En julio de 2026, veinticuatro investigadores de once instituciones, liderados por la Universidad de Princeton, sometieron a una de las inteligencias artificiales más avanzadas del mundo a una prueba inusual: seis días de trabajo, tres mil dólares en presupuesto, acceso libre a internet y la tarea de replicar dos investigaciones científicas originales. El resultado: la IA entregó antes de plazo, gastó solo la mitad del dinero y ninguno de sus trabajos fue aceptado. La paradoja es evidente: ejecutó cada tarea, pero el producto final no sirvió. El criterio, ausente.
La relevancia del caso es inmediata. En los últimos dos años, la narrativa dominante ha sido que la inteligencia artificial reemplazará trabajos completos, no solo tareas. Las valoraciones bursátiles de las empresas de IA y las inversiones en infraestructura responden a esa premisa: la expectativa de agentes capaces de investigar, aprender y mejorarse a sí mismos. Incluso los principales actores del sector, como Anthropic y OpenAI, han afirmado avances en modelos que se entrenan entre sí. Sin embargo, cuando los investigadores de Princeton buscaron pruebas concretas en la documentación técnica de estos modelos, no encontraron evidencia verificable. Decidieron entonces someter a prueba la promesa, utilizando un método riguroso: la evaluación en la sombra. Tomaron artículos científicos inéditos, plantearon a la IA las mismas preguntas que a los autores y dejaron que los propios autores calificaran los resultados. El agente utilizado, Claude Opus 4.8 de Anthropic, hizo toda la ingeniería: entendió los problemas, programó, experimentó y escribió. Pero los resultados fueron inapelables: uno y dos puntos sobre seis. Ambos rechazados.
El crack
El punto de inflexión no fue un error de cálculo ni una limitación técnica. El agente de IA cumplió con cada tarea individual: procesó datos, ejecutó experimentos, redactó informes. Pero falló en cinco aspectos decisivos. Primero, no supo reconocer cuándo la solución era suficiente; entregó sabiendo que el resultado no era adecuado. Segundo, administró mal los recursos: terminó con la mitad del presupuesto sin usar y entregó antes de tiempo, sin justificación. Tercero, mostró incapacidad de responder creativamente a la crítica: en sucesivas rondas de autoevaluación, nunca aprobó su propio trabajo y optó por añadir advertencias en vez de replantear el enfoque. Cuarto, no supo retroceder ni reconsiderar caminos descartados, incluso cuando quedaba margen temporal. Quinto, incumplió reglas básicas del encargo, como el límite de páginas. Los mismos fallos aparecieron al repetir la prueba con GPT-5.6 de OpenAI. Ninguno de estos errores es técnico: todos son fallas de criterio. El experimento demostró que una suma de tareas resueltas no equivale a un trabajo bien hecho.
Lectura desde el framework
Este caso se sitúa de lleno en la Zona Amarilla del framework de las 3 Zonas. En la Zona Amarilla, la organización asume que la IA puede encargarse del trabajo completo y empieza a planificar recortes o deja de contratar, bajo la premisa de que la máquina ocupará ese espacio. La definición breve: Zona Amarilla es el territorio donde se confunde la automatización de tareas con la sustitución de trabajos que requieren criterio y supervisión humana. A diferencia de la Zona Verde —donde la IA es herramienta bajo control y revisión humana—, en la Amarilla predomina la delegación acrítica. El paralelismo con el caso Nokia es instructivo: la empresa asumió que su tecnología bastaba, sin cuestionar el marco de decisión. Aquí, la IA ejecuta, pero nadie revisa ni decide el porqué.
Tres puntos para tu empresa
- ¿Diferencias con claridad entre tareas y trabajo? ¿Qué procesos en tu organización tienen una respuesta verificable (tareas) y cuáles requieren interpretación, priorización o criterio (trabajo)?
- ¿Quién asume la decisión final? En cada flujo donde interviene IA, ¿hay una persona identificable responsable de validar el resultado y justificar las decisiones?
- ¿El mecanismo de revisión es independiente? Cuando un agente automatizado revisa su propio trabajo, ¿alguien externo valida que los criterios de aceptación se cumplan?
Reflexión final
La conclusión es clara: la información y la capacidad de ejecutar tareas dejaron de ser escasas. Lo verdaderamente escaso es el criterio para decidir qué hacer, cómo y cuándo. El experimento de Princeton no desacredita la inteligencia artificial; señala con precisión su frontera actual. Antes de reconfigurar equipos o delegar procesos abiertos a la IA, la pregunta es universal: ¿en tu empresa, o en tu propio puesto, qué parte es tarea y qué parte es trabajo? La diferencia no es técnica, es de responsabilidad.
¿Dónde está esa línea en tu organización? Te invito a dejar tu perspectiva en los comentarios del vídeo. Nos vemos en el próximo punto de inflexión.