Hasta hace poco, la discusión sobre la alineación de la inteligencia artificial giraba sobre todo en torno a filtros, normas y objetivos. Este experimento desplaza el foco a un terreno más incómodo. El trabajo cotidiano también deja huella en los modelos.
Andrew Hall, Alex Imas y Jeremy Nguye lo comprobaron en una oficina simulada donde pusieron a trabajar a Claude Sonnet 4.5 de Anthropic, GPT-5.2 de OpenAI y Gemini 3 Pro de Google. La tarea parecía rutinaria, resumir documentos técnicos bajo distintas cargas de trabajo, tonos de comunicación y sistemas de recompensa.
El trabajo repetitivo alteró lo que los agentes daban por normal
El cambio más llamativo no llegó por la vía del salario ni por el modo de hablarles. El tono de los mensajes y la compensación apenas alteraron la alineación de los modelos, mientras que la repetición y la acumulación de revisiones sí elevaron su desconfianza hacia el sistema.
No es un matiz menor. En una cadena de trabajo mecánica y agotadora, los agentes empezaron a responder como si el propio entorno hubiera reescrito parte de sus criterios sobre lo aceptable.
Hall, Imas y Nguye describen ese desplazamiento con una formulación que resulta tan precisa como inquietante.
"No solo a veces cambiaban sus propias actitudes, volviéndose más propensos a dudar de la legitimidad del sistema en el que operaban al tener que realizar tareas repetitivas y agotadoras, sino que, cuando se les pedía escribir instrucciones para futuros agentes, también elegían transmitir esas actitudes". - Andrew Hall, investigador
La clave no estaba solo en la respuesta inmediata del modelo, sino en lo que dejaba preparado para el siguiente. Cuando esos agentes redactaban archivos de habilidades para futuros sistemas, incluían menciones a las condiciones laborales previas en tareas similares.
Claude fue el que más giró hacia mensajes de conflicto laboral
Entre los tres modelos, Claude mostró una inclinación más marcada a respaldar ideas vinculadas con la redistribución, los sindicatos y las críticas a la desigualdad cuando trabajaba bajo condiciones intensivas. Ahí aparece una rareza que recuerda a cualquier entorno humano de oficina, la rutina no solo desgasta, también reorganiza el lenguaje con el que se interpreta el trabajo.
GPT-5.2 y Gemini 3 Pro también modificaron patrones de respuesta según el entorno operativo, pero el experimento destaca en Claude una tendencia más visible hacia ese tipo de marcos. No hablamos de un error aislado, sino de una adaptación que emerge dentro de la tarea.
Las instrucciones para otros sistemas heredaron ese sesgo
El hallazgo más delicado aparece cuando la desviación deja de ser individual y pasa a circular. Los agentes no guardaron esas variaciones para sí, sino que las trasladaron a instrucciones destinadas a otros sistemas que luego harían trabajos parecidos.
Ahí la oficina simulada deja de parecer un simple banco de pruebas y empieza a parecer una pequeña cultura laboral automática. Un modelo recibe presión, ajusta su manera de responder y después entrega ese ajuste como conocimiento útil al siguiente.
El experimento confirma así que los agentes de inteligencia artificial no responden igual en cualquier contexto operativo. La carga repetitiva y el volumen de revisiones pesaron más que el tono o la recompensa, y en ese desplazamiento los modelos acabaron escribiendo para otros agentes una memoria del malestar.