Con una instrucción corta, GPT-4o acertaba el 91 % de las veces. Con una versión más larga de esa misma tarea, acertaba el 1 % de las veces. No el 70 %. No el 40 %. Uno por ciento — ruido estadístico (PNAS Nexus, 2026).
Ese colapso es el número más importante que un Head of Operations puede llevar a una decisión sobre IA agéntica en 2026, porque desmonta el supuesto sobre el que se construye en silencio cada despliegue: que si un agente de IA maneja bien una tarea en una demo, manejará una versión algo más difícil de esa tarea solo un poco peor. No es así. La manejará casi a la perfección hasta un umbral, y luego fallará casi por completo. La pregunta para Operaciones no es si confiar en un agente. Es saber exactamente dónde está el precipicio — y colocar un control humano en el proceso justo delante de él.
El hallazgo: un precipicio, no una rampa
El estudio procede de Suketu Patel y Jin Fan, de la CUNY, publicado en PNAS Nexus y dado a conocer públicamente en junio de 2026 (PsyPost, 2026). Su método es elegante precisamente porque es antiguo. Aplicaron la tarea de Stroop — el test clásico de psicología cognitiva en el que hay que nombrar el color de la tinta de una palabra mientras la palabra deletrea un color distinto — a modelos de lenguaje de frontera, aumentando la carga al alargar la lista de elementos en conflicto desde unos pocos hasta cuarenta.
Los resultados son contundentes. GPT-4o acertaba los ensayos incongruentes el 91 % de las veces en listas cortas de cinco elementos. Lleve la lista a veinte o cuarenta elementos en conflicto y su precisión caía al 1 %. Claude 3.5 Sonnet aguantó más tiempo — pero también terminó cayendo, hasta cerca del 10 % en listas de cuarenta elementos (PNAS Nexus, 2026).
Lea la forma de esa curva, no solo los extremos. El rendimiento no se degradó con suavidad a medida que la tarea se hacía más difícil. Se mantuvo en niveles casi humanos y luego se despeñó por un precipicio. Este es el hallazgo que debería reorganizar cómo Operaciones piensa la fiabilidad de los agentes: la zona de peligro es invisible desde la demo. Un piloto limpio sobre un caso simple no le dice nada sobre dónde se rompe el modelo, porque la rotura es discontinua.
Por qué es el control ejecutivo lo que falla — no la inteligencia
Sería fácil archivar esto bajo «la IA todavía comete errores» y seguir adelante. Esa lectura se pierde el mecanismo, y el mecanismo es todo el asunto.
La tarea de Stroop no mide el conocimiento ni la potencia de razonamiento. Mide el control ejecutivo — en concreto la capacidad de mantener un objetivo en mente («nombra el color de la tinta») e inhibir una respuesta rival más fuerte y automática («lee la palabra»). En la neurociencia cognitiva humana, la atención se descompone en sistemas distintos, y el control ejecutivo es el que gobierna el mantenimiento del objetivo bajo conflicto. Es una facultad diferente del mero reconocimiento de patrones.
Esto es lo que los modelos revelaron sobre sí mismos. Las arquitecturas transformer son extraordinarias en la respuesta prepotente — la respuesta rápida, automática, estadísticamente probable, el equivalente en máquina de leer la palabra en lugar de nombrar el color. Lo que les falta es una inhibición robusta cuando el contexto se alarga o se llena de señales en conflicto. Los autores lo enmarcan como una capacidad ausente para el control ejecutivo que exigiría una verdadera inteligencia general (PNAS Nexus, 2026).
Para Operaciones, tradúzcalo así: un agente de IA no es un empleado júnior que se cansa y se vuelve descuidado en proporción a la carga de trabajo. Es un sistema que mantiene un objetivo de forma espléndida hasta que el número de restricciones rivales cruza una línea, punto en el que el mantenimiento del objetivo no se degrada — se evapora. El fallo no es «peor salida». Es el modelo optimizando en silencio hacia el objetivo equivocado y más fácil, mientras produce un texto fluido y seguro que se parece exactamente al éxito.
Cómo se ve «largo y contradictorio» sobre el terreno
Veinte palabras en conflicto en un laboratorio es abstracto. Sus flujos de trabajo reales son peores.
Piense en lo que de verdad le pide a un agente. Conciliar una factura con un contrato que tiene tres modificaciones, una cláusula de términos especiales y una excepción que alguien envió por correo la semana pasada. Enrutar una reclamación de un cliente bajo una política que dice una cosa, una instrucción permanente de un mánager que dice otra y una promoción que anula ambas hasta el viernes. Redactar una respuesta de cumplimiento que debe satisfacer al regulador, la postura de riesgo del equipo legal y la relación del account manager — tres objetivos que no se alinean del todo.
