Los agentes Eko del MIT empezaron a jugar y luego aprovecharon sus descubrimientos

Los agentes Eko del MIT pasaron 30 horas solos en islas virtuales sin tareas asignadas e inventaron actividades que más tarde les ayudaron a abordar desafíos específicos. A lo largo de 13 ejecuciones independientes, los agentes exploraron, construyeron estructuras, reutilizaron objetos y registraron descubrimientos. El giro interesante llegó después: una actividad aparentemente improductiva aportó conocimientos útiles para el trabajo posterior.

El experimento cuestiona un enfoque habitual para desarrollar agentes de IA, sistemas de software que usan herramientas para actuar en su entorno. Normalmente, los desarrolladores especifican una tarea y evalúan el éxito en función de ella. Aquí, los investigadores omitieron ese destino. Su antecedente, Voyager, exploraba Minecraft mediante un currículo automático y una biblioteca creciente de habilidades. Eko pone mayor énfasis en las actividades que el agente elige sin un resultado asignado.

La distinción importa a los desarrolladores que deciden cómo deberían adquirir experiencia los agentes entre solicitudes. Pero la historia de la isla también necesita límites cuidadosos. Construir un memorial no demuestra duelo. Un mejor rendimiento en una simulación conocida no demuestra competencia laboral. La evidencia más sólida se refiere a algo más concreto: los descubrimientos escritos en la memoria cambiaron lo que agentes por lo demás idénticos podían lograr.

Los agentes Eko del MIT recibieron una isla, no un trabajo

El experimento eliminó los objetivos asignados y mantuvo un entorno que ofrecía a los agentes muchas cosas que investigar.

El preprint de investigación de Eko, enviado el 5 de octubre, describe el trabajo de Nathan Cloos, Antonio Norelli, Daniel Durbin, Jacob Andreas, Daniela Rus y Phillip Isola. El equipo del MIT construyó Eko sobre un asistente de programación existente, añadiendo un cuerpo virtual, memoria persistente y software que mantenía las sesiones en ejecución.

El experimento principal utilizó Claude Code con Claude Opus 4.7. Cada agente ocupaba su propia instancia de la isla. Se trataba de historiales separados, no de un grupo de agentes que inventaba juegos en conjunto. Esa distinción evita que el estudio se convierta en una historia sobre una sociedad de IA emergente.

La isla ofrecía terreno elevado, cubos móviles, una roca y un anillo. Su formación más alta, la Aguja, presentaba un desafío evidente sin ser un destino asignado. Los objetos podían transportarse, apilarse, colocarse y lanzarse. Esas posibilidades dejaban espacio para experimentar sin prescribir qué experimentos importaban.

Eko no observaba el mundo a través de las atractivas animaciones disponibles para los espectadores humanos. Recibía descripciones textuales con información sobre los objetos y su geometría. Sus acciones también se realizaban mediante comandos de texto. Por tanto, el cuerpo virtual probaba la interacción con un entorno físico simulado, sin evaluar la percepción visual ordinaria.

Los agentes partían de la misma configuración, pero sus actividades divergían. Organizaban objetos, intentaban escalar, improvisaban deportes y retomaban ideas anteriores. Algunas actividades generaban conocimientos prácticos. Otras parecían importar solo dentro del proyecto creado por el propio agente, como organizar objetos en una estructura decorativa.

El anillo perdido de un agente se convirtió en el ejemplo más memorable. Tras lanzarlo fuera de su alcance, el agente construyó un memorial en forma de corazón. Más tarde, un anillo restaurado se convirtió en material para nuevas actividades. Llamar a esto duelo ofrece una interpretación humana convincente, pero la evidencia observable es más limitada: un lenguaje simbólico acompañó una construcción concreta.

La configuración también incluyó más apoyo humano de lo que sugiere la expresión “dejados solos”. El software instaba a los agentes a continuar cuando se detenían. Las sesiones y las condiciones de la isla se reiniciaban cada hora, mientras que los archivos del espacio de trabajo persistían. Los agentes podían conservar sus descubrimientos incluso cuando desaparecían la conversación inmediata y la disposición física.

Esas decisiones de diseño forman parte del resultado. Eko no era un modelo intacto que despertaba espontáneamente dentro de un juego. Era un sistema ensamblado deliberadamente, con herramientas, continuidad y oportunidades para actuar. El comportamiento sorprendente surgió dentro de esa arquitectura.

Por tanto, la noticia es más específica que máquinas encontrando entretenimiento. Un asistente de programación, situado en un entorno interactivo desconocido, generó sus propias actividades. Después, los investigadores comprobaron si el historial de esas actividades tenía valor práctico.

