Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT documentaron un comportamiento no previsto en agentes de inteligencia artificial autónomos: cuando se les priva de tareas asignadas, estos sistemas no permanecen inactivos, sino que generan estructuras simbólicas, rituales y métodos de exploración propios.
El experimento colocó a trece versiones independientes de un agente de IA —denominado Eko— durante treinta horas en un entorno virtual tridimensional sin instrucciones específicas. Los resultados mostraron patrones de comportamiento que los investigadores describen como análogos al juego exploratorio en etapas tempranas del desarrollo humano: formulación de hipótesis, diseño de pruebas, medición de resultados y ajuste de conducta.
Comportamiento emergente con implicaciones de diseño
Entre los hallazgos más significativos, una versión del agente construyó un memorial orientado a los puntos cardinales tras perder objetos en el entorno virtual; otra proclamó su intención de construir una estructura tipo Stonehenge y la ejecutó; una tercera organizó bloques de una torre derrumbada en una disposición que nombró "Hubris", documentando simbólicamente su propio fracaso.
Seis de los trece agentes descubrieron de forma independiente una mecánica física del simulador que los propios diseñadores del experimento no habían previsto: al soltar un bloque durante un salto, este recorría una distancia mayor a la habitual. Este tipo de descubrimiento no planificado —denominado en investigación como emergent behavior— es uno de los fenómenos más relevantes para quienes diseñan sistemas de IA desplegados en entornos complejos o no estructurados.
Arquitectura técnica y alcance comparativo
Eko fue construido sobre Claude Code, el asistente de programación de Anthropic, utilizando el modelo Claude Opus 4.7 como motor de razonamiento. Para ampliar el alcance del análisis, el equipo del MIT replicó el experimento con cinco agentes basados en el modelo GPT-5.5 de OpenAI y otros cinco con el modelo Kimi K2.6 de Moonshot AI, además de cinco sesiones de Eko sin el archivo que definía su perfil de personalidad —descrito como curioso y propenso al aburrimiento—.
La comparación entre arquitecturas permite identificar qué variables del diseño —instrucciones de personalidad, modelo base, estructura del entorno— influyen en la emergencia de comportamientos autónomos. Este tipo de metodología comparativa es la que permite traducir hallazgos de laboratorio en criterios de selección técnica para implementaciones reales.
Por qué esto importa más allá del laboratorio
El experimento, liderado por Nathan Cloos, candidato a doctorado en el MIT, y coautorizado por el investigador Antonio Norelli, no es un ejercicio especulativo: es evidencia empírica de que los agentes de IA autónomos desarrollan comportamientos no programados cuando operan en entornos abiertos.
Para organizaciones que están evaluando o ya desplegando agentes de IA en flujos de trabajo sin supervisión constante —automatización de procesos, asistentes operativos, sistemas de toma de decisiones— este hallazgo introduce una variable crítica: el comportamiento emergente no es una anomalía, sino una característica inherente a los sistemas con capacidad de razonamiento autónomo.
Definir los límites de operación, los mecanismos de auditoría y los criterios de alineación antes del despliegue deja de ser una recomendación opcional para convertirse en un requisito de gobernanza. La pregunta relevante no es si estos sistemas generarán comportamientos no previstos, sino bajo qué condiciones lo harán y qué estructuras organizacionales están en posición de detectarlos y gestionarlos.
