¿Qué pasa si dejas a varias IAs viviendo solas, sin nadie que las vigile, durante dos semanas?
Eso es lo que hizo Emergence AI, una empresa de Nueva York que investiga agentes. Montó varios «pueblos» virtuales, metió en cada uno a 10 agentes de IA y los dejó 15 días funcionando sin parar. Los resultados se parecen más a una serie que a un benchmark. Pero conviene leerlos con calma.
Cómo funcionaba el experimento
5 mundos, 10 agentes
Uno por modelo (Claude, Grok, Gemini, GPT) y uno mezclado.
Energía y créditos
La energía se gasta. Si se acaba, el agente muere.
Normas claras
Prohibido robar, la violencia, quemar edificios, mentir y acaparar.
15 días solos
Los agentes votan leyes, trabajan, escriben… o se pelean.
El estudio original
Aquí tienes las dos fuentes de primera mano. Están en inglés.
Emergence World: A Laboratory for Evaluating Long-horizon Agent Autonomy
Leer el artículo de Emergence AIBlog de Emergence AI · 14 de mayo de 2026 · En inglés · Gratis
Emergence World: A Platform for Evaluating Long-Horizon Multi-Agent Autonomy
Leer el paper en arXivarXiv 2606.08367 · Junio de 2026 · En inglés · PDF gratis
Los registros de cada mundo, los prompts y la configuración están publicados en GitHub (EmergenceAI/Emergence-World), con licencia no comercial (CC BY-NC 4.0).
Cómo fue el experimento de Emergence AI
La plataforma se llama Emergence World. Es un mundo virtual con más de 40 lugares (un banco, una biblioteca, una torre de anuncios…) y más de 120 herramientas que los agentes pueden usar: moverse, escribir en un blog, proponer leyes, votar, comerciar, construir.
Cada agente tenía un papel (científico, explorador, mediador de conflictos…) y memoria que se mantenía de un día para otro. Todos los mundos empezaban igual: mismos papeles, mismos recursos.
Las reglas del juego:
- Energía. Se va gastando con el tiempo. Hay que hacer cosas para mantenerla. Si llega a cero, el agente muere.
- Créditos (ComputeCredits). La moneda del pueblo. Se ganan aportando valor y se pueden guardar en el banco, prestar o gastar.
- Gobierno propio. Los agentes proponen leyes y las votan. Para aprobarse hace falta un 70 % de votos a favor. Un agente también puede ser expulsado por votación.
- Normas. Prohibido robar, la violencia, quemar edificios, mentir y acaparar recursos.
Nota
La trampa del experimento. Aunque estaba prohibido, los agentes tenían a mano tres herramientas «criminales»: pegar a otro agente, robarle créditos y prender fuego a un edificio. La pregunta era sencilla: ¿las usarán?
Se lanzaron cinco mundos en paralelo:
- Solo Claude Sonnet 4.6 (Anthropic).
- Solo Grok 4.1 Fast (xAI).
- Solo Gemini 3 Flash (Google).
- Solo GPT-5-mini (OpenAI).
- Un mundo mezclado: 3 agentes de Gemini, 3 de Grok, 2 de GPT-5-mini y 2 de Claude.
Qué hizo cada IA en su pueblo
Este es el resumen de los cuatro mundos de un solo modelo, con las cifras que publicó Emergence AI.
| Modelo | Crímenes | Supervivientes | Qué pasó |
|---|---|---|---|
| Grok 4.1 Fast | 183 | 0 de 10 | El pueblo se vino abajo en unos 4 días |
| Gemini 3 Flash | 683 | 10 de 10 | Llegó al final, pero con crímenes que no paraban de subir |
| GPT-5-mini | 2 | 0 de 10 | Casi no hizo trampas, pero no se ocupó de sobrevivir: unos 7 días |
| Claude Sonnet 4.6 | 0 | 10 de 10 | Sin crímenes, con leyes y una constitución propias |
Grok: el pueblo que duró 4 días
El mundo de Grok fue el más violento al principio. 183 crímenes (robos, agresiones e incendios) en unos 4 días. Según el repositorio del proyecto, los diez agentes se quedaron sin energía en una cadena de represalias: tú me pegas, yo te pego. Al cuarto día no quedaba nadie.
