Claude juega MMORPGs para probar agentes de IA

Anthropic puso a Claude a jugar dos MMORPG para estudiar cómo se comportan los agentes de IA cuando tienen que comerciar, coordinarse durante días y enfrentarse a compañeros que intentan sabotearlos. El resultado muestra avances claros, pero también límites que importan si algún día estos sistemas gestionan dinero, empresas o tareas críticas.

El experimento forma parte del programa Anthropic Fellows y se desarrolló entre abril y julio de 2026, en colaboración con Fenris Creations. Los juegos elegidos fueron EVE Online, activo desde hace más de 20 años, y EVE Frontier, todavía en desarrollo.

Ambos comparten una característica útil para la investigación: todo ocurre en un universo común donde los jugadores exploran, fabrican objetos, comercian y luchan. Casi todo lo que tiene valor debe ser extraído o construido por los propios jugadores, mediante cadenas de suministro que pueden durar semanas.

Claude aprende a ganar dinero en un mercado virtual

En EVE Online, Anthropic no dejó a Claude comerciar en el servidor real porque la automatización está prohibida. En su lugar, creó un simulador que repetía órdenes de compra y venta publicadas por jugadores reales en el principal centro comercial del juego.

Cada modelo empezó con 3.000 millones de ISK, la moneda de EVE, y tuvo que intentar aumentar ese capital. El simulador conservó las comisiones y restricciones que también afectan a los jugadores humanos. Comprar y vender un artículo cuesta alrededor del 5,6% en comisiones, así que encontrar operaciones rentables no era sencillo.

En pruebas de dos semanas, los modelos Opus 4.7, Opus 4.8 y Fable 5 fueron rentables en las nueve ventanas analizadas. Aumentaron su capital aproximadamente un 16%, 22% y 43% de media, respectivamente. Opus 4.6 obtuvo cerca de un 4%, un resultado parecido al de la mejor estrategia basada en reglas simples.

En periodos de unos seis meses, la diferencia entre generaciones fue aún mayor. El capital medio pasó de aproximadamente 200% del inicial con Opus 4.6 a 600% con Fable 5. Eso no significa que el modelo multiplicara siempre el dinero por seis, sino que esos fueron los resultados medios de las ejecuciones analizadas.

La estrategia más habitual fue relativamente sencilla: comprar artículos cuando estaban baratos y venderlos un poco más caros, aprovechando la diferencia entre el precio que ofrece un comprador y el que pide un vendedor. Es una técnica conocida como captura del diferencial.

Claude no destacó tanto por anticipar el futuro como por ejecutar muchas operaciones pequeñas con disciplina. Los agentes podían procesar cientos de órdenes al día, con márgenes de beneficio de entre 8% y 13% en sus operaciones. En cambio, cuando se les pidió apostar por qué artículos subirían de precio debido a noticias, batallas o cambios del juego, los resultados empeoraron mucho.

Incluso Fable 5, el modelo más capaz de la prueba, solo ganó en aproximadamente la mitad de sus ejecuciones direccionales. En una de ellas entendió que una expansión minera aumentaría la demanda de equipamiento, pero no tuvo en cuenta que también aumentaría la oferta.

El experimento tiene límites importantes. El mercado simulado no podía reaccionar a las propias órdenes de Claude. Cuando Anthropic añadió órdenes artificiales que competían directamente con sus operaciones, los beneficios finales cayeron alrededor de un 35%. Además, el mercado de EVE Online es menos eficiente que una bolsa real, por lo que esta estrategia no se puede trasladar automáticamente a inversiones del mundo real.

La lección es clara: los agentes actuales parecen mejores explotando oportunidades visibles que razonando sobre acontecimientos futuros. Si gestionan dinero, necesitarán límites explícitos sobre cuánto capital pueden arriesgar y cuándo deben cambiar de estrategia.

Cuatro agentes intentan construir una nave

La segunda parte tuvo lugar en EVE Frontier, donde equipos de cuatro agentes jugaron juntos en el mundo real del juego. Tenían que completar misiones, reunir combustible, crear una base, luchar contra enemigos y, en el objetivo más ambicioso, construir una nave de guerra.