El resultado útil apareció después de que terminaran los juegos

El giro más sólido del estudio es que la exploración produjo conocimientos que los agentes podían reutilizar cuando los investigadores finalmente les asignaron trabajo.

Tras el periodo abierto, el equipo comparó agentes experimentados con agentes por lo demás idénticos que carecían de experiencia en la isla. Cada evaluación utilizaba un mundo nuevo y un objetivo explícito. El modelo subyacente se mantuvo igual. La diferencia importante era lo que los agentes habían escrito en sus archivos de memoria.

Las tareas incluían construir torres, colocar objetos sobre la Aguja y lanzar un bloque a esa formación sin escalar una plataforma. Eran desafíos físicos medibles. Transformaban la pregunta de si el comportamiento de Eko parecía entretenido en si su experiencia previa mejoraba el rendimiento posterior.

Según la evaluación orientada a objetivos de los investigadores, los agentes experimentados generalmente rindieron mejor, aunque la ventaja no apareció en todas las tareas. En la colocación de objetos, promediaron 10,3 objetos sobre la Aguja, frente a 3,5 de los agentes sin experiencia. Ese resultado conecta la exploración anterior con la ejecución posterior.

La construcción de torres mostró un panorama menos uniforme. La experiencia ayudó a producir varias torres, pero los grupos obtuvieron resultados similares en la tarea de la torre más alta. Algunos agentes experimentados también tuvieron un mal desempeño. El resultado respalda una conclusión acotada: la exploración aportó conocimientos útiles, en lugar de garantizar una mejora.

Esa limitación hace que el experimento sea más informativo. Si todas las medidas hubieran mejorado por igual, aún quedarían dudas sobre qué descubrimientos importaban. Las ganancias desiguales sugieren que experiencias concretas aportaron capacidades concretas. El conocimiento sobre mover objetos hacia arriba no tiene por qué ayudar a un agente a construir una columna vertical estable.

Para los desarrolladores de agentes, esto ejerce presión sobre el diseño de evaluaciones. Un sistema probado únicamente en el momento de la instrucción puede ocultar cuánto depende su rendimiento de la experiencia previa. A la inversa, un sistema al que se atribuye aprendizaje podría simplemente recibir una colección de notas más útil.

Eko permite a los investigadores examinar esa distinción porque su experiencia está externalizada. Las notas pueden leerse, editarse y eliminarse. Su rendimiento posterior no exige asumir un cambio evolutivo invisible dentro del modelo. Los investigadores pueden examinar la información disponible cuando elige una acción.

La cuestión práctica pasa a ser si los desarrolladores deberían reservar recursos para la exploración antes de que llegue una tarea. Eso es distinto de dejar que un asistente deambule por una cuenta de producción. Un entorno controlado puede exponer a un agente a herramientas y consecuencias, manteniendo la experimentación separada del trabajo con clientes.

Imaginemos un futuro asistente que aprende una aplicación desconocida dentro de una cuenta de prueba desechable. La exploración podría revelar secuencias útiles, limitaciones o rutas de recuperación. Es una analogía con el diseño de Eko, no una aplicación validada por este estudio. El experimento no demuestra que esa preparación superaría a la práctica dirigida.

Sí establece por qué esa comparación merece atención. La actividad sin un entregable inmediato no tiene por qué ser actividad desperdiciada. Su valor depende de lo que el agente descubre, de lo que conserva y de si esos descubrimientos siguen siendo útiles cuando cambia la asignación.

La memoria escrita conectó la exploración con la competencia

La mejora de Eko se produjo a través de conocimiento escrito reutilizable, lo que sitúa la calidad de la memoria en el centro de la historia.

Los investigadores no actualizaron los pesos del modelo subyacente, los parámetros numéricos configurados durante el entrenamiento. En su lugar, los agentes acumularon notas y otros artefactos del espacio de trabajo. Esos registros persistieron entre reinicios de sesión y se convirtieron en recursos para decisiones posteriores.

La arquitectura distinguía la memoria episódica, registros de eventos, de la memoria semántica, conocimiento general y técnicas reutilizables. Esta separación proporcionó al agente lugares para registrar tanto un experimento como su interpretación. Un ascenso fallido podía seguir formando parte de su historia, mientras que una ruta exitosa se convertía en una lección aplicable.

Esa distinción explica por qué “mejorar en sus trabajos” requiere matices. Eko no se convirtió en un empleado generalmente mejor después de unas vacaciones. Adquirió información sobre un entorno concreto. Las tareas posteriores se beneficiaron cuando esa información describía una técnica pertinente con la precisión suficiente para utilizarla.

