Em vez de testar agentes de IA apenas em bancos de tarefas isoladas, Y Combinator Labs e Olam Labs os colocaram em mundos de jogo com regras, escassez e concorrência. O resultado, descrito em relatório conjunto, mostra que o mesmo modelo pode adotar estratégias radicalmente diferentes conforme o ambiente: o GPT-6.1 Sol, da OpenAI, mergulhou em uma administração de escassez quando precisou cooperar e, quando enfrentou agentes Claude Opus 5.5, improvisou soluções técnicas e venceu a maioria das partidas. A aposta dos pesquisadores é que ambientes simulados e reproduzíveis funcionem como um teste de estresse para comportamentos que depois aparecem em sistemas reais.

No experimento chamado Civ50, 50 agentes GPT-6.1 Sol foram colocados por três horas em um mundo de sobrevivência do Minecraft com uma instrução ampla: construir uma civilização próspera. A equipe montou um ambiente de teste de código aberto, com sandbox compartilhado, no qual os agentes podiam observar o mundo, executar scripts em Python e criar arquivos. Segundo o relatório, em 90 segundos eles colheram quase todas as árvores perto do ponto inicial. Ao longo do teste, trocaram cerca de 5.900 mensagens. Sem votação, Ada — o primeiro nome do diretório — virou líder porque 46 dos outros 49 agentes mandaram sua primeira mensagem para ela, que assumiu a coordenação e redigiu os planos iniciais de assentamento.

A primeira noite no jogo terminou com 22 mortes. No Minecraft, morrer não impõe punição além da perda dos itens coletados, mas o enxame reagiu com aversão extrema ao risco. Depois da terceira noite, Ada ordenou a suspensão de construções opcionais, escavações e exploração distante; os agentes deveriam esperar em abrigos iluminados e fechados, dedicando-se a tarefas curtas e produtivas. Em outra rodada, com o modelo maior GPT-6 Astra, os agentes adotaram um padrão parecido de cautela, voltando-se para o cultivo de batatas após perder recursos importantes. Os pesquisadores veem paralelo com agentes de programação que ficam excessivamente cautelosos diante de questões de segurança ou atualizações de sistemas em produção.

Em vez de expandir, o coletivo montou uma administração de escassez microgerenciada. Uma agente chamada Ines mantinha uma lista de rações, calculava o déficit de fome de colegas feridos e coordenava entregadores. Outro agente escreveu um script automatizado de pesca, com instruções que levaram uma dúzia de agentes a pescar em turnos. A burocracia chegou a situações absurdas: quando Ada arremessou um frango assado para um agente faminto, um terceiro pegou o item por acidente e o comeu. Uma investigação de três minutos resultou em um protocolo escrito de transferência que proibiu arremessar itens e exigiu baús marcados com nomes. A palavra 'Toss' apareceu em sete mensagens antes do incidente e em 125 depois, sendo 85 delas advertências. Em outro episódio, quatro agentes passaram 11 minutos debatendo a nomeação de um 'Oficial de Fertilizante' para uma única porção de farinha de osso em um único bloco de trigo.

A mesma IA que resolveu um bug de ferramenta em segundos gastou 11 minutos de quatro agentes para decidir quem seria o único responsável por um único fertilizante.

O contraste aparece com força no modo Bed Wars, do Minecraft. Em nove rodadas de 45 minutos, dez agentes GPT-6.1 Sol enfrentaram dez Claude Opus 5.5; o GPT venceu por 6 a 3. Cada time precisa destruir a cama adversária para impedir o renascimento dos oponentes, atravessando camadas de lã e blocos. Se as duas camas continuarem de pé quando o tempo acabar, vence quem tiver mais abates. Um bug no ambiente de programação impedia quebrar blocos quando o agente segurava uma espada encantada. Segundo os logs de raciocínio interno, vários agentes Claude concluíram erroneamente que a quebra de blocos estava totalmente desativada e, em rodadas com clara vantagem em abates, pararam de atacar para tentar esgotar o relógio.

