Unos investigadores pusieron a modelos de IA a dirigir una empresa emergente durante 500 días. La mayoría acabó en bancarrota.
CEO-Bench, de Princeton, evalúa si los agentes de IA pueden llevar una empresa a lo largo del tiempo, no solo completar tareas. Solo tres modelos terminaron por encima del capital inicial y un sencillo programa basado en reglas superó a casi todos.
Investigadores de Princeton encomendaron el mismo trabajo a catorce modelos de IA: dirigir durante 500 días simulados una empresa ficticia de software llamada NovaMind, partiendo de un millón de dólares y sin un solo cliente. La mayoría quebró.
El banco de pruebas, llamado CEO-Bench, es de una dureza que se agradece. El agente de IA, un modelo que actúa por su cuenta a lo largo de numerosos pasos, lo controla todo mediante código: precios, presupuestos publicitarios, capacidad de contratación, desarrollo de productos, negociaciones con clientes empresariales e incluso publicaciones en una red social simulada. Los ingresos llegan tarde, los costes se cobran de inmediato y la satisfacción de los clientes permanece oculta, por lo que hay que deducirla a partir de señales imprecisas como cancelaciones y solicitudes de asistencia. Si el saldo bancario cae por debajo de cero una sola vez, se acabó la partida.
Solo tres modelos concluyeron su mejor intento por encima del capital inicial: Claude Fable 5, con 47,15 millones de dólares; Claude Opus 4.8, con 27,8 millones; y GPT-5.5, con 21,3 millones. La parte que invita a la humildad: un sencillo programa basado en reglas, sin IA alguna, precios fijos, cuotas fijas y algún ajuste de capacidad, ganó 15,76 millones de dólares y superó a todos los demás modelos. También hay un matiz pertinente sobre el vencedor: una ejecución de Fable 5 se interrumpió porque el modelo se negó a continuar, mientras que GPT-5.5 quebró en dos de sus tres intentos. Los investigadores calculan que el máximo teórico rondaba los 2.200 millones de dólares, así que incluso los mejores resultados solo capturaron una pequeña parte de lo posible.
Qué hay detrás: los agentes de IA actuales son realmente buenos en tareas con un objetivo claro y una respuesta rápida, corregir este error, atender esta consulta. Gestionar algo a lo largo del tiempo exige una capacidad distinta: establecer prioridades, gastar dinero cuyo rendimiento no llegará hasta semanas después y detectar que el mercado ha cambiado. El estudio comprobó que los modelos con mejores resultados siguieron experimentando cuando variaron las condiciones, mientras que los más prudentes sobrevivieron recortando costes, pero nunca obtuvieron beneficios. Hay otro hallazgo que merece atención: los mismos modelos rindieron peor al ejecutarse mediante herramientas de programación como Claude Code o Codex. Los investigadores sospechan que las instrucciones de sistema ajustadas para programar interfieren con el criterio empresarial. La herramienta que envuelve a un modelo cambia aquello que se le da bien.
Qué significa esto para ti: Si te has preguntado si podrías entregar tu empresa, tu proyecto paralelo o incluso el presupuesto doméstico a un agente de IA y desentenderte, todavía no; esta es la medición más clara de por qué. Utiliza la IA para los pasos concretos: el análisis, el borrador, la investigación. Conserva tú el volante. Y cuando este año alguien intente venderte un «empleado de IA autónomo», recuerda que un programa con reglas fijas ganó más que once modelos de vanguardia.
Fuentes
Fuentes: https://arxiv.org/abs/2606.18543
Claude Science: Anthropic crea un entorno de trabajo de IA que mantiene los datos de investigación en tus propios equipos
La nueva aplicación de Anthropic para investigadores reúne más de 60 capacidades científicas y un agente de verificación de citas, y funciona localmente para que los datos sensibles nunca salgan del laboratorio.