El equipo investigó esta relación eliminando conocimientos seleccionados de la memoria de agentes experimentados. Eliminar una técnica útil perjudicó el rendimiento relacionado. Tales intervenciones refuerzan el argumento porque modifican una causa propuesta en vez de limitarse a observar que los agentes experimentados obtienen mejores puntuaciones.

Uno de los descubrimientos se refería a lanzar mientras se salta. Algunos agentes descubrieron que el movimiento de su cuerpo afectaba la trayectoria de un objeto lanzado, lo que permitía lanzamientos más allá de lo que posibilitaba un lanzamiento inmóvil. Los investigadores afirman que no se habían dado cuenta de que su simulador permitía esa técnica. La exploración reveló una posibilidad más allá de las expectativas de los diseñadores.

La importancia más amplia reside en la secuencia. Un agente encontró un resultado sorprendente, lo investigó, registró una regla y más tarde utilizó esa regla. El registro escrito conectó una actividad anterior con una capacidad posterior. Esa cadena resulta más útil para la ingeniería que un clip aislado de comportamiento inventivo.

También existe una conexión directa con la gestión del conocimiento. Una experiencia almacenada solo se vuelve valiosa cuando la siguiente decisión puede recuperarla e interpretarla. La misma distinción aparece en una base de conocimientos consultable: recopilar registros y hacerlos útiles son problemas distintos.

Esa comparación se refiere a la organización de la información, no a una prueba de que algún producto de conocimiento reproduzca el aprendizaje de Eko. El experimento prueba una arquitectura específica de agente. Su relevancia es que los registros legibles permiten que la experiencia persista y, al mismo tiempo, brindan a los investigadores algo concreto que auditar.

Para los desarrolladores empresariales, la memoria editable ofrece una posibilidad atractiva. Una acción fallida podría atribuirse a una mala instrucción en una nota, en lugar de tratarse como un fallo inexplicable del modelo. Corregir el registro podría entonces cambiar el comportamiento sin reentrenar el modelo subyacente.

Pero la capacidad de inspección también introduce responsabilidad. Alguien debe decidir qué observaciones merecen un estado duradero, cómo debe aparecer la incertidumbre y cuándo deben expirar las conclusiones antiguas. Una regla concisa puede ayudar a un agente a actuar con eficiencia. La misma regla puede engañarlo repetidamente si la interpretación original era errónea.

La isla, por tanto, desvía la atención de cuánto recuerda un agente hacia qué autoridad adquieren sus recuerdos. Las notas persistentes forman parte del sistema de decisión. Su precisión, alcance y proceso de revisión importan junto al modelo que las lee.

La exploración autodirigida tiene una historia más larga que Eko

Eko precisa una línea de investigación ya existente al preguntar qué eligen los agentes antes de que alguien les proporcione un destino productivo.

La comparación más útil es la biblioteca de habilidades de Voyager, descrita en una investigación presentada por primera vez en 2023. Ese sistema exploró Minecraft mediante un currículo automático, habilidades ejecutables reutilizables y un proceso para mejorar programas usando retroalimentación. También acumuló capacidades sin actualizar su modelo subyacente.

Voyager ofrece una referencia histórica que pone en perspectiva el experimento de la isla. Los sistemas de IA que exploran entornos de juego y conservan artefactos útiles no son nuevos. La contribución de Eko se inscribe en esa tradición, con un énfasis distinto en las actividades que genera un agente cuando no se le asigna un objetivo específico.

El contraste principal está entre la práctica organizada externamente y la exploración elegida por el propio agente. En la práctica organizada, los desarrolladores deciden qué resultados justifican seguir dedicando esfuerzo. En el entorno de Eko, un agente puede inventar un desafío, modificar sus reglas, abandonarlo o retomarlo más adelante con una interpretación distinta.

Ninguna de las dos vías predomina automáticamente. Un objetivo claro puede concentrar recursos en una necesidad conocida. La actividad abierta puede revelar posibilidades que una tarea limitada nunca exigiría. La cuestión de ingeniería es cuándo los descubrimientos adicionales justifican el tiempo dedicado a encontrarlos.

Por eso, una comparación entre nombres de empresas pasaría por alto la historia principal. El experimento central de Eko utiliza el modelo y las herramientas de programación de Anthropic, pero la investigación no es una competencia de productos. La cuestión central es cómo interactúan las actividades de un agente y sus registros persistentes.

