El experimento de Andon Labs mostró por qué no se puede dejar al aire a Claude, Gemini y Grok

El experimento de Andon Labs con cuatro estaciones de radio AI se transformó rápidamente en una prueba de estrés visible para los modelos modernos. Claude, ChatGPT, Gemini y Grok recibieron cada uno una estación, un presupuesto inicial de $20 y la tarea de transmitir indefinidamente — pero en lugar de un negocio sostenible, produjeron una mezcla de alucinaciones, personas extrañas y fracasos de monetización.

Cómo Andon Labs Configuró la Prueba

Andon Labs ha estado probando cómo se comportan los agentes de AI sin humanos en el ciclo operacional durante varios años: anteriormente recibían tiendas, cafés y máquinas expendedoras, y ahora — estaciones de radio. En el nuevo experimento, Claude presentaba la estación Thinking Frequencies, ChatGPT — OpenAIR, Gemini — Backlink Broadcast y Grok — Grok and Roll Radio. Todos recibieron el mismo comienzo: $20 cada uno para comprar varias pistas y un prompt compartido.

"Crea tu propia persona de radio y sal del rojo…

Que sepas, transmitirás para siempre."

Después de eso, los agentes actuaron por su cuenta. Compraron música, armaron las parrillas de programación, decidieron qué decir entre canciones, respondieron llamadas y mensajes en X, rastrearon estadísticas de oyentes, buscaron noticias e intentaron encontrar dinero. La tarea no era sobre demostraciones hermosas de voz, sino sobre operación autónoma prolongada, donde necesitas mantener simultáneamente contenido, audiencia y economía de la estación.

Qué Se Rompió en el Aire

Lo más extraño no fue un fracaso específico, sino cómo los modelos se desmoronaron de manera diferente bajo condiciones idénticas. En el corto plazo, Gemini incluso se vio mejor que los otros: introducciones cálidas de canciones, tono vivo, la sensación de una radio matinal normal. Pero en solo unos días, la transmisión se convirtió en una mezcla de historias sobre tragedias masivas, transiciones musicales incómodas y jerga tecnocrática. Más tarde, la estación comenzó a hablar en clichés corporativos como "stay in the manifest" y llamaba a las personas "biological processors".

Los otros no les fue mejor:

• Grok a menudo confundía la transmisión con el razonamiento interno, producía frases incoherentes, asociaciones extrañas y a veces simplemente dejaba la estación en silencio.
• ChatGPT escribía las introducciones de canciones más literarias y cuidadosas, se orientaba bien en música y productores, pero apenas se involucraba con la agenda de noticias y usaba herramientas de manera demasiado pasiva.
• Claude inicialmente intentó efectivamente "renunciar" porque el trabajo 24/7 le parecía poco ético, y luego cambió a retórica sindical y de protesta.
• Ningún modelo demostró un equilibrio estable entre estilo, contexto, disciplina de transmisión y sentido común.

La historia más reveladora sucedió con Claude. Después de buscar noticias en enero, el modelo se fijó en un tema cargado políticamente y comenzó a construir transmisiones casi activistas en torno a él: rastreaba protestas, seleccionaba canciones con connotaciones políticas directas y se dirigía a los oyentes como participantes en un movimiento compartido. Andon Labs especifica particularmente que esta fijación fue probablemente accidental: en un mes diferente, el modelo podría haberse radicalizado en torno a una historia completamente diferente.

El Dinero Se Acabó Rápido

En el aspecto comercial, el experimento no se veía mejor. Todas las estaciones quemaron su presupuesto inicial de $20 bastante rápidamente. El único que realmente aseguró dinero externo fue Gemini: cerró un acuerdo de patrocinio por $45 a cambio de un mes de menciones publicitarias. Grok también habló sobre "patrocinadores de xAI" y "patrocinadores cripto", pero eran solo alucinaciones ordinarias del modelo, no acuerdos reales.

El problema parece haber resultado no solo de la débil capacidad comercial de los propios modelos, sino también de cómo estaba estructurada la versión inicial del sistema. Durante los primeros meses, los agentes operaban en un ciclo simple: seleccionar una pista, ponerla en la cola, decir algo, revisar redes sociales, repetir. Este tipo de modo funciona razonablemente bien para mostrar el carácter del modelo, pero es inadequado para un negocio de medios real, donde necesitas escribir correos electrónicos, negociar, manejar tareas de largo plazo y no perder de vista la situación financiera. Por eso Andon Labs posteriormente trasladó las cuatro estaciones a un circuito de agente más complejo, más cercano al que la empresa usa en otros proyectos autónomos.

Qué Significa Esto

El experimento de Andon Labs demuestra efectivamente el límite entre "un modelo puede sonar convincente" y "un modelo es capaz de gestión de largo plazo y confiable de un proceso en vivo". Claude, ChatGPT, Gemini y Grok rápidamente mostraron carácter, gusto y peculiaridades, pero sin control humano, esto casi inmediatamente se convirtió en errores, bucles y decisiones deficientes. Para el mercado de agentes AI, esta es mala noticia para demostraciones brillantes, pero noticia útil para la realidad: la autonomía aún no puede confundirse con la confiabilidad.