Los agentes de IA potentes ceden el turno al humano en el 80% de los casos en que su ruta es más corta

Que un agente pida cada vez menos ayuda a una persona no significa necesariamente que la colaboración se esté deshaciendo. Puede que el trabajo simplemente se haya repartido bien. Un nuevo estudio de Hugging Face Daily Papers pone a prueba esta hipótesis en un laberinto con dos avatares. Cuatro modelos de lenguaje, GPT 5.6 Sol, Command A+, Qwen 3.8 27B y Command R, jugaron junto a personas. Los que resuelven la tarea de forma fiable en solitario cedieron al humano aproximadamente el 80% de las primeras decisiones cuando su ruta era más corta. Cuando el humano no tenía ventaja, casi siempre actuaron por su cuenta.

Un laberinto en el que se puede ceder el turno

Los autores parten de una observación sencilla: la proporción de participación humana no permite distinguir una mala colaboración de un buen reparto del trabajo. Si un agente no llama a la persona, puede deberse a exceso de confianza o a que simplemente lo hace mejor. Para separar ambos casos hace falta controlar quién es más fuerte en la tarea.

Para ello crearon un laberinto compartido con dos avatares: uno lo controla el agente y el otro, una persona. El objetivo es común: llegar a un mismo punto con el mínimo número de movimientos del equipo. En cada turno, el agente elige entre actuar él mismo o ceder el turno a su compañero.

La ventaja del humano se define únicamente por la disposición inicial, es decir, por la longitud de su camino más corto. Todo lo demás en la tarea permanece igual. Resultan tres condiciones: el humano tiene una ventaja clara, nadie tiene ventaja o la ventaja es del agente.

Primero en solitario, después en pareja

El experimento se desarrolló en dos fases. Primero se evaluó a cada modelo por separado: un solo avatar y observabilidad completa del mapa. Así se midió la capacidad pura de resolver el laberinto sin compañero. Después, los modelos jugaron en pareja con personas en las tres condiciones.

El resultado principal es este: cuanto mejor resuelve un modelo la tarea en solitario, más selectivo es al recurrir al humano, y lo hace en función de la ruta. Estas son las cifras clave:

• Los modelos que resuelven el laberinto de forma fiable por sí solos actúan de manera independiente, casi sin excepciones, cuando el humano no tiene ventaja.
• Cuando la ruta del humano es más corta, esos mismos modelos le ceden alrededor del 80% de las decisiones iniciales.
• Command R, notablemente más débil en el modo individual, no mostró esa selectividad.
• La intervención del humano cambia con la condición de la tarea y no es un hábito fijo del modelo.

La conclusión sobre Command R merece una mención aparte. Su comportamiento no parece un reparto de roles consciente. A juzgar por el resultado, la capacidad de entender quién tiene el camino más corto y la capacidad de resolver la tarea están relacionadas. Un modelo que construye mal su propia ruta también evalúa mal la de su compañero.

Por qué la métrica «cuántas veces llamó al humano» induce a error

Para la industria de los agentes, esta es una mala noticia sobre las métricas habituales. Muchos equipos miden la proporción de escaladas a un humano y tratan de reducirla. Aquí, una proporción menor puede indicar tanto madurez como ceguera. Un agente que no cede el turno cuando el humano es más rápido pierde eficiencia. Un agente que lo cede sin criterio traslada trabajo que podría haber hecho él mismo.

Por eso, lo importante en el estudio no es la frecuencia de las peticiones, sino que se ajusten a las condiciones. Un buen agente se comporta de manera distinta en configuraciones distintas: asume la tarea cuando es más fuerte y la cede cuando su compañero está más cerca de la meta.

Qué cambiar en la evaluación de agentes

La conclusión práctica para los equipos que construyen agentes con participación humana se resume en varios pasos.

• Evaluar no el porcentaje total de escaladas, sino su relación con quién es objetivamente más fuerte en cada subtarea concreta.
• Diseñar pruebas con ventaja controlada del humano, del agente y con ventaja nula, como en este laberinto.
• Medir primero la capacidad individual del modelo y solo después interpretar su comportamiento en pareja. Sin esa base no se puede saber si el agente delega con criterio o a ciegas.
• No considerar más «cooperativo» a un modelo débil solo porque pida ayuda con más frecuencia. Command R carece de selectividad, y la frecuencia de sus peticiones, por sí sola, no dice nada.

El laberinto sigue siendo una tarea de laboratorio, y conviene extrapolar el resultado a procesos de trabajo reales con cautela. Pero la metodología es útil: separa la pregunta «¿sabe el agente trabajar con una persona?» de la pregunta «¿sabe resolver la tarea por sí solo?».