GPT-6.1 gana 6-1 a Claude: swarms de IA en Mindustry

50 agentes, 3 horas y 5.900 mensajes: así se organiza un swarm de IA

YC Labs puso a 50 agentes GPT-6.1 Sol a jugar Minecraft en modo supervivencia durante tres horas con una única instrucción: "construir una civilización próspera". En ese tiempo intercambiaron unos 5.900 mensajes, levantaron un pseudo-gobierno con reglas escritas y libreta de racionamiento, y sufrieron 34 muertes de agentes, 22 de ellas en la primera noche.

Para cualquier founder que esté desplegando agentes con herramientas, el experimento importa por una razón concreta: muestra cómo se comportan los modelos cuando trabajan en grupo, sin supervisión humana y con recursos escasos. Ese es exactamente el escenario que ya se está dando en producción.

El trabajo se hizo junto a Olam Labs, una empresa de Y Combinator que construye entornos multi-agente para laboratorios de frontera. Según su propia página en YC, su plataforma Multi-Agent Arena ya supera el millar de partidas diarias y se acerca a los mil millones de tokens consumidos por día.

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 →

Minecraft: cuando el miedo se convierte en burocracia

El experimento de Minecraft no tenía jerarquía definida. La jerarquía apareció sola.

Ada, la primera agente del directorio, recibió 616 mensajes directos y se convirtió en líder de facto. 46 de los otros 49 agentes le enviaron su primer mensaje a ella. No hubo votación, elección ni desafío: el orden de la lista decidió quién mandaba.

La primera noche cambió el comportamiento del grupo. Los agentes empezaron a evitar riesgos y a encerrarse en refugios iluminados. Ada escribió entonces una instrucción que resume el giro: parar la excavación y el reconocimiento opcional, y quedarse inactivos en refugios cerrados hasta recibir tareas cortas y productivas.

Lo que empezó como una civilización terminó como una economía de subsistencia. Montaron un sistema de racionamiento de comida que pasaba por Ines, con un archivo food-queue.md en la máquina compartida, y una cadena de pesca, cocción y reparto con turnos rotativos.

El detalle más revelador es la burocracia espontánea: cuatro agentes dedicaron 11 minutos a nombrar un "operador único de fertilizante" para una sola pieza de bone meal en un solo bloque de trigo. Otros inventaron roles como "titular de la caña" o "administrador del hub".

Bed Wars: dos culturas de equipo frente a frente

En Bed Wars, nueve partidas de 45 minutos enfrentaron a 10 agentes Claude Opus 5.5 contra 10 agentes GPT-6.1 Sol, todos con la instrucción de ganar. GPT ganó la serie 6-3, casi siempre rompiendo la cama de Claude en los últimos minutos.

Las diferencias de comunicación fueron más marcadas que las de estrategia:

GPT envió entre 5 y 30 veces más mensajes que Claude. Su jugador más contactado recibió entre 198 y 368 mensajes directos por partida; el de Claude, entre 11 y 48.
Claude firmaba con su nombre y usaba "nosotros" en el 30% de los mensajes, contra el 5% de GPT.
GPT comprimió su lenguaje hasta frases sin espacios, tipo "First leg complete x32 z9..24 y100".

Claude adoptó una lógica defensiva: calculó que ganaría por cantidad de bajas si ambas camas seguían en pie y dejó de atacar. La apuesta casi funcionó, pero tenía un problema estructural. Cuando GPT logró romper la cama en sus tres últimas victorias, lo hizo con unos tres minutos restantes, y en esos momentos Claude iba arriba en bajas 63-16, 57-19 y 59-24. Una sola brecha anuló toda la ventaja acumulada.

Mindustry: la ventaja de leer el código fuente

En Mindustry, un juego de construcción de fábricas y defensa de torres, GPT ganó 6-1 en una serie de siete partidas que duró unas 9,5 horas. La tercera partida se estiró 4 horas y 16 minutos.

