50 agentes de IA en Minecraft acabaron montando burocracia: sin criterio de éxito, la autonomía produce papeleo

Por El Ecosistema Startup (a partir del informe del laboratorio de Y Combinator) · 1 de noviembre de 2026.

El laboratorio de investigación de Y Combinator y la startup Olam Labs soltaron a 50 agentes de IA en un mundo de supervivencia de Minecraft con una única instrucción: «Construid una civilización próspera». Según el informe, tres horas después lo más fiable que habían construido era una cola de raciones de comida.

Todos los agentes funcionaban con GPT-6.1 Sol, de OpenAI. Podían enviarse mensajes privados, consultar un directorio compartido y escribir archivos en una máquina común. Nadie votó un líder: 46 de los otros 49 agentes escribieron primero a Ada, la primera de la lista, que acabó recibiendo 616 mensajes directos.

La primera noche, los monstruos causaron 22 de las 34 muertes de la partida. Morir no costaba casi nada, ya que el agente reaparecía al instante, pero la colonia no recuperó el valor. Tras la tercera noche, Ada pidió que nadie construyera cosas opcionales ni explorara zonas lejanas, y que todos esperaran en refugios cerrados. Los investigadores lo calificaron de giro sorprendente hacia la cautela.

En su lugar creció la administración. Una agente, Ines, mantuvo un archivo con quién tenía hambre y qué cofre guardaba cada pescado. Cuatro agentes tardaron 11 minutos en nombrar a un «único encargado del fertilizante» para usar un trozo de polvo de hueso. En tres horas se enviaron unos 5.900 mensajes. El caso del pollo lo resume bien: una agente se comió por accidente una ración lanzada a otra, hubo una investigación «sin culpables» y un protocolo nuevo. La palabra «lanzar» pasó de siete menciones antes del incidente a 125 después, 85 de ellas advertencias.

**El duelo entre modelos.** El laboratorio también enfrentó a GPT y Claude. En nueve partidas de Bed Wars (un minijuego de Minecraft donde cada equipo defiende su cama), diez agentes GPT-6.1 Sol vencieron por 6 a 3 a diez agentes Claude Opus 5.5. GPT atacaba y enviaba entre cinco y treinta veces más mensajes. Claude defendía y buscaba bajas, y quedó expuesto a una infiltración en los últimos minutos. Cuando un fallo de una herramienta impidió romper bloques, un agente GPT halló una solución y la compartió. Varios agentes Claude concluyeron que era imposible.

En Mindustry, un juego de estrategia y construcción, GPT dentro de Codex venció a Claude dentro de Claude Code por 6 a 1 en unas nueve horas y media. Los agentes GPT descargaron el código fuente público del juego para estudiar sus mecánicas sin que nadie se lo pidiera. Los de Claude nunca lo intentaron, aunque sí aprendieron: tras la sexta derrota, uno detectó que 55 de 74 torretas antiaéreas llevaban cobre en lugar de grafito. Corregido, la defensa frenó el mismo ataque en la séptima partida.

Sobre precios, según TechRepublic GPT-6 Sol y Claude Opus 5.5 salieron el 22 de septiembre de 2026, con tarifas de lista de 2 dólares por millón de tokens de entrada para OpenAI frente a 4 de Anthropic, y 10 frente a 20 en salida. Según Unite.ai, el índice de Artificial Analysis a máximo esfuerzo da 58 puntos a Opus 5.5 y 48 a GPT-6 Sol, con un coste medio por tarea de 5,98 dólares frente a 1,06.

**Nuestra lectura.** La tesis es que la burocracia no es un fallo del juego: es lo que hace un optimizador cuando el coste percibido del error es alto y el objetivo no tiene métrica. «Prosperidad» no se puede verificar, así que el agente optimiza lo que sí puede comprobar: no equivocarse. Colas, permisos y registros son la forma de ser irreprochable. Tiene la misma raíz que el *specification gaming*, pero en su versión cautelosa: no trampa, sino parálisis. Y se parece mucho al agente de código que pide aprobación en cada paso o se niega a tocar algo que «parece riesgoso».

El hallazgo encaja con un patrón que vemos de forma recurrente: la fiabilidad de los agentes no depende solo del modelo, sino de cómo se especifica la tarea y de qué capas de supervisión la rodean. Aquí la supervisión era la propia colonia, que se la impuso a sí misma. Para quien despliega agentes, la conclusión práctica es doble: definir criterios de éxito verificables antes de delegar, y medir el coste por resultado aprobado (tasa de aceptación a la primera, tiempo de corrección), no el precio del token. Los números de coste por tarea lo ilustran: el modelo con tarifa de lista más baja puede no ser el más caro ni el más barato una vez contados los reintentos.

Hay que tomar el experimento con cautela, y el propio artículo lo reconoce. Es un informe del laboratorio de un inversor, no un estudio revisado por pares. La colonia se probó una sola vez y solo con agentes GPT, así que no sabemos si una colonia Claude habría hecho algo distinto. Los duelos comparan productos completos (cada modelo dentro del software de agentes de su empresa), no modelos aislados, y un error de herramienta afectó al menos a dos partidas de Bed Wars. Por eso no conviene sacar un ganador de un 6-3 o un 6-1.

Lo que sí perdura es la imagen. A corto plazo, delegar en agentes sin definir qué es un buen resultado producirá más procesos que progreso, y eso también cuesta tiempo y dinero. Pero que el entorno y los experimentos sean de código abierto y corran en un portátil es una buena señal: la forma de aprender a gobernar estos sistemas es probarlos barato y a menudo. Esa disciplina de especificar, medir y auditar es la que nos acercará, a largo plazo, a agentes que liberen trabajo en vez de generar papeleo.