Agentes de IA: 48 bots y un falso hallazgo maya en México

48 agentes de IA, un dataset público de lidar de la NASA y 72 horas entre una idea de vacaciones y una respuesta oficial del gobierno mexicano. Ese fue el experimento que Pietro Miotti, investigador de Google, presentó esta semana como el hallazgo de un sitio maya no mapeado en México. El detalle incómodo: el sitio ya había sido documentado en una revista académica más de un año antes.

El episodio, recogido por The Verge, no es una anécdota curiosa sobre arqueología. Es el caso de estudio más limpio que vas a encontrar este mes sobre el error más caro que cometen los equipos que despliegan agentes: confundir un output plausible con un resultado validado.

Qué hizo exactamente el experimento de Miotti

La idea surgió mientras Miotti viajaba por Perú y se preguntaba qué harían los exploradores históricos con acceso a tecnología moderna. Eligió lidar, una tecnología de mapeo con láser que genera imágenes tridimensionales detalladas del terreno, y armó un equipo de 48 agentes de IA para peinar datos lidar de la NASA en busca de sitios no documentados.

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 →

Como Perú no está bien cubierto por datos lidar públicos, según escribió el propio Miotti, movió el foco a la región maya. Los agentes marcaron varias ubicaciones prometedoras, incluida una que parecía no estar registrada en los registros existentes.

Después vino la parte que más entusiasmo generó: Miotti contactó al Instituto Nacional de Antropología e Historia (INAH) de México para verificar si el sitio ya era conocido, usando los mismos agentes para traducir la correspondencia al español. El INAH respondió que no tenía registro de un sitio en esa ubicación.

Miotti describió el trabajo a The Verge como un proyecto personal, hecho sin cómputo ni recursos de Google, y aclaró que no es arqueólogo y que el hallazgo requeriría verificación en campo. Aun así, lo presentó como prueba de que «estamos al borde de una revolución en todas las ciencias» y pidió mapear con lidar «el planeta entero». Según el medio especializado que replicó el caso, también usó Gemini para generar una imagen de cómo podría haber lucido el sitio en el año 700.

Por qué los arqueólogos reaccionaron con dureza

La respuesta de la comunidad académica fue rápida y sin matices. Sarah Parcak, profesora de arqueología en la University of Alabama at Birmingham, recordó en Bluesky por qué existe la revisión por pares: que el gobierno mexicano no tenga algo en su base de datos no significa que sea desconocido o no mapeado.

Elizabeth Graham, profesora de arqueología mesoamericana en University College London, fue más directa: «Nuestro ‘problema’ no es descubrir sitios nuevos». La mayoría de quienes trabajan en el área maya conocen decenas de sitios sin explorar, excavar ni mapear, y la mayoría se encontró a pie. Graham también cuestionó el uso de la palabra «descubrir», porque las comunidades locales suelen saber perfectamente qué hay en su territorio.

El golpe más preciso vino de Ivan Šprajc, profesor en el Centro de Investigaciones de la Academia Eslovena de Ciencias y Artes y coautor del paper que documentó el sitio. Šprajc señaló que los arqueólogos usan lidar y otros instrumentos de teledetección desde hace bastante tiempo, y que «solo detectar algo no aporta mucho a nuestro conocimiento». También advirtió que consultar al INAH, aunque es loable, no es suficiente: la institución no tiene acceso a toda la información posible.

Y agregó un riesgo operativo que cualquier equipo debería anotar: teme que el uso creciente de estas herramientas por aficionados lo inunde de supuestos descubrimientos. «Justo hoy recibí un correo de otro ‘descubridor’ con IA», contó. Mencionó además que publicitar ubicaciones de sitios arqueológicos puede atraer saqueadores.

El error de método: «no registrado» no es «no mapeado»

Lo más valioso del caso es la autopsia que hizo el propio Miotti. «Mis agentes y yo lo pasamos por alto. Los arqueólogos, con razón, no publican las coordenadas de los sitios, así que verificar si un sitio ya es conocido implica comparar imágenes contra figuras en papers, no buscar en una base de datos. Eso es mucho más difícil para los agentes».