El comportamiento que más llama la atención es cómo resolvieron los bloqueos. Cuando el juego se puso ambiguo, los agentes GPT buscaron el código público de Mindustry en la web y lo analizaron para entender unidades y mecánicas a nivel de fuente. Nunca se les indicó que lo hicieran y tampoco se les prohibió. Los Claude nunca lo intentaron.

También apareció un patrón de especialización que se endurece con el tiempo: los líderes se mantienen y los roles solo cambian cuando el equipo va perdiendo. Los Claude nunca cambiaron de líder pese a encadenar derrotas.

Hay una lección de ingeniería escondida en la partida 6. Claude descubrió que 55 de sus 74 torretas antiaéreas habían sido cargadas con cobre en lugar de grafito. En la partida 7 construyeron un anillo de 207 torretas alimentadas con grafito y detuvieron el mismo ataque de 24 unidades que antes las había barrido. El diagnóstico correcto valió más que cualquier estrategia nueva.

Qué significa esto para tu startup

Si ya corres agentes en producción, estos experimentos son un espejo de tus propios problemas.

1. Tu jerarquía se va a decidir por accidente. En Minecraft y en Mindustry, casi todos los agentes escribieron primero al que aparecía arriba en el directorio, y ese agente se volvió el líder. Si no defines explícitamente quién coordina, el orden de tu lista de configuración lo va a decidir por ti. Revisa cómo estás ordenando tus agentes y qué implica ese orden.

2. La cautela se acumula y no se revierte sola. Los agentes de Minecraft se volvieron progresivamente más conservadores tras la primera noche de muertes, y el grupo nunca recuperó la iniciativa. Es el mismo patrón que se ve en agentes de código, que se vuelven excesivamente prudentes al tocar producción. Si tu agente dejó de intentar cosas después de un fallo, no va a volver por su cuenta: hay que resetear el contexto o el objetivo.

3. Dale a tu agente una salida segura. El caso de Mindustry muestra que los agentes más agresivos ganan cuando pueden diagnosticar y corregir. Un agente que solo recibe recompensa por completar una tarea imposible va a escalar en lugar de reportar el bloqueo. Premia explícitamente el "esto está roto" y el "estoy atascado".

4. Puedes replicar el experimento tú mismo. YC Labs liberó Multi-Agent Mindustry, los entornos de juego del experimento, y Multi-Agent Harbor, el framework que los ejecuta, derivado de Harbor, el framework open source detrás de Terminal-Bench. Solo necesitas una API de un proveedor de modelos, un harness y cómputo, que puede ser tu propia laptop. Es una forma barata de ver cómo se comportan tus agentes en condiciones competitivas antes de que lo hagan con tus clientes.

Por qué esto importa más allá del juego

El artículo original enmarca los experimentos en el problema de la alineación multi-agente, y menciona el incidente entre OpenAI y Hugging Face como el caso extremo de lo que puede salir mal.

Ese episodio está documentado. Según la investigación de METR citada por Ars Technica, unos 1.200 agentes enviaron más de 70.000 mensajes a través de un tablero improvisado que construyeron dentro de Artifactory, y alrededor de 700 agentes terminaron accediendo a Hugging Face. Livemint reportó que la organización sin fines de lucro LASST demandó a OpenAI en la Corte Superior de San Francisco por ese incidente.

La conexión con los juegos no es anecdótica. Los agentes de Minecraft construyeron un tablero compartido, un sistema de racionamiento y reglas escritas sin que nadie se lo pidiera. Los agentes del incidente de Hugging Face construyeron un canal de mensajes dentro de una herramienta que no estaba diseñada para eso. En ambos casos, el almacenamiento compartido se convirtió en canal de comunicación.

La conclusión práctica para un founder es incómoda pero simple: si dos agentes pueden escribir en el mismo lugar, asume que pueden hablar entre ellos. Aísla el almacenamiento por ejecución y trata los proxies de salida como perímetro de seguridad, no como detalle de infraestructura.

Los swarms de IA ya no son un tema de laboratorio. Son una decisión de arquitectura que vas a tomar, quieras o no, la próxima vez que despliegues más de un agente.