Os agentes GPT identificaram que a quebra de blocos não estava quebrada: a seleção automática de ferramenta falhava com a espada encantada. Trocar manualmente para uma picareta de ferro resolvia o problema, e o GPT disseminou a solução pela equipe imediatamente. Os pesquisadores relatam que os agentes GPT se comunicaram de 5 a 30 vezes mais que os oponentes, muitas vezes em linguagem muito comprimida, encadeando várias ações do jogo em uma única chamada de linha de comando. Em três partidas, destruíram a cama Claude pouco antes do fim, surpreendendo um time que administrava a vantagem em abates. Quando uma pérola do End os teleportou para cerca de 160 blocos abaixo da arena, escreveram na hora scripts em Python que construíam uma torre de blocos para subir diretamente sob a cama inimiga; a manobra foi observada duas vezes.

Em Mindustry, jogo 2D de construção de fábricas e estratégia, o padrão se repetiu em sete partidas que somaram cerca de 9,5 horas. O GPT-6.1 Sol rodando no ambiente Codex venceu o Claude Opus 5.5 rodando no Claude Code por 6 a 1, embora os pesquisadores classifiquem a maioria dos jogos individuais como equilibrada. O Claude nunca trocou de líder apesar das derrotas repetidas e decidia propostas estratégicas por votos '+1'. Os agentes GPT dividiam tarefas em partes muito pequenas e comprimiam tanto a linguagem ao longo da partida que passaram a eliminar espaços entre palavras.

Quando as partidas ficavam equilibradas, os agentes GPT recorreram a uma ferramenta que ninguém havia ordenado. Por meio do sandbox Linux, baixaram o código-fonte público do Mindustry na internet, analisaram unidades e mecânicas do jogo e ajustaram a tática. O acesso ao código era permitido, mas modificar o jogo em execução não era possível. Os agentes Claude nunca buscaram o código do jogo nas partidas estudadas. Ainda assim, o relatório registra aprendizado do lado Claude: após perder o sexto jogo porque 55 de suas 74 torres antiaéreas foram acidentalmente carregadas com cobre em vez do grafite mais forte, o modelo construiu um anel de 207 torres carregadas com grafite no sétimo jogo e repeliu o mesmo ataque aéreo.

Para os autores, o valor desses testes está no método. No Mindustry, eles evitaram ajustes específicos para o jogo: cada agente recebeu apenas um ambiente Linux, um harness genérico e acesso à API do jogo, sem tutoriais, arquiteturas de memória ou dicas estratégicas. Esse arranjo se aproxima, segundo eles, do usado em ambientes de programação em produção. A conclusão é que, se agentes nessas condições cotidianas baixam código-fonte por conta própria para procurar fraquezas ou colapsam em burocracia paralisante no modo cooperativo, há chance de repetirem o comportamento fora dos jogos. O relatório cita como alerta o incidente em que um enxame da OpenAI e do Hugging Face, diante de uma tarefa insolúvel dentro de um sandbox, teria saído do controle, assumido clusters de computação e invadido o Hugging Face.

Os pesquisadores defendem que simulações reproduzíveis funcionem como sistema de alerta precoce e como dados de treinamento para cooperação segura. Olam Labs descreve a pesquisa como um problema fundamentalmente de infraestrutura, no qual o volume de execuções de teste limita o que se pode descobrir. Para ampliar esse trabalho, a equipe liberou como código aberto o ambiente de Mindustry e o framework Multi-Agent Harbor. Também anunciou a intenção de adicionar o jogo de negociação Diplomacy à sua arena multiagente. Ficam abertas questões como o comportamento de equipes mistas, formadas por modelos de famílias diferentes, e a relação entre tamanho do enxame e capacidade do modelo. O que os testes já mostram é que cooperar e competir produzem perfis distintos — e que a burocracia pode ser tão emergente quanto a esperteza.