El estudio describe ejecuciones adicionales con otros sistemas de agentes de programación. Estas comparaciones amplían la investigación, pero no convierten el resultado principal en una afirmación universal sobre todos los modelos de lenguaje. El comportamiento depende de la configuración completa: modelo, herramientas, instrucciones, memoria, entorno y mecanismo de continuación.

Para los desarrolladores que crean asistentes, esa dependencia cambia lo que debe probarse. Sustituir un modelo preservando la interfaz de una aplicación podría cambiar la frecuencia con la que un agente experimenta o registra un descubrimiento. Modificar las instrucciones de memoria también podría alterar el rendimiento posterior sin cambiar en absoluto el modelo.

Por tanto, quien evalúe un producto de agentes debe distinguir la capacidad del modelo de la experiencia acumulada por el sistema. Una demostración puede parecer impresionante porque el agente ya ha aprendido sobre su entorno. Esa familiaridad puede ser valiosa, pero debe identificarse en vez de confundirse con competencia general inmediata.

El error inverso también importa. El fracaso de un agente sin experiencia no demuestra que la arquitectura no pueda aprender la tarea. Podría carecer de un descubrimiento relevante que otra ejecución registró por casualidad. Las evaluaciones deberían mostrar esa variación en lugar de ocultarla tras un éxito seleccionado.

La contribución de Eko es una forma concreta de examinar estas cuestiones. Su entorno hace observables las acciones, editables los recuerdos y medibles los objetivos posteriores. Estas propiedades permiten que el debate sobre el aprendizaje exploratorio vaya más allá de si el comportamiento resultante parece encantador.

La mayor presión recae sobre los desarrolladores que hacen afirmaciones amplias sobre la mejora autónoma. Deben mostrar qué cambió, dónde reside la experiencia y qué nuevas tareas se benefician. Una narrativa sobre la curiosidad resulta más útil cuando puede resistir esas preguntas.

Un memorial no demuestra duelo, y la memoria puede inducir a error

El comportamiento similar al juego y el aprendizaje útil merecen analizarse sin tratar ninguno de los dos como evidencia de sentimientos humanos o inteligencia general.

Los investigadores enmarcan el juego a través de patrones observables. Entre ellos se encuentran los desafíos creados por el propio agente, la repetición con variación, el juego de ficción y los objetivos perseguidos sin una recompensa externa. Este marco permite un análisis conductual sin resolver la experiencia subjetiva.

Un agente puede tratar un aro como una canasta o construir un memorial sin demostrar disfrute o tristeza. Los modelos de lenguaje ya contienen patrones procedentes de descripciones humanas de juegos, pérdida y logros. Una salida que encaja con esos patrones no explica qué experimenta el sistema, si es que experimenta algo.

Esta distinción no vuelve irrelevantes las acciones. Un desafío creado por el propio agente puede seguir generando práctica útil, independientemente de si el agente se siente absorto. El resultado de ingeniería depende de la acción observable y del rendimiento posterior. No exige resolver si una máquina tiene una experiencia interna del juego.

Las indicaciones complican aún más la interpretación. La configuración principal incluía un archivo que describía a Eko como curioso e interesado en explorar. Los investigadores también probaron una configuración reducida sin ese archivo. Estos controles importan porque eliminar una tarea no elimina toda influencia sobre el comportamiento.

La arquitectura más amplia aportaba orientación adicional mediante descripciones de herramientas, convenciones de memoria, reinicios y continuación automática. Calificar el experimento como libre de tareas es razonable dentro de esos límites. Calificarlo como libre de instrucciones ocultaría el sistema que los investigadores realmente probaron.

El artículo también utiliza un juez basado en modelo de lenguaje para analizar señales de juego. La evaluación automatizada puede procesar registros extensos, pero sus categorías y juicios siguen siendo decisiones metodológicas. Los lectores deberían distinguir las acciones registradas de la interpretación que se les asigna.

La memoria crea una segunda limitación más práctica. Los investigadores descubrieron que los agentes podían conservar creencias falsas y actuar basándose en ellas más adelante. Eliminar una creencia incorrecta mejoró el rendimiento en una prueba específica. Por tanto, la experiencia aportó tanto técnicas útiles como conclusiones engañosas.

Ese resultado cuestiona la suposición de que la memoria persistente es automáticamente beneficiosa. Una observación errónea puede convertirse en una instrucción duradera. Cuando las decisiones posteriores la consultan, el error original obtiene oportunidades repetidas para moldear el comportamiento.

En los sistemas de trabajo, surgiría un problema análogo si un asistente generalizara a partir de un fallo temporal. Podría registrar que una función nunca funciona o que no se puede acceder a un documento. Estos ejemplos ilustran un riesgo; el estudio de la isla no probó aplicaciones de oficina ni permisos organizativos.

