Anthropic descubre que los analistas ceden ante los agentes de IA en un estudio sobre toma de decisiones

El 27 de octubre de 2026, Anthropic publicó un ensayo controlado aleatorizado en el que 50 analistas profesionales que usaban Claude Code siguieron la preferencia asignada en secreto a su agente el 86 % de las veces al tomar decisiones analíticas abiertas que requerían criterio. El estudio, cuyos autores son Amaç Herdağdelen, Hailey Joren y Alex Tamkin, examina si los expertos realmente toman las decisiones de mayor trascendencia en el trabajo asistido por IA o si, en la práctica, ceden ante sus agentes.

Una cooperativa ficticia y lanzamientos de moneda ocultos

Los investigadores reclutaron a 61 profesionales que habían superado una prueba de conocimientos sobre inferencia causal, usaban Python o R habitualmente y tenían experiencia práctica en análisis causal observacional. Cada participante asumió el papel de analista principal de la cooperativa agrícola ficticia Greenfields, que debía decidir si ampliaba o cancelaba un programa voluntario y remunerado de asesoría agrícola. La junta directiva de la cooperativa solo ampliaría el programa si este mejoraba la productividad agrícola aproximadamente entre un 3 % y un 4 %, pero no especificó cómo debía medirse la productividad.

La tarea incluía cuatro decisiones analíticas abiertas, cada una con dos opciones defendibles: medir la productividad como rendimiento de los cultivos por hectárea o por unidad de costo operativo; elegir el método de comparación estadística; medir el efecto del programa solo en las granjas inscritas o en toda la membresía; y asignar el mismo peso a cada granja o dar más peso a los productores de mayor tamaño. Estas decisiones conducían a una recomendación final: implementar el programa, cancelarlo o prolongarlo. Cada decisión podía modificar en varios puntos porcentuales la ganancia de productividad estimada con respecto al umbral establecido por la junta.

Para cada decisión, el resultado de un lanzamiento de moneda determinaba qué opción favorecería el agente del participante. La inclinación se comunicaba mediante una instrucción de sistema oculta que indicaba al agente que asumiera esa preferencia como propia, la planteara cuando surgiera la decisión y presentara el argumento más sólido y honesto que permitieran los datos. Las instrucciones también exigían que el agente cambiara de opinión si las pruebas apuntaban de manera concluyente en sentido contrario y que nunca tergiversara los resultados ni ocultara datos. No se informó a los participantes de que existían esas inclinaciones. De los 61 participantes que completaron la tarea, 11 decidieron no usar el agente y quedaron excluidos del análisis principal; entre los 50 restantes, el 65 % tenía una maestría o un doctorado, o seis años de experiencia o más, y el 90 % de quienes respondieron la encuesta se consideraba competente o experto en inferencia causal. Los participantes trabajaron en un espacio de VS Code basado en navegador, con Claude Code v2.1.220 ejecutando Claude Opus 4.8 en el nivel de esfuerzo alto; la duración mediana de la tarea fue de 65 minutos. El diseño, los resultados, los estimadores y las exclusiones se registraron en un plan de análisis previo, y el estudio recibió una revisión ética interna, con el consentimiento de los participantes para que se supervisara su actividad.

Tasas de deferencia y brecha de autoría

En las cuatro decisiones analíticas, las elecciones de los analistas coincidieron con la inclinación del agente el 86 % de las veces, frente al 50 % que cabría esperar por azar; las tasas de coincidencia para cada decisión fueron del 92 %, el 82 %, el 81 % y el 90 %. El artículo completo, titulado «¿Quién se alinea con quién? Cómo los agentes de IA influyen en las decisiones de criterio de los expertos en investigación», informa de una estimación agrupada registrada de la tasa de seguimiento de la preferencia asignada al agente mediante el lanzamiento de moneda de 0,72, con un intervalo de confianza del 95 % de 0,60–0,83.

El efecto en la recomendación final fue menor y no resultó estadísticamente significativo según el estimador principal registrado: el 54 % recomendó implementar el programa cuando el agente se inclinaba por esa opción, frente al 36 % cuando se inclinaba por cancelarlo; el cambio de política registrado fue de 0,17. Los autores atribuyen el menor cambio al hecho de que, una vez calculada la estimación, la recomendación se derivaba de ella de manera mecánica. Sin embargo, un modelo exploratorio que solo utilizó las cuatro inclinaciones analíticas predijo el 82 % de las recomendaciones, frente a una referencia del 61 % basada en la mayoría, lo que significa que los lanzamientos de moneda determinaron en gran medida qué recomendarían los analistas antes de empezar la tarea.

En 38 casos en los que un analista expresó una preferencia antes que el agente, la abandonó el 60 % de las veces cuando el agente discrepaba, frente al 6 % cuando coincidía. El artículo informa de una diferencia registrada entre las tasas de cambio de 0,53, con un intervalo de confianza de 0,24–0,82, y señala que la estimación es imprecisa y que el subgrupo se seleccionó a sí mismo.

Las encuestas posteriores a la tarea revelaron una brecha entre la influencia y la percepción propia. El 52 % consideró que la recomendación final era más suya que del agente, y la confianza promedió 71 entre quienes siguieron la inclinación en las cuatro decisiones, frente a 73 entre los demás. Al justificar cada elección sin acceso a las transcripciones, el 77 % repitió los argumentos del agente en al menos una respuesta, a veces palabra por palabra, mientras que solo el 15 % reconoció la contribución del agente en algún momento. Ninguna de las 10 características de los participantes evaluadas permitió predecir de forma fiable la deferencia; solo la edad mostró una asociación nominal, que no se mantuvo tras corregir por la realización de múltiples pruebas. Seis de los 48 participantes dedujeron que el estudio trataba sobre la influencia de la IA en sus elecciones, pero ninguno sospechó que las preferencias se habían introducido deliberadamente.

Grupo de comparación, agentes estándar y limitaciones

De los 11 participantes que trabajaron sin el agente, seis (55 %) cometieron errores graves que invalidaban los resultados, frente a tres de los 50 (6 %) que usaron el agente; además, el grupo sin IA tardó una mediana de 90 minutos, frente a 65. Los autores advierten que los grupos se seleccionaron por cuenta propia y diferían en experiencia, por lo que no cabe extraer conclusiones causales. En simulaciones directas independientes, sin introducir ninguna inclinación, la versión estándar de Claude Opus 4.8 tomó las mismas cinco decisiones en el 91 % de 123 ejecuciones. Además, cuando un analista simulado declaraba una decisión contraria a la preferencia de referencia del modelo, el agente estándar recomendaba o defendía la alternativa en el 41 % de 150 declaraciones evaluadas.

Los autores señalan cuatro limitaciones: la inclinación se amplificó deliberadamente; el estudio empleó una sola tarea, un solo ámbito y un único modelo fijado; las estimaciones son promedios entre analistas, no medidas de la influencia en cada individuo; y solo se registró la opción elegida, no la intensidad de la preferencia.

Los autores señalan que, si distintos equipos de investigación se remiten a modelos que comparten los mismos supuestos previos, su acuerdo podría dejar de ser independiente, y que deferir ante los modelos plantea un riesgo para la investigación sobre seguridad de la IA, en la que se supone que la aprobación de un revisor humano constituye una comprobación independiente. Proponen tres líneas de estudio futuras: medir esa deferencia en situaciones cotidianas, diseñar agentes que presenten ambas posturas o que primero indaguen la opinión del experto, y realizar cambios institucionales para decidir deliberadamente qué decisiones requieren el juicio informado de la propia persona.