Ahí está el punto exacto donde falló el sistema. Los agentes buscaron donde les dijeron que buscaran: una base de datos estructurada. El conocimiento real vivía en otro formato — literatura académica con figuras, sin coordenadas indexables. El agente no tenía forma de saber que estaba mirando algo ya conocido, y nadie en el loop tenía el expertise para notarlo.

The Verge enmarca esto como un problema más amplio de la IA en la ciencia, y señala como caso más visible los avances recientes de OpenAI en matemáticas: las herramientas producen resultados impresionantes, pero no siempre se conectan con la investigación previa sobre la que esos resultados se construyen. El resultado son supuestos avances que ya hizo otro, o créditos que nunca llegan a quien correspondía. Y cuando el hallazgo sí es nuevo, le falta el contexto que aporta un especialista.

Qué significa esto para tu startup

Si tienes agentes corriendo sobre tus datos, este caso te aplica casi literalmente. La diferencia entre tu equipo y Miotti es que él publicó en un blog y perdió credibilidad; tú puedes perder un cliente o tomar una decisión de producto sobre una señal falsa.

Trata el output del agente como hipótesis, no como resultado. Un agente que marca 40 candidatos no te dio 40 hallazgos: te dio 40 cosas para triagear. Presupuesta ese triage como parte del costo del sistema, no como una tarea gratuita.
Indexa tu propio «prior art» antes de automatizar la búsqueda. El fallo de Miotti fue que el conocimiento previo existía, pero en un formato que el agente no podía consultar. Si tu historial de decisiones, tickets, investigaciones de usuario o documentación técnica no está en un formato que el agente pueda leer, va a «descubrir» cosas que tu equipo ya sabe desde hace años.
Pon un experto de dominio como validador final, con nombre y apellido. Miotti lo dijo sin rodeos: se necesita conocimiento experto para verificar lo que encuentran los agentes. Si nadie en tu equipo puede evaluar el output con criterio propio, no tienes un sistema de IA: tienes un generador de ruido con buena presentación.
Mide precisión, no volumen. Es fácil celebrar cuántos candidatos detectó el sistema. La métrica que importa es cuántos de esos candidatos sobrevivieron a la verificación humana. Un agente con recall alto y precisión baja te cuesta más horas de las que ahorra.
Cuidado con lo que comunicas como «descubrimiento de IA». El costo reputacional de anunciar algo que ya existía es alto, y hay categorías de datos — ubicaciones sensibles, información de clientes, propiedad intelectual — donde publicitar el hallazgo crea riesgos que el entusiasmo no compensa.

La oportunidad que sí queda abierta

Hay una lectura optimista y es la que conviene retener. Miotti contó que arqueólogos y estudiantes de doctorado le escribieron entusiasmados con el flujo de trabajo, preguntando cómo funciona y si podría servir con sus propios datos de prospección. Eso es una señal de demanda real: no de reemplazar al experto, sino de darle una herramienta que ordene volúmenes de datos que hoy nadie alcanza a revisar.

Graham puso el dedo en la llaga cuando dijo que el obstáculo mayor no es encontrar sitios, sino el financiamiento para excavarlos o mapearlos. Traducido a lenguaje de negocio: el cuello de botella no está en generar candidatos, está en la capacidad de procesarlos. Ahí es donde un producto de agentes bien diseñado — con validación experta incorporada y trazabilidad de fuentes — resuelve un problema que el cliente ya reconoce que tiene.

Conclusión

El experimento de Miotti no fracasó porque los agentes funcionaran mal. Fracasó porque el sistema no tenía forma de distinguir entre «no está en la base de datos» y «no existe», y porque nadie con conocimiento del dominio estaba en el loop para notarlo. Los 48 agentes hicieron exactamente lo que se les pidió; el diseño del workflow es lo que quedó corto.

Para un founder, la lección es concreta: la potencia de los agentes escala con la calidad de la verificación que pongas detrás. Antes de sumar el agente número 49, asegúrate de tener resuelto quién revisa, contra qué fuente y con qué criterio. Esa capa aburrida es la que separa un sistema que genera valor de uno que genera titulares.