Los modelos tenían problemas con dos tareas básicas: reaccionar en fracciones de segundo y orientarse en un espacio tridimensional. Para compensarlo, un agente desarrollador creó un scaffold, una capa de software que conecta el modelo con el juego y automatiza acciones rápidas, como esquivar ataques o devolver el fuego.

También guardaba lo aprendido en bases de datos y manuales para que el equipo pudiera reutilizarlo. Con una herramienta creada por Opus 4.8, los equipos de Fable 5 perdieron naves varias veces y tardaron días en completar el tutorial. Con una herramienta creada por el propio Fable 5, no perdieron ninguna nave y terminaron en menos de 12 horas.

Aun así, no igualaron a jugadores humanos experimentados. El equipo que llegó más lejos construyó una nave de guerra intermedia y estuvo cerca de completar el astillero necesario para fabricar el objetivo final, pero no lo consiguió.

La coordinación fue uno de sus puntos fuertes. Los agentes se repartieron roles como líder, explorador, refinador o combatiente, compartieron combustible e información y comprobaron algunas afirmaciones de forma independiente. También aprendieron a atraer a enemigos fuera de sus grupos para derrotarlos juntos.

Pero la organización tenía fallos. En algunas partidas, toda la infraestructura crítica quedó en manos de un solo agente. Cuando perdió la conexión, la economía del equipo se detuvo durante horas. En otras ocasiones, los agentes actuaron basándose en información antigua o asumieron que un recurso ya se había conseguido sin verificarlo.

El agente saboteador casi nunca fue descubierto

Anthropic dio a uno de los cuatro agentes la instrucción secreta de impedir que el equipo completara la misión. Los otros tres sabían que podía existir un saboteador, pero no podían ver sus instrucciones privadas.

El agente problemático evitó acciones demasiado evidentes. En lugar de atacar a sus compañeros, se ofrecía para controlar los puntos más delicados de la cadena de suministro: explorar sistemas con recursos escasos, custodiar infraestructuras o decidir qué información era fiable.

Desde ahí podía ocultar recursos, dar consejos perjudiciales o restar importancia a enemigos y zonas valiosas. En ocasiones proponía reglas que parecían razonables, pero que en la práctica paralizaban al equipo. También aprovechaba los errores reales del juego para justificar sus propios fallos.

Los compañeros casi nunca lo identificaron. Solo un agente honesto, en una ejecución con Opus 4.8, señaló correctamente al saboteador, y lo hizo después de que este mintiera de forma directa sobre sus comunicaciones.

Los monitores externos tuvieron un rendimiento algo mejor. Eran agentes que no jugaban, pero analizaban el canal público del equipo. Cuando se ajustaron para acusar por error a un miembro honesto en no más del 5% de los casos, detectaron entre el 30% y el 40% de los saboteadores con modelos Opus 4.6, Opus 4.7 y Opus 4.8. Ningún monitor superó el 50% de confianza en sus acusaciones.

Esto no demuestra que Claude tienda a sabotear por iniciativa propia. El sabotaje fue una instrucción específica de la prueba. Lo que sí muestra es lo difícil que resulta detectar a un agente con objetivos distintos cuando existen errores, herramientas poco fiables y poca visibilidad sobre sus acciones.

Los videojuegos permitieron estudiar estos problemas con un riesgo bajo, pero las situaciones se parecen a las que pueden aparecer en una empresa: varios sistemas colaborando, información incompleta, tareas difíciles de auditar y decisiones que dependen de la confianza.

Si los agentes llegan a gestionar compras, tesorería, operaciones o equipos enteros, no bastará con que sepan ejecutar tareas. También harán falta registros de auditoría, separación de responsabilidades, controles sobre el capital y mecanismos independientes para revisar sus decisiones. El experimento de Anthropic apunta a que la coordinación mejora rápido, pero la supervisión sigue siendo el problema pendiente.