Cada uno de esos es una tarea de Stroop con el volumen al máximo. Contexto largo, restricciones simultáneas múltiples y una respuesta «obvia» fuerte que resulta ser errónea una vez que se tienen en cuenta las excepciones. Son exactamente las condiciones que, según el estudio, empujan el control ejecutivo más allá del precipicio. Y son también precisamente las tareas que las Operaciones del mid-market están más ansiosas por automatizar, porque son las tediosas y cargadas de juicio que devoran las horas de un equipo.
Esa es la trampa. Las tareas con mayor atractivo de automatización se solapan en gran medida con las tareas más propensas a desencadenar un colapso silencioso. El agente hará una demo impecable con la factura limpia y fallará casi por completo con la que tiene tres modificaciones — y fallará con seguridad, que es la parte peligrosa.
El coste empresarial de ignorar el precipicio
No es una preocupación teórica, y el mercado ya la está valorando. Gartner prevé que más del 40 % de los proyectos de IA agéntica se cancelarán para finales de 2027, citando costes crecientes, valor de negocio poco claro y controles de riesgo inadecuados (Gartner, 2025).
El hallazgo de Stroop le dice por qué fallarán tantos. Los equipos pilotan un agente sobre una porción de trabajo seleccionada y de bajo conflicto, ven una precisión al estilo del 91 %, y lo escalan a la realidad de producción desordenada y de alto conflicto — donde el mismo agente opera más allá de su punto de colapso y produce en silencio una salida de calidad del 1 % en los casos más difíciles. Los costes que siguen no se etiquetan como «fallo de la IA». Aparecen como errores de conciliación detectados tres pasos más abajo, respuestas de cumplimiento que necesitan una rehechura humana completa y la erosión de la confianza que acaba archivando toda la iniciativa. El proyecto no muere por un incidente dramático. Muere por la acumulación de fallos silenciosos precisamente en los casos que debían justificarlo.
Las organizaciones que mantengan sus proyectos agénticos fuera de ese 40 % no serán las que tengan los mejores modelos. Todo el mundo tiene acceso a los mismos modelos de frontera. Serán las que diseñaron para el precipicio en lugar de fingir que la curva era una rampa lisa.
Dónde colocar el control
El instinto, cuando un agente rinde por debajo de lo esperado, es recurrir a mejores prompts. Este estudio dice que el prompting es la palanca equivocada. No puede salir con un prompt de una ausencia estructural de control ejecutivo; solo puede desplazar ligeramente el precipicio. La palanca duradera es arquitectónica: un control humano en el proceso (human-in-the-loop) colocado antes del punto de colapso, no después del incidente.
En concreto, esto significa tres movimientos para este trimestre.
1. Mapee sus flujos por carga de conflicto, no por tipo de tarea
Deje de clasificar las tareas candidatas en «simples» y «complejas». Clasifíquelas según cuántas restricciones rivales llevan y cuán largo es el contexto relevante. Una tarea de alto volumen con una regla clara es un objetivo de automatización seguro. Una tarea de menor volumen con tres políticas solapadas y una pila de excepciones es donde vive el precipicio — por rutinaria que parezca.
2. Fije el control antes del umbral, de forma empírica
Para cualquier flujo de agente con restricciones en conflicto o contexto largo, inserte un punto de revisión humana obligatorio. No adivine dónde se rompe el modelo — pruébelo como lo hizo el estudio. Alimente al agente con versiones progresivamente más desordenadas de una tarea real y observe la discontinuidad. Coloque el punto de control humano en el lado cercano a ella.
3. Instrumente para el fallo silencioso, no para los errores ruidosos
El colapso no se anuncia; la salida sigue siendo fluida. Por eso no puede confiar en que el agente marque sus propios casos de baja confianza. Incorpore muestreo y auditoría puntual en cualquier flujo de alto conflicto, y trate «la demo funcionó» como el comienzo de la validación, no el final.
Nada de esto requiere tecnología nueva. Requiere tratar la fiabilidad del agente como una propiedad del diseño del flujo de trabajo, no del modelo — y aceptar que la competencia del modelo tiene un borde que puede encontrar pero no sortear con un prompt.
La decisión para este trimestre
Saque la lista de procesos que su equipo planea entregar a un agente de IA en los próximos dos trimestres. Junto a cada uno, anote dos cosas: cuántas reglas o excepciones en conflicto lleva, y cuán largo es el contexto que un agente tendría que sostener. Las tareas que puntúan alto en ambas no son sus victorias rápidas. Son sus casos-precipicio — y el estudio dice que pasarán el piloto y fallarán en el trabajo real.
Para esos, el movimiento no es un agente mejor. Es un humano en el proceso (human-in-the-loop) colocado deliberadamente delante del punto de colapso. El 40 % de los proyectos agénticos destinados a la cancelación serán en su mayoría los que confundieron una demo con una garantía. Un agente que aprueba el caso limpio y colapsa en el desordenado no es una herramienta que ha desplegado. Es una responsabilidad que aún no ha descubierto. Vaya a encontrar el precipicio antes de que él lo encuentre a usted.