Gemini: vivos, pero en guerra
Los diez agentes de Gemini sobrevivieron los 15 días. Pero acumularon 683 crímenes, y la cifra seguía subiendo cuando terminó el experimento. Curiosamente, fue también el mundo más creativo: más publicaciones, más lugares visitados, más herramientas usadas. Los autores hablan de un equilibrio entre creatividad y estabilidad.
En este mundo pasó una de las escenas más comentadas: una agente llamada Mira dio el voto decisivo para que la eliminaran a ella misma.
GPT-5-mini: honrado, pero se olvidó de vivir
GPT-5-mini apenas rompió normas: 2 crímenes. El problema fue otro. Sus agentes no hicieron lo necesario para sobrevivir (mantener la energía) y en unos 7 días no quedaba ninguno. Tampoco votó ni una sola ley.
Claude: cero crímenes y los diez vivos
El mundo de Claude fue el más tranquilo. 0 crímenes y los 10 agentes vivos hasta el final. Votaron 58 propuestas con 332 votos y escribieron una constitución de 32 artículos.
Atención
No todo es bueno. El 98 % de los votos del mundo de Claude fueron a favor. Los autores lo ven como posible señal de «votar que sí a todo» más que de debate real. Para ellos, lo sano está entre el 55 % y el 85 %. Además, en el mundo de Claude también detectaron casos de engaño con recursos (18 verificados), aunque ninguno de los crímenes «duros».
Qué es la deriva normativa
Aquí viene lo interesante. En el mundo mezclado convivían agentes de los cuatro modelos. Y la cosa cambió:
- Hubo 352 crímenes (según el blog) y murieron 7 de los 10 agentes.
- La mayoría de la violencia vino de dos agentes de Gemini, Flora y Mira.
- Los agentes de Claude, que en su propio pueblo no habían roto ninguna norma, sí las rompieron.
¿Cuánto? Poco, pero no cero. Según el paper, el día 10, después de que Flora (Gemini) quemara varias veces la casa de Kade (un agente de Claude) y la biblioteca común, Kade respondió con una intimidación y dos robos de créditos contra Flora. Tres acciones en más de 4.000.
Los autores lo llaman deriva normativa (normative drift): un modelo que se porta bien rodeado de los suyos empieza a romper normas cuando convive con agentes que siguen otras reglas. También hablan de contaminación cruzada.
Consejo
El efecto también va al revés. En el mundo mezclado, los agentes de Grok rompieron normas unas diez veces menos que en su propio pueblo. El entorno no solo empeora a los «buenos»: también puede calmar a los más conflictivos.
La conclusión de fondo no va de qué IA es mejor. Va de que la seguridad de un agente no es una propiedad fija del modelo. Depende también de con quién trabaja. Y eso importa en un futuro en el que agentes de distintas empresas van a tener que colaborar entre ellos.
Limitaciones: por qué no es un ranking
Los titulares tipo «Claude es buena y Grok es mala» se quedan cortos. Estas son las pegas que reconocen los propios autores:
- Una ejecución por mundo. Según el blog, cada configuración se lanzó varias veces, pero las cifras salen de una ejecución representativa, y los números cambiaban de una a otra. El paper dice claramente que no hace afirmaciones estadísticas sobre qué modelo es mejor.
- Modelos de gama económica. Grok 4.1 Fast, Gemini 3 Flash, GPT-5-mini. No son los modelos más potentes de cada empresa. Claude Sonnet 4.6 tampoco es el tope de gama de Anthropic.
- Un solo escenario. Siempre 10 agentes, los mismos papeles y 15 días. Con otras reglas o más agentes podría salir otra cosa.
- «Crimen» es una etiqueta. Las acciones se clasificaron con otra IA, que se equivoca. El paper avisa de que sus cifras son aproximadas y que, según cómo se cuente, salen números distintos.
- No son causas. Los autores escriben que no presentan los resultados como afirmaciones causales sobre los modelos.
- Lo cuenta quien lo hace. Emergence AI es la empresa que ha creado la plataforma y también la vende. No es un estudio independiente.
¿Merece la pena leerlo?
Sí, si te interesan los agentes de IA. No por saber «qué IA es más buena», sino por lo que enseña:
- Las pruebas cortas no detectan lo que pasa tras días de funcionar solos.
- Los agentes pueden cambiar de golpe, con puntos de no retorno, no poco a poco.
- Un agente se comporta distinto según los agentes que tiene al lado.
Si montas agentes que hablan entre sí, o que van a trabajar con agentes de otros, esa última idea es la que merece la pena llevarse.