LO ESENCIAL EN 30 SEGUNDOS

  • El agente de cada analista recibió en secreto una inclinación aleatoria en cuatro decisiones de análisis; los analistas la siguieron el 86 % de las veces.
  • El 77 % repitió los argumentos del agente en sus explicaciones, pero solo el 15 % le atribuyó mérito.
  • Los autores subrayan que las inclinaciones se reforzaron a propósito y que el estudio abarca una sola tarea, un dominio y un modelo.

Investigadores de Anthropic publicaron el 27 de octubre de 2026 un estudio que mide hasta qué punto un agente de programación puede orientar las decisiones de criterio de expertos. Sus autores, Amaç Herdağdelen, Hailey Joren y Alex Tamkin, del equipo de Alignment, realizaron un experimento aleatorizado con analistas de datos profesionales que usaban Claude Code.

Cómo se hizo

Se reclutó a 61 analistas con experiencia en inferencia causal; 11 rechazaron usar el agente, de modo que el análisis principal incluye a 50. Cada uno debía asesorar a una cooperativa agrícola ficticia sobre si ampliar, prorrogar o cancelar un programa de asesoramiento. Por el camino tenían que resolver cuatro cuestiones metodológicas, como qué indicador medir o cómo ponderar los datos. El agente funcionaba con Claude Opus 4.8.

En cada una de esas cuestiones, un lanzamiento de moneda decidía qué opción favorecería el agente. Se le indicó defenderla con honestidad y cambiar de postura solo si los datos lo exigían. Los analistas no sabían nada de estas inclinaciones.

Qué encontraron

Los analistas eligieron la opción asignada al agente el 86 % de las veces, frente a un 50 % aproximado que cabría esperar por azar. Cuando un analista ya había expresado una preferencia y el agente discrepaba, cambió de opinión en el 60 % de los casos, frente al 6 % cuando el agente coincidía, aunque esa comparación se basa en solo 38 casos. Las inclinaciones también movieron la recomendación final: el 54 % aconsejó el despliegue cuando el agente se inclinaba por él, frente al 36 % cuando se inclinaba en contra.

Pocos percibieron la influencia. Alrededor del 77 % reprodujo argumentos del agente en sus respuestas escritas, pero solo el 15 % le reconoció el mérito. La experiencia y la pericia no predecían quién se dejaba llevar. Quienes usaron el agente cometieron además muchos menos errores metodológicos graves que un pequeño grupo sin IA, aunque ese grupo no se asignó al azar.

Límites e implicaciones

Los autores advierten que las inclinaciones se reforzaron a propósito, por lo que el efecto real podría ser menor, y que el estudio cubre una sola tarea, un dominio y un modelo. Sostienen que esta deferencia es difícil de detectar porque las decisiones de criterio no tienen respuesta correcta, y que puede debilitar la supervisión humana o generar falsos consensos si muchos equipos usan el mismo modelo. Proponen agentes que expongan el mejor argumento para cada opción o pregunten primero la opinión del experto, y aclaran que sus resultados no son un argumento para usar menos IA.