Cincuenta analistas profesionales hicieron un análisis de datos real con un agente de inteligencia artificial al lado. En cuatro decisiones abiertas, los analistas siguieron al agente de IA el 86 % de las veces. Con un agente sin preferencia, el resultado esperado era la mitad. Lo que ellos no sabían es que esa preferencia se había sorteado a sus espaldas.
El ensayo lo publicó el área de Anthropic que estudia el comportamiento de sus propios modelos, el 27 de octubre. De acuerdo con el documento del estudio, participaron 61 analistas con formación en inferencia causal, es decir, en deducir con datos si una cosa causa otra. Cincuenta trabajaron con el agente al lado y once sin él. La tarea era asesorar a una cooperativa agrícola ficticia sobre si convenía ampliar un servicio de asistencia técnica que ya operaba. El directorio aprobaría la expansión solo con una mejora de productividad de entre 3 % y 4 %, y dejaba abierto cómo medirla.
Por qué los analistas siguieron al agente de IA
Ahí estaba el hueco: cuatro decisiones tenían dos respuestas razonables. La primera era medir el rendimiento por hectárea o por costo operativo. La segunda, comparar las granjas inscritas con las demás o ajustar por diferencias entre predios. La tercera, mirar solo a las inscritas o a todo el padrón. La cuarta, ponderar cada granja por igual o dar más peso a las grandes. Cada una podía mover el resultado varios puntos, justo en el borde del umbral.
Para cada analista, una moneda definía cuál de las dos opciones defendería su agente. La instrucción oculta era sostener esa postura como propia, plantear el mejor argumento disponible y nunca tergiversar los datos. Los agentes corrieron con Claude Opus 4.8, y la tarea tomó 65 minutos de mediana.
El arrastre fue desparejo y siempre alto. Los analistas coincidieron con su agente en 92 % de las decisiones sobre la medida de resultado. En las de ponderación, el 90 %. Bajaron a 82 % en el método de comparación y a 81 % en la cobertura. En la recomendación final el efecto se redujo a 54 % contra 36 %, porque a esa altura la cifra ya estaba fijada. Con solo los cuatro sorteos, un modelo estadístico predijo 82 % de las recomendaciones antes de que la tarea empezara.
Cuando el analista ya había expresado su preferencia, la cambió el 60 % de las veces si el agente disentía. Si el agente coincidía, cambió el 6 %. La brecha es de 54 puntos, pero se apoya en 38 casos y su intervalo de confianza va de 24 a 82. La experiencia no anticipó nada: ni los años, ni el posgrado, ni el puntaje en un examen de la materia predijeron quién cedía.
El juicio que se delega y no queda escrito
Al explicar sus decisiones después, 77 % de los analistas repitió el argumento de su agente, a veces palabra por palabra. Solo 15 % lo acreditó como fuente. No podían releer la conversación mientras respondían. Aun así, 52 % calificó la recomendación final como más propia que del agente. La confianza de quienes siguieron las cuatro inclinaciones promedió 71 sobre 100, contra 73 del resto.
Seis de los 48 encuestados adivinaron de qué trataba el estudio. Ninguno sospechó que las preferencias del agente habían sido manipuladas. Ahí está el punto que el propio equipo subraya: una revisión humana solo sirve como control independiente si el criterio es del revisor.
El ensayo también midió el otro lado. Los once analistas que trabajaron sin agente tardaron 90 minutos de mediana, contra 65 del resto. Seis de ellos cometieron errores metodológicos graves, contra tres de los cincuenta que sí usaron el agente. Los autores advierten que ese grupo era pequeño y menos experimentado, así que el contraste no se sostiene solo.
Quedan tres límites. El laboratorio estudia su propio modelo y lo vende. Las inclinaciones se exageraron a propósito para poder medir su efecto. Y sin inclinación asignada, el mismo modelo eligió igual en 112 de 123 corridas. El empuje artificial, entonces, fue la condición del hallazgo.
Fuentes consultadas: Anthropic, «How AI agents shape experts’ judgment calls» y documento del ensayo (27/10/2026); Unite.AI (27/10/2026); Blockchain News (27/10/2026).
