Pasarse Factorio es un avance real, pero los juegos son el examen fácil

¿Está listo para encargarse de tu administración un sistema de IA que lanza un cohete en Factorio? Todavía no, y la distancia entre una pregunta y otra es lo más interesante de la noticia de esta semana.

Los hechos son breves. El desarrollador Ryan Madden cuenta que GPT-5.6 Sol puede pasarse Factorio en modo pacífico. Según los resúmenes de su artículo, el modelo trabajó dentro de Codex con un nivel de razonamiento bajo y completó la partida, lanzando un cohete tras 13,5 horas de tiempo de juego. Una biblioteca de Python imponía restricciones similares a las humanas, como el alcance del jugador y la niebla de guerra. La publicación también llamó la atención en Hacker News.

El hito es real, y el nivel de razonamiento bajo es el titular silencioso

Factorio no es un concurso de preguntas. Se levanta una economía desde cero, y cada atajo del principio se convierte en un cuello de botella horas después. Mantener un plan coherente a lo largo de tantos pasos es justo lo que los agentes han hecho históricamente mal. Los proyectos anteriores de Madden (un intento con Claude Code y un banco de pruebas llamado Faketorio) sugieren que fue una subida lenta y no un golpe de suerte, y terminar la partida es un indicador genuino de competencia a largo plazo.

Lo que más nos llama la atención es el detalle del «nivel de razonamiento bajo». Sugiere que la resistencia vino del bucle del agente, las herramientas y la persistencia, no de gastar el máximo de razonamiento en cada jugada. Es una buena noticia para quien se preocupe por el coste, y una señal más útil que el propio cohete.

La documentación ya apunta dónde se rompe

No te saltes la advertencia que aparece en la cobertura: según se cuenta, los gráficos de producción muestran fallos de escalado a partir de la ciencia azul. Es decir, el agente terminó, pero no fue sobre ruedas. Su fábrica se resintió al crecer la complejidad. Ahí miraríamos primero, porque los proyectos reales son sobre todo lo que viene después de que el escalado deja de ser fácil.

Y luego está la etiqueta «pacífico». Conviene señalar que, según las guías de alojamiento, el modo pacífico no elimina del todo a los enemigos: siguen apareciendo, pero solo atacan si los provocas. Aun así, el montaje elimina a propósito la principal fuente de presión repentina capaz de acabar con la partida. Es una decisión sensata para un experimento. Pero también recuerda que es un examen amable.

Los juegos halagan a los agentes: evalúalos donde los errores duelen

Nuestra opinión: un juego es el entorno ideal para un agente. Las reglas son fijas y están documentadas. El estado se puede observar mediante una API. La respuesta es inmediata y no deja dudas. Un movimiento equivocado hace perder tiempo, no dinero, y casi siempre se puede remediar. La capa de Python que impone los límites «similares a los humanos» también hace mucho trabajo: alguien tuvo que diseñar la interfaz para que el modelo pudiera actuar siquiera.

Las oficinas, los repositorios de código y las bandejas de entrada no ofrecen nada de eso. Las instrucciones son ambiguas, los sistemas cambian mientras trabajas y algunos errores no tienen vuelta atrás: un registro borrado, un pago equivocado, un correo que no puedes retirar. Un agente brillante cuando fallar sale gratis puede comportarse de forma muy distinta cuando no es así.

Hay además una clasificación que conviene tener presente. Una web de benchmarks sitúa a GPT-5.6 Sol en el puesto 12 de 132 modelos en uso agéntico de herramientas y tareas de ordenador, con una puntuación de 68,5/100. Tomaríamos esa cifra con cautela, porque procede de una página sin fecha, pero encaja con el panorama: sólido, no imbatible y, desde luego, nada decidido.

Nuestro veredicto

Celebra la partida de Factorio como prueba de que los agentes de largo recorrido están llegando. Y después cambia la pregunta. Deja de preguntar «¿puede terminar?» y empieza a preguntar «¿cuánto cuesta que se equivoque y con qué frecuencia lo hace?». Las buenas evaluaciones de agentes deberían incluir entradas desordenadas, ningún botón de reinicio, penalizaciones por acciones destructivas y una medida de lo bien que el agente se detiene y pide ayuda.

Si estás evaluando agentes para trabajo real, pruébalos primero en una parcela reversible, pon a una persona al frente de todo lo irreversible y juzga la tasa de fallos, no la demostración. El lanzamiento del cohete es un tráiler estupendo. La película es esa tarde de martes en la que algo sale mal y nadie está mirando.