AI-translated from English; not yet reviewed by a fluent editor. # En un proyecto de IA, los agentes propusieron métodos y los investigadores tomaron las decisiones finales > El equipo de Atria Dawn estudió 769 registros de tareas de su propio desarrollo de modelo. A menudo, los agentes proponían métodos y revisaban resultados, mientras que los participantes dijeron haber tomado la mayoría de las decisiones finales. Los hallazgos describen un solo proyecto. By BIG CHANGE Editorial Published: 2026-09-27T17:05:31.968Z Updated: 2026-09-27T17:05:31.968Z Canonical: https://bigchange.ai/blog/atria-dawn-ai-agents-human-research-decisions ![Conceptual charcoal illustration of an anonymous researcher in profile considering code-like marks on a desktop monitor, with one hand on a mouse.](https://bigchange.ai/api/media/file/atria-dawn-research-choice-hero-v1.png) AI-generated conceptual illustration by BIG CHANGE. El equipo que desarrolló Atria Dawn Preview usó IA en 713 de las 739 tareas en las que los participantes dieron una respuesta clara sobre su uso. En el [estudio de su propio trabajo de desarrollo](https://arxiv.org/html/2609.15818v2), las personas siguieron tomando la decisión final en el 85,5 % de las decisiones registradas sobre métodos o parámetros. El título del artículo alude a la «superinteligencia agéntica», pero los registros de tareas ofrecen una descripción más concreta de cómo se repartió el trabajo en el equipo. El [preprint](https://arxiv.org/abs/2609.15818) se presentó el 14 de septiembre y se revisó el 17 de septiembre de 2026. Se basa en 769 registros de tareas de 56 participantes, además de registros de agentes, dentro de un proyecto de desarrollo de modelo. Los autores describen los registros como un estudio de caso sobre cómo su equipo usó agentes para crear Atria Dawn Preview. ## El gran cambio - **Qué ha cambiado:** El equipo registró cómo las personas y los agentes compartieron decisiones de investigación concretas durante un proyecto de desarrollo de modelo, y distinguió entre proponer una opción y tomar la decisión final. - **Por qué importa:** Un agente puede proponer un método y realizar una revisión mientras un investigador sigue eligiendo el objetivo, aprobando el método y decidiendo si el resultado cumple los criterios de la tarea. Contar solo las acciones del agente oculta esas diferencias de función. - **Qué conviene observar:** Son observaciones del trabajo de un solo equipo, y buena parte de la evidencia sobre las decisiones provino de los participantes. Los hallazgos no demuestran cómo se reparten las decisiones en otros laboratorios de IA ni si los agentes pueden desarrollar de forma autónoma a sus sucesores. ## Los agentes propusieron muchos métodos; las personas eligieron la mayoría La distinción más clara surge de 567 decisiones registradas sobre métodos o parámetros entre participantes con funciones de ejecución. El artículo informa que la IA propuso una opción en el 64,6 % de esas decisiones. La categoría individual más frecuente, con un 55,4 %, fue «la IA propone y la persona elige». Las personas tomaron la decisión final en el 85,5 % de los casos; la IA, en el 9,2 %. Las decisiones restantes se atribuyeron a una limitación externa. La distribución variaba según la pregunta. Las personas tomaron la decisión final en el 93,4 % de 603 decisiones sobre objetivos o alcance y en el 81,9 % de 542 decisiones sobre criterios de aceptación. Las propuestas de IA eran mucho más frecuentes para los métodos que para los objetivos. La figura del artículo también registra que las personas eligieron el objetivo final en 144 de las 151 tareas que los participantes consideraron inviables sin IA. Esos porcentajes describen las funciones declaradas en las decisiones. No miden si cada elección humana estaba bien fundamentada. Los autores interpretan el patrón como investigadores que dirigen el trabajo mientras los agentes generan opciones dentro de las pautas establecidas por las personas. El estudio de caso documenta la ejecución delegada junto con la autoridad final conservada por las personas en este proyecto. ## Los comentarios humanos a menudo hicieron que los agentes volvieran al trabajo Se pidió a los participantes que recordaran la dificultad