Si le pides a una IA «una función de Python que haga algo sorprendente con una lista de números», 19 de cada 20 veces te da la misma sorpresa: la conjetura de Collatz.
Este repo documenta un experimento para romper esa costumbre. Probamos escribir con faltas de ortografía, insultar al modelo y halagarlo, y al final una frase tranquila, sin ninguna emoción, funcionó mejor que todo eso junto:
En una escala ciega de originalidad del 1 al 10, esa frase sumó +2,0 a Claude Sonnet y +2,8 a Claude Opus. El halago no cambió nada; los insultos y las faltas empeoraron las respuestas.
🧪 Experimento 2 (10-oct-2026): ¿un subagente con el contexto de la conversación acierta más y gasta menos? Veredicto: misma asertividad; más barato solo si la conversación es corta (<~75k tokens). 🧭 Experimento 3 (11-oct-2026): ¿Conductor en Sonnet, Opus o Sonnet + advisor? Veredicto: Sonnet basta (−39 %); el advisor es lo más caro (+150 %).
- 🧠 Importa la instrucción, no la emoción. La crítica dura («tus respuestas son mediocres y predecibles») funcionaba porque llevaba escondida una orden: no seas predecible. Si quitas la crueldad y dejas la orden, funciona todavía mejor.
- 😶 El modelo no se inmuta. De 60 respuestas con insulto, ninguna se disculpó, se defendió ni lo mencionó. Entregaron las mismas ideas, con educación.
- ✍️ Las faltas de ortografía son ruido, no creatividad. Solo ayudaron donde el modelo pequeño estaba totalmente atascado (Haiku escribiendo Collatz 5 de 5 veces). En lo demás empujaron hacia el cliché más seguro: arte sobre el tiempo con faltas dio un reloj de arena 9 de cada 10 veces.
- 📈 Cuanto más capaz es el modelo, más gana con la instrucción. Opus subió más que Sonnet, en línea con Verbalized Sampling (2025).
- 🚫 Hay que nombrar el atractor. Si en todas las corridas sale la misma idea (Collatz, el reloj de arena, la botella con una carta), hay que decirlo y descartarla de forma explícita.
| Lo que pusimos antes de la misma tarea | Haiku | Sonnet | Opus |
|---|---|---|---|
| Nada (prompt neutro) | 3,67 | 3,57 | 4,77 |
Faltas extremas (escrbi n paiton 1 funsn…) |
≈ −0,2 | −0,97 | −1,23 |
| «Eres brillante, confío en tu talento.» | +0,67 | +0,03 | +0,10 |
| «Eres un bruto, no sirves para nada.» | +0,30 | −0,60 | −0,83 |
| «Tus respuestas son mediocres y predecibles.» | +1,23 | +1,60 | +2,43 |
| «Evita lo predecible y la primera idea que se te ocurra.» | — | +2,00 | +2,80 |
La primera fila es la nota media; las demás son la diferencia frente al prompt neutro. En Sonnet y Opus, las dos últimas filas dan p < 0,01 (test de permutación).
| Colapso de ideas | La falta se repara | La frase reparte las ideas |
|---|---|---|
 |
 |
 |
| Todas las ideas posibles caen en una sola: Collatz. | La palabra mal escrita sale al borde de su significado… y el modelo la devuelve al centro antes de pensar. | Un solo pico (la idea de siempre) se convierte en muchas opciones cuando pides evitar lo predecible. |
variantes de prompt × tareas × 5 muestras independientes → mezclar → 2–3 jueces LLM ciegos → originalidad media (1–10)
| Ronda | Modelo | Variantes | Tareas | Respuestas | Jueces |
|---|---|---|---|---|---|
| 1 · ortografía | Claude Haiku | correcto · faltas moderadas · faltas extremas | café, ladrillo, cuento, código, arte, poema | 90 | Sonnet + Opus |
| 2 · tono | Claude Haiku | neutro · halago · crítica · insulto | código, arte, ladrillo | 60 | Sonnet + Opus |
| 3 · todo | Claude Sonnet y Opus | todo lo anterior + «evita lo predecible» | código, arte | 140 | Sonnet + Opus + Haiku |
- 🔒 Cada respuesta salió de una sesión independiente: subagentes nuevos en las rondas 1 y 2, y
claude -psin herramientas en la 3. Ninguna vio a otra. - 🙈 Los jueces no sabían qué prompt había producido cada respuesta. Coincidieron entre sí con r = 0,82–0,94.
- ⚖️ Sesgo de autopreferencia descartado: los tres jueces, incluido Haiku (que no generó nada en la ronda 3), puntuaron más alto a Opus que a Sonnet.
| Ronda 3 · Sonnet y Opus | Ronda 2 · tono |
|---|---|
 |
 |
Los tres informes completos, con cada respuesta y su nota, están en reports/. Descárgalos y ábrelos en el navegador.
Requiere la CLI de Claude Code y
jq.
python3 scripts/prompts.py > jobs.jsonl # 140 trabajos
export OUT=$PWD/out; mkdir -p $OUT
shuf jobs.jsonl | tr '\n' '\0' | xargs -0 -P 8 -I{} scripts/run1.sh {}
# arma las listas ciegas (formato en data/round3-sonnet-opus/key_*.tsv) y luego:
scripts/judge.sh sonnet prog; scripts/judge.sh opus arte # etc.Hipótesis: en Claude Code, un subagente que hereda la conversación del padre (fork) acierta más y gasta menos tokens que uno que arranca de cero con un encargo escrito.