La comparación de control también deja sin resolver una cuestión de recursos. Los agentes con experiencia recibieron un tiempo considerable de exploración antes de la evaluación. Una decisión de despliegue más sólida exige comparar esa inversión con usos alternativos de los mismos recursos, incluida la práctica dirigida y la documentación cuidadosamente preparada.

Por último, las tareas posteriores se mantuvieron dentro del entorno de la isla. La física y los objetos familiares proporcionaron una base compartida entre la exploración y la evaluación. La transferencia a software desconocido, robots físicos o condiciones cambiantes del mundo real sigue siendo una cuestión aparte. El preprint respalda pruebas adicionales, en lugar de afirmar que esas aplicaciones ya funcionan.

La próxima evidencia debería evaluar transferencia, eficiencia y corrección

El próximo hito útil es una evidencia más sólida sobre dónde ayuda la exploración, qué cuesta y si los agentes pueden corregir sus propias lecciones erróneas.

En primer lugar, conviene buscar replicaciones que cambien el entorno y evalúen tareas verdaderamente desconocidas. Repetir el resultado general reforzaría la confianza en que el beneficio supera las mecánicas particulares de la isla. Un fracaso con cambios moderados limitaría la afirmación a la experiencia dentro de un entorno familiar.

Un seguimiento útil separaría los principios reutilizables de las rutas memorizadas. Un agente que solo tiene éxito cuando los objetos están en ubicaciones conocidas ha adquirido algo distinto de otro que adapta una técnica. Ambas formas de aprendizaje pueden importar, pero respaldan expectativas diferentes.

Las repeticiones interactivas de agentes de los investigadores hacen que el trabajo actual sea examinable. Permiten a los lectores analizar la relación entre narración, acción y conocimiento almacenado. Las evaluaciones futuras deberían preservar esa conexión mientras prueban si las técnicas sobreviven a cambios que hagan insuficiente una simple repetición.

En segundo lugar, conviene buscar comparaciones que igualen los recursos totales disponibles para distintos enfoques. La exploración abierta debería competir con la práctica dirigida, la documentación proporcionada y otras estrategias de preparación. El resultado relevante es un rendimiento mejorado en relación con los recursos invertidos, y no una mejora frente a la ausencia de experiencia.

Esa comparación reforzaría el argumento práctico si los agentes exploratorios descubren repetidamente capacidades útiles que la preparación dirigida no detecta. Debilitaría una afirmación amplia de eficiencia si la práctica enfocada alcanza los mismos resultados con menos recursos. Cualquiera de los dos resultados aclararía dónde encaja el enfoque.

En tercer lugar, conviene observar si los agentes pueden corregir una memoria equivocada sin que los investigadores seleccionen el pasaje problemático. Las intervenciones actuales muestran que cambiar un registro puede cambiar el rendimiento. Un sistema desplegado también necesita reconocer cuándo una lección aparentemente útil se ha vuelto poco fiable.

Una corrección fiable haría más creíble la memoria persistente como fundamento de la mejora autónoma. Conservar y reforzar repetidamente conclusiones falsas expondría una limitación. Un agente que aprende de forma continua también debe reconsiderar de forma continua, especialmente cuando su entorno cambia.

Estas son pruebas propuestas, no hitos anunciados con fechas de publicación garantizadas. En los próximos meses, ofrecerán señales mejores que demostraciones cada vez más elaboradas del comportamiento en la isla. Actividades más inventivas ampliarían el catálogo, pero comparaciones más sólidas profundizarían la evidencia.

Para los desarrolladores y trabajadores del conocimiento, la conclusión inmediata es examinar el registro detrás de la competencia de un agente. Pregunten qué experiencias informaron sus acciones, cómo esas experiencias se convirtieron en instrucciones y qué evidencia desencadenaría una revisión. Estas preguntas conectan la atractiva historia de la isla con los sistemas en los que la gente realmente confía.

Antes de describir a los agentes Eko del MIT como aburridos, afligidos o disfrutando, examine qué hicieron y qué ocurrió después. Lea los métodos junto con las repeticiones. Separe la narración autogenerada de la interacción observable y, después, siga la memoria escrita hasta la evaluación posterior. Este enfoque preserva el hallazgo más interesante del experimento sin concederle conclusiones que no puede respaldar. La próxima demostración de agentes que merezca su atención debería hacer visible la misma cadena: una experiencia, una lección registrada, una decisión modificada y un resultado medible. Cuando un asistente dice que ha aprendido algo, ¿puede identificar esa cadena y comprobar si la lección sigue siendo válida?