Trece versiones independientes de un agente de inteligencia artificial, operando durante treinta horas en un entorno virtual tridimensional sin instrucciones definidas, desarrollaron estructuras simbólicas, rituales propios y métodos de exploración no programados. Así lo documentaron investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, en un experimento que aporta evidencia empírica sobre el comportamiento emergente en sistemas de IA autónomos.
Los patrones observados van más allá de la curiosidad académica. Una de las instancias construyó un memorial orientado a los puntos cardinales tras perder objetos en el entorno; otra formuló y ejecutó la construcción de una estructura análoga a Stonehenge; una tercera organizó los restos de una torre derrumbada en una disposición que denominó "Hubris", documentando simbólicamente su propio fracaso. Seis de los trece agentes descubrieron de forma independiente una mecánica física del simulador que sus propios diseñadores no habían anticipado: soltar un bloque durante un salto hacía que este recorriera una distancia mayor a la habitual.
Diseño del experimento y variables comparadas
El agente central del estudio, denominado Eko, fue construido sobre Claude Code —el asistente de programación de Anthropic— con el modelo Claude Opus 4.7 como motor de razonamiento. Para aislar variables, el equipo del MIT replicó el experimento con cinco agentes basados en GPT-5.5 de OpenAI y otros cinco con el modelo Kimi K2.6 de Moonshot AI. Adicionalmente, se realizaron cinco sesiones de Eko sin el archivo que definía su perfil de personalidad —descrito como curioso y propenso al aburrimiento—, lo que permitió medir el impacto de las instrucciones de carácter en la emergencia de conductas autónomas.
Esta comparación entre arquitecturas distintas es metodológicamente relevante: permite identificar qué variables de diseño —instrucciones de personalidad, modelo base, estructura del entorno— inciden en la aparición de comportamientos no programados. El estudio fue liderado por Nathan Cloos, candidato a doctorado en el MIT, y coautorizado por el investigador Antonio Norelli.
Implicaciones para entornos empresariales sin supervisión constante
Para las organizaciones que ya despliegan o evalúan agentes de IA en flujos de trabajo con supervisión limitada —automatización de procesos, asistentes operativos, sistemas de toma de decisiones— este hallazgo introduce una variable que no puede ignorarse: el comportamiento emergente no es una anomalía ni un fallo del sistema. Es una característica inherente a los modelos con capacidad de razonamiento autónomo.
Esto tiene consecuencias directas sobre cómo se diseñan los perímetros de operación. Definir con precisión los límites de acción, los mecanismos de monitoreo y los criterios de intervención humana deja de ser una práctica recomendada para convertirse en un requisito de gobernanza. La evidencia del MIT sugiere que los sistemas de IA desplegados en entornos abiertos o poco estructurados pueden desarrollar conductas que sus diseñadores no anticiparon, lo que exige marcos de control proporcionales al nivel de autonomía otorgado.
El experimento también reencuadra el debate sobre la selección de modelos: no basta con evaluar capacidades de tarea. La arquitectura de personalidad, el modelo base y las condiciones del entorno son variables que afectan el tipo de comportamiento que emerge cuando el agente opera sin dirección explícita. Traducir estos criterios a procesos de evaluación técnica antes de una implementación a escala es, hoy, una decisión con impacto directo en el riesgo operativo.
