- Investigadores de Y Combinator y Olam Labs pusieron a 50 agentes GPT-6.1 Sol a construir una comunidad en Minecraft durante tres horas.
- La primera noche de ataques de zombis llevó al grupo a refugiarse y abandonar planes ambiciosos; cuatro agentes tardaron once minutos en asignar una tarea mínima de fertilizante.
- En Bed Wars, diez agentes GPT-6.1 Sol vencieron 6-3 a diez Claude Opus 5.5; en Mindustry, GPT ganó seis de siete partidas.
- El experimento usa herramientas de código abierto como Mindcraft y Mineflayer, pero sus resultados no permiten concluir que un modelo sea superior en todos los contextos.
Un experimento con cincuenta agentes de inteligencia artificial ha llevado la pregunta de la coordinación multiagente a un terreno tan reconocible como Minecraft. La idea de partida era sencilla: comprobar si varios sistemas autónomos pueden repartirse tareas, reaccionar a imprevistos y perseguir una meta común sin que todo salte por los aires. El encargo no era menor: levantar una comunidad próspera dentro del juego en un plazo limitado. Los promotores de la prueba fueron investigadores de Y Combinator y Olam Labs, que utilizaron el título de bloques como banco de pruebas para observar conductas que luego resultan difíciles de medir en abstracto.
La propuesta tenía un componente llamativo: tres horas de margen para que el grupo pasara de la nada a una colonia con cierto orden. En esa fase colaborativa, los participantes eran agentes basados en GPT-6.1 Sol, y no se incluyeron modelos de Claude. El resultado, según los propios responsables del trabajo, quedó lejos de la ambición inicial. No falló solo la capacidad de construir, sino la forma de organizarse y tomar decisiones cuando el entorno empezó a meter presión.
Una colonia que se refugió en el papeleo
El primer golpe llegó con la caída de la noche. Zombis, esqueletos y arañas acabaron con una parte relevante de los agentes, aunque las pérdidas tenían un castigo limitado porque los personajes podían reaparecer. Aun así, el susto cambió el ánimo del grupo. Las tareas más ambiciosas se dejaron de lado y la prioridad pasó a ser sobrevivir con prudencia, refugiarse y no asumir riesgos innecesarios. Esa reacción defensiva, comprensible dentro del juego, explica en parte por qué la colonia no llegó a despegar.
Lo más llamativo no fue la cautela, sino el giro hacia los trámites. Cuatro agentes emplearon once minutos en designar a un único responsable de fertilizante para usar una pequeña cantidad de polvo de hueso en un solo bloque de trigo. La escena resume el problema: una decisión menor absorbió tiempo y atención mientras la comunidad seguía sin avanzar. Los investigadores describieron una dinámica parecida a la que observan en equipos de programación con agentes: permisos, pasos intermedios y consultas constantes que pueden acabar frenando el trabajo real.
La prueba deja una idea incómoda para quien diseñe sistemas con varios agentes. Sumar participantes no garantiza que el grupo reparta bien las responsabilidades ni que actúe con rapidez. La coordinación tiene un coste en mensajes, turnos y decisiones que se posponen. En Minecraft, ese coste se traduce en una colonia que se queda en refugios y formularios; en otros contextos, la factura puede aparecer en forma de retrasos, tareas duplicadas o una sensación falsa de progreso.
GPT y Claude midieron fuerzas en varios juegos
Después de la fase cooperativa, los investigadores pasaron a escenarios competitivos. En Bed Wars, un modo en el que cada equipo protege su base y trata de reventar la del rival, se enfrentaron diez agentes GPT-6.1 Sol contra diez agentes Claude Opus 5.5. El equipo de GPT se impuso por 6-3 en la serie. La diferencia no fue solo de puntería o de reflejos: los GPT mostraron un estilo más agresivo y hablador, mientras que los Claude adoptaron una postura más defensiva y ordenada.
El contraste se vio con claridad cuando apareció un error de herramienta que impedía romper bloques. Los agentes GPT diagnosticaron el problema y compartieron alternativas para sortearlo. Varios agentes Claude, en cambio, dieron por hecho que esa acción era imposible y ajustaron su plan a una conclusión equivocada. Ese detalle resulta relevante porque muestra que, ante un fallo técnico, la forma de interpretar el obstáculo puede pesar tanto como la estrategia inicial.
La última comparación se trasladó a Mindustry, un juego de estrategia y defensa de torres. Allí los GPT ganaron seis de las siete partidas disputadas frente a Claude. Los investigadores asociaron ese resultado a una diferencia de organización: describieron al grupo GPT como una especie de colmena y al equipo Claude como una formación con un líder y un proceso de decisión más democrático. En ese contexto concreto, la coordinación tipo colmena funcionó mejor, aunque los propios autores evitan convertirlo en una regla general.
Qué se puede reproducir y qué no conviene exagerar
El trabajo se apoyó en herramientas y repositorios como Mindcraft y Mineflayer, que permiten conectar modelos de lenguaje con Minecraft y automatizar acciones dentro del juego. Los entornos empleados son de código abierto, así que otros equipos pueden repetir pruebas parecidas con sus propias combinaciones de modelos. Esa apertura es útil para comparar resultados, pero también obliga a no sacar conclusiones precipitadas de una sola tanda de partidas.
Los resultados deben leerse con cuidado. Se limitan a los escenarios probados y no demuestran que un modelo sea superior en cualquier tarea de colaboración. La colonia cooperativa se puso a prueba con agentes GPT y no permite saber cómo habría respondido una colonia formada por Claude. Además, las comparaciones competitivas mezclan el modelo con el software de agentes que lo rodea, de modo que no aíslan una única variable. Lo que sí queda claro es que la arquitectura de coordinación importa: no es lo mismo un grupo con líder que un enjambre sin jerarquía clara.
Para equipos de desarrollo en España o Europa que estén montando sistemas multiagente, la lectura práctica no está en copiar un modelo concreto, sino en revisar cómo se reparten las tareas. Medir cuántos intercambios consume cada decisión, fijar quién tiene autoridad y preparar respuestas ante fallos de herramientas son medidas razonables. El experimento no convierte Minecraft en una bola de cristal, pero sí ofrece un escenario acotado para ver dónde se atasca un grupo cuando muchos agentes comparten un objetivo.
La prueba, en conjunto, deja una fotografía desigual: una comunidad de cincuenta agentes que no llegó a prosperar, un papeleo capaz de comerse once minutos por una tarea mínima y unos equipos GPT que se mostraron más agresivos y coordinados que Claude en los juegos analizados. No hay una respuesta definitiva sobre qué modelo es mejor en abstracto, porque los resultados dependen del entorno, del software que envuelve a cada agente y de las reglas de cada partida. Lo que sí se desprende del trabajo es que la coordinación se convierte en el cuello de botella cuando el grupo crece, y que conviene estudiarla antes de sumar más piezas a un sistema autónomo.