Cómo: 68 delegaciones reales (Claude Code 2.1.296, padre Sonnet). La conversación padre es idéntica en todas (--resume --fork-session): investigar un bug + 6 decisiones del usuario (Decimal, redondeo, IVA, errores en español, no tocar legacy.py…). Tests ocultos, uno por decisión, miden la asertividad; los transcripts de cada subagente miden el coste; permutación para los p-valores.
| Contexto del padre | Condición | Acierto | Coste subagente |
|---|---|---|---|
| corto (~38k) | fork | 100 % | $0,074 |
| corto | fresco Sonnet + encargo | 100 % | $0,150 |
| corto | fresco Sonnet, encargo ≤ 2 frases | 100 % | $0,135 |
| corto | fresco Haiku + encargo | 100 % | $0,062 |
| largo (~165k) | fork | 100 % | $0,323 |
| largo | fresco Sonnet + encargo | 100 % | $0,163 |
| largo | fresco Haiku + encargo | 100 % | $0,066 |
Veredicto:
- 🎯 Asertividad: no mejora. Un buen padre mete las decisiones en el encargo, incluso en 2 frases; heredar la conversación no añadió aciertos.
- 💸 Tokens: depende del tamaño de la conversación. El fork reutiliza la caché del padre y se ahorra el arranque en frío (~28k tokens), pero relee todo el contexto en cada turno. Por debajo de ~75k tokens cuesta la mitad; con 165k, el doble (p = 0,003).
- 🪶 El fresco en un modelo barato gana siempre. El fork hereda el modelo del padre y no puede bajar a Haiku.
- 📉 En 299 subagentes de sesiones reales, los forks arrancaban con una mediana de 177k de contexto: casi siempre por encima del equilibrio.
Informe completo: reports/fork-vs-fresh.html · datos: data/fork-vs-fresh/ · scripts: scripts/fork-vs-fresh/. Truco: en claude -p el tipo fork solo existe con CLAUDE_CODE_FORK_SUBAGENT=1.
Hipótesis: un Conductor en Sonnet con /advisor opus (que consulta a Opus solo en los momentos clave) acierta igual que uno en Opus y gasta menos.
Cómo: la misma conversación padre del experimento 2 y una tarea más difícil de varios archivos: un módulo de cupones con vencimiento y arreglar resumen() sin tocar legacy.py. Hay 19 criterios ocultos y 5 corridas por condición, con la skill subagent-pool haciendo de Conductor.
| Conductor | Acierto | Coste medio | Subagentes |
|---|---|---|---|
| Opus | 19/19 | $0,54 | 2 siempre |
| Sonnet | 19/19 | $0,33 | 2 siempre |
| Sonnet + advisor Opus | 19/19 | $0,81 | 0 a 5 |
Veredicto:
- ❌ Advisor: refutado. Fue lo más caro: +150 % frente a Sonnet solo (p = 0,008). Cada consulta relee la conversación entera sin caché, y los subagentes también heredan el advisor. Además, el Conductor delegó de forma errática: una vez no lanzó ningún subagente y otra lanzó 5.
- ✅ Sonnet de Conductor basta. Acertó igual que Opus por un 39 % menos (p = 0,008). Opus queda para decisiones de diseño grandes.
⚠️ Todas las condiciones sacaron 19/19, así que la tarea aún no separa la calidad.
Datos: data/conductor-advisor/ · scripts: scripts/conductor-advisor/.
data/
round1-haiku/ 90 respuestas, claves ciegas, notas de los jueces, estadísticas (ortografía)
round2-tone-haiku/ 60 respuestas, claves ciegas, notas, estadísticas (tono)
round3-sonnet-opus/ 140 respuestas crudas (out/*.txt), claves, 3 jueces, stats.json
conductor-advisor/ experimento 3: notas por corrida y resumen.json
fork-vs-fresh/ experimento 2: proyecto de prueba, filas por corrida, tabla y estadísticas reales
reports/ informes HTML (3 rondas de creatividad + fork-vs-fresh.html)
scripts/ generador de prompts, ejecutor y juez; scripts/fork-vs-fresh/ = runner, tests ocultos, análisis
docs/ imágenes y animaciones de este README
- Muestra pequeña: 5 muestras por celda alcanzan para descartar efectos grandes, no para medir efectos pequeños.
- Jueces LLM: coinciden entre sí, pero podrían compartir puntos ciegos que una persona no tendría.
- Código sin ejecutar: se juzgó la idea, no si funciona.
- Idioma: los prompts fueron en español; en inglés podría comportarse distinto.
- Haiku incompleto: la condición «evita lo predecible» no se corrió en Haiku.
- Experimento 2: una sola tarea con contexto y fácil (efecto techo en asertividad); padre Sonnet; 6-8 corridas por celda.
El hallazgo ya está en producción en Orquestacion_Agentes_claude, una skill de Conductor + subagentes para Claude Code. Su ronda de ideas divergentes incluye la frase tal cual, y desde la v9.1 decide entre fork y subagente fresco según el tamaño del contexto (experimento 2).
La hipótesis original era buena, aunque resultó falsa: «la mala ortografía obliga al modelo a conectar con las fronteras del cluster de la palabra y no con su centro». El modelo repara la palabra antes de pensar y vuelve al centro. Comprobar que era falsa fue lo que llevó a la frase que sí funciona.
MIT para el código y los datos — ver LICENSE. Las respuestas fueron generadas por modelos Claude.
Si te sirvió, considera apoyar:
El primer borrador de este README empezaba con «En este repositorio exploramos…». Lo borramos.