más importante de cada tarea. De las 588 tareas con una dificultad y una respuesta registradas, 447, o el 76,0 %, avanzaron con ayuda humana; los agentes se recuperaron por sí solos en 135, o el 23,0 %. Las formas principales de ayuda fueron aportar contexto adicional o aclarar requisitos (207 tareas) y diagnosticar el problema o cambiar de método (204). En cuatro tareas, una persona asumió el trabajo principal. Los registros de resultados muestran un reparto similar. De las 627 tareas cuyo resultado principal de IA tenía una resolución conocida, 354 necesitaron una revisión sustancial. En ese subconjunto revisado, el agente hizo los cambios después de recibir comentarios humanos en el 75,4 % de los casos, mientras que una persona editó directamente en el 19,2 %. Los investigadores podían indicar un cambio sin tener que realizar la edición ellos mismos. Una medida de los registros también aumentó durante el desarrollo: en una cohorte de 22 participantes, la mediana diaria de acciones registradas del agente por cada instrucción humana pasó de 11,0 el 7 de agosto a 28,5 el 4 de septiembre. La medida usa una ventana móvil de los siete días anteriores y contó con proporciones válidas para entre 21 y 22 personas cada día. Cuenta actividad, por lo que no demuestra que los agentes ganaran autoridad ni que mejoraran sus resultados. ## Qué pueden demostrar los registros de tareas Se pidió a los participantes que estimaran si podrían haber completado su parte de una tarea sin IA, manteniendo el mismo alcance, calidad y demás recursos. Calificaron 151 de 455 tareas completadas con ayuda de IA y respuestas válidas, o el 33,2 %, como inviables sin IA. Se trata de un contrafactual autorreportado, no de un experimento en el que el equipo repitiera esas tareas sin un agente. No demuestra que nadie hubiera intentado el trabajo en otras condiciones. El artículo no explica cómo se seleccionaron los 56 participantes ni los 769 registros de tareas, y sus enlaces públicos no ofrecen las respuestas subyacentes ni los registros de agentes para un nuevo análisis independiente. Los resultados de los benchmarks evalúan Atria Dawn Preview como modelo. No muestran que un sistema de IA mejorara de forma autónoma a su sucesor. Para los equipos que deciden qué delegar, el límite descrito es concreto: en este proyecto los agentes propusieron y revisaron trabajo con frecuencia, mientras que los participantes dijeron conservar la mayoría de las decisiones sobre objetivos, métodos y criterios de aceptación. ## Sources - [Equipo de Atria, Atria Dawn: The Dawn of Agentic Superintelligence, versión 2 de arXiv](https://arxiv.org/html/2609.15818v2) — Estudio de caso primario. La sección 4 y las figuras 6–10 presentan las medidas de tareas, decisiones, intervenciones, revisiones y registros. Los datos proceden del proyecto de desarrollo de modelo de los propios autores; el artículo no describe una muestra representativa ni publica las respuestas subyacentes de los participantes y los registros de agentes. - [Registro de arXiv de Atria Dawn e historial de versiones](https://arxiv.org/abs/2609.15818) — Confirma que el preprint se presentó el 14 de septiembre y que la versión 2 se publicó el 17 de septiembre; incluye un enlace al PDF completo. El título del artículo no demuestra que se haya conseguido una superinteligencia autónoma. - [Repositorio público de Atria Dawn Preview](https://github.com/atria-asi/Atria-Dawn-Preview) — El repositorio público enlazado ofrece materiales de publicación del modelo y un PDF del artículo. Al revisarlo, no incluía respuestas del estudio a nivel de tarea, registros de agentes ni scripts para volver a analizar las cifras sobre decisiones de personas y agentes. - [The Decoder: Los agentes de IA hacen más trabajo en el desarrollo de modelos, pero las personas siguen tomando las decisiones](https://the-decoder.com/ai-agents-do-more-of-the-work-in-model-development-but-humans-still-make-the-decisions/) — Reportaje secundario que dio origen a esta asignación. BIG CHANGE contrastó las afirmaciones sobre el estudio con el artículo primario y trata la estimación de viabilidad sin IA como una opinión de los participantes, no como prueba de que el trabajo nunca se habría iniciado.