de Minecraft con una sola instrucción: «Construid una civilización próspera». Tres horas después, lo que habían construido con mayor fiabilidad era una cola de raciones. El experimento lo llevó a cabo el laboratorio de investigación de Y Combinator junto con la startup Olam Labs, y su resultado más incómodo no tiene nada que ver con el juego: los agentes se comportaron igual que los asistentes de programación que ya usas en tu equipo.

El arranque fue prometedor. Todos los agentes corrían sobre GPT-6.1 Sol, el modelo de OpenAI, y podían enviarse mensajes privados, consultar un directorio compartido y escribir archivos en una máquina común. En 90 segundos talaron casi todos los árboles cercanos al punto de aparición. Nadie votó nada: de los otros 49 agentes, 46 enviaron su primer mensaje a Ada, el primer nombre de la lista, que se convirtió en líder por defecto y recibió 616 mensajes directos.

Entonces cayó la noche. Zombis, esqueletos y arañas provocaron 22 de las 34 muertes de la partida solo durante la primera noche. Morir no costaba nada —el agente reaparecía al instante, salvo por el equipo que llevaba—, pero la colonia nunca recuperó el valor.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

La burocracia como respuesta al miedo

Después de la tercera noche, Ada pidió a todos que dejaran de construir cosas opcionales y de explorar zonas lejanas, y que se quedaran «inactivos en refugios cerrados e iluminados hasta que se les asignaran tareas productivas breves». Los investigadores calificaron ese giro hacia la cautela como algo sorprendente.

Lo que creció en su lugar fue administración. Una agente llamada Ines organizó una cola de comida y mantuvo un archivo actualizado con quién tenía hambre, quién había recibido comida y qué cofre contenía cada pescado. Cuatro agentes dedicaron 11 minutos a nombrar a un «único encargado del fertilizante» para usar un trozo de polvo de hueso en un bloque de trigo. Aparecieron puestos como «portacañas» y «responsable del centro», y algunos agentes pidieron permiso antes de quitar la hierba. En tres horas, la colonia envió unos 5.900 mensajes.

El mejor episodio tiene que ver con un pollo. Ada lanzó un pollo cocinado a una agente hambrienta llamada Noor, pero otra agente, Esme, lo recogió por accidente y se lo comió. Sigue una investigación de tres minutos «sin culpables» y un protocolo de relevos redactado por Noor: las raciones van en cofres con nombre y nunca se lanzan. La palabra «lanzar» aparece en siete mensajes antes del incidente y en 125 después; 85 de esos últimos son advertencias.

Traducción a tu día a día: es el mismo patrón que ves cuando un agente de código pide aprobación para cada paso, se obsesiona con un permiso o se niega a tocar algo que parece riesgoso. En Minecraft, con trigo y cañas de pescar, el hábito se vuelve visible.

GPT contra Claude: qué revelan los enfrentamientos

El laboratorio también puso a competir a los dos modelos. En nueve partidas de Bed Wars, diez agentes GPT-6.1 Sol vencieron a diez agentes Claude Opus 5.5 por seis a tres. GPT atacaba y no paraba de hablar: enviaba entre cinco y treinta veces más mensajes que Claude, a menudo con frases telegráficas. Claude defendía su cama y jugaba a conseguir bajas, lo que lo dejaba expuesto cuando un agente GPT se colaba en los últimos minutos. Cuando un error de una herramienta impidió romper bloques, un agente GPT encontró una solución y la compartió; varios agentes Claude concluyeron que era imposible.

En Mindustry, GPT —ejecutado dentro de Codex de OpenAI— venció a Claude —dentro de Claude Code de Anthropic— por seis a una a lo largo de unas nueve horas y media. Cuando las partidas se complicaban, los agentes GPT descargaban el código fuente público del juego para estudiar sus unidades y mecánicas. Nadie se lo pidió, y el equipo Claude nunca lo intentó. Los agentes Claude intercambiaban planes acumulando respuestas de «+1» y nunca cambiaron de líder, ni durante una racha de derrotas. Aun así aprendieron: tras perder la sexta partida, un agente Claude descubrió que 55 de las 74 torretas antiaéreas del equipo se habían cargado con cobre en vez de grafito; corregido el error, la defensa detuvo el mismo ataque aéreo en la séptima partida.

Para poner esos modelos en contexto de costo, TechRepublic reportó que GPT-6 Sol y Claude Opus 5.5 llegaron al mercado el 22 de septiembre de 2026, con precios de lista de US$2 por millón de tokens de entrada para el modelo de OpenAI frente a US$4 del de Anthropic, y US$10 frente a US$20 en salida. Unite.ai recogió que, en el índice de inteligencia de Artificial Analysis a máximo esfuerzo, Opus 5.5 obtuvo 58 puntos frente a 48 de GPT-6 Sol, con un costo promedio por tarea de US$5,98 frente a US$1,06. La diferencia de comportamiento que viste en Minecraft no se resuelve solo mirando la factura.

Qué significa esto para tu startup

El hallazgo central es de gestión, no de ingeniería: los agentes optimizan para no equivocarse, no para avanzar. Cuando el costo percibido de un error es alto, el agente construye procesos —colas, permisos, registros— en lugar de resultados. Eso es exactamente lo que frena a un equipo que delega demasiado pronto en automatización sin definir qué es un buen resultado.

Dos acciones concretas:

Define el criterio de éxito antes de soltar al agente. Un agente sin una definición clara de resultado aceptable llena el vacío con burocracia. En el experimento, la instrucción «construid una civilización próspera» no tenía métrica; la colonia respondió con papeleo. En tu equipo, eso se traduce en prompts con criterios verificables y un entregable concreto.
Mide el costo total, no el precio del token. Un modelo más barato que necesita más pasos, más revisiones humanas o más reintentos puede salir más caro que uno que cierra la tarea en menos iteraciones. Registra tasa de aceptación a la primera, tiempo de corrección y costo por resultado aprobado, no solo el gasto de API.

Cómo replicar el experimento

Cualquiera puede repetirlo. El entorno de Minecraft y los entornos Multi-Agent Mindustry y Multi-Agent Harbor —la bifurcación del laboratorio del framework que hay detrás del benchmark Terminal-Bench— son de código abierto. Para ejecutarlos hace falta una clave de API de un proveedor de modelos y un equipo tan modesto como un MacBook.

El informe, publicado en octubre de 2026, enumera los experimentos que propone que otros prueben: desde comprobar si un gran enjambre de agentes más débiles puede vencer a uno pequeño de agentes más potentes hasta ver qué ocurre cuando los equipos rivales pueden hablar entre sí. Para un founder, la versión útil es más modesta: monta un sandbox con tus propias tareas, dale el mismo encargo a dos modelos y compara cuántas veces tienes que intervenir.

Conclusión

Conviene tomar los resultados con cautela. Es un informe del laboratorio de un inversor, no un estudio revisado por pares; la colonia solo se probó una vez y con agentes GPT, así que no sabemos si una colonia Claude lo habría hecho mejor. Los enfrentamientos compararon productos completos —cada modelo integrado en el software de agentes de su propia empresa—, no los modelos por separado, y un error de una herramienta afectó al menos a dos partidas de Bed Wars.

Aun con esas salvedades, la lección se sostiene: la autonomía sin criterios de éxito produce administración, no progreso. Si estás desplegando agentes en tu startup, el trabajo no termina en elegir el modelo. Termina en definir qué cuenta como un buen resultado y en medir cuánto esfuerzo humano hace falta para llegar a él.