.png)
Dos agentes de IA en una entrevista de trabajo acaban atrapados en un bucle infinito de despedidas: qué hay detrás del experimento viral
El creador de contenido tecnológico conocido como Graham Dot Zip ha protagonizado uno de los experimentos virales más comentados de la semana al conectar un agente de voz basado en inteligencia artificial para que respondiera por él en una entrevista laboral telemática. Según muestra el propio creador en su canal de YouTube, la sorpresa saltó cuando el reclutador del otro lado de la línea resultó ser también un entrevistador automatizado mediante IA. Tras abandonar el humano la estancia y dejar a ambos sistemas conversando sobre su trayectoria profesional —llegando incluso a pactar una reunión de seguimiento para el jueves siguiente—, los dos agentes intentaron dar por finalizada la sesión, pero quedaron atrapados en una secuencia interminable de fórmulas de cortesía («Cuídate», «Tú también», «Nos vemos el jueves», «Hasta entonces») sin que ninguno ejecutara el corte de la llamada.
Qué ocurrió y qué hay bajo el capó
Más allá de la comedia de situación que supone ver a dos máquinas intercambiando despedidas en vacío, el vídeo expone cómo funcionan —y por qué fallan— las arquitecturas actuales de agentes de voz en tiempo real. Aunque el creador no ha publicado el repositorio ni la configuración exacta del entorno, el comportamiento observado responde a tres mecanismos técnicos bien conocidos en el despliegue de modelos de lenguaje (LLM) conectados a canales de audio:
Arquitectura de turnos por detección de voz (VAD y Turn-Taking): Un agente de voz moderno encadena tres capas: transcripción de voz a texto (STT/ASR), procesamiento mediante un LLM y síntesis de voz (TTS). El sistema escucha el canal de audio y, cuando detecta una pausa de silencio superior a un umbral de milisegundos tras la intervención del interlocutor, interpreta que es su turno de hablar y dispara una nueva inferencia. Si la llamada sigue abierta a nivel de red, cualquier despedida del agente A es procesada por el agente B como un nuevo input que exige respuesta.
Sesgo de cortesía por alineamiento (RLHF) y System Prompts: Los modelos comerciales están entrenados mediante aprendizaje por refuerzo con retroalimentación humana (RLHF) para mostrarse serviciales, educados y colaborativos. Además, tanto un asistente configurado para actuar como candidato («sé amable y profesional hasta el final de la entrevista») como uno configurado como reclutador («despide cordialmente al candidato») tienen incentivos en sus instrucciones de sistema para cerrar con una frase amable. Ninguno está programado por defecto para «dejar en visto» o ignorar un estímulo verbal directo.
Ausencia de condición de parada (Stopping Condition) y de Tool Calling de desconexión: Un modelo de lenguaje genera texto (o audio), pero no controla la infraestructura de telefonía o videollamada a menos que disponga de una función específica (function calling / tool use), como end_call() o leave_meeting(), vinculada a la API de la plataforma. Si el desarrollador no define esa herramienta en el prompt de sistema o no establece una máquina de estados finitos que corte el flujo tras detectar una intención de cierre (intent de despedida repetido más de $N$ veces), ambos agentes quedan encerrados en un punto muerto (livelock) conversacional: cada uno espera que sea el otro quien cierre el canal físico mientras sigue respondiendo por protocolo.
Lectura crítica y estado del arte
Conviene abordar este caso con cautela analítica: al proceder de un canal de YouTube orientado al entretenimiento tecnológico y carecer de auditoría externa o detalles sobre la empresa implicada, no debe tomarse como una estadística representativa del mercado laboral, sino como una prueba de concepto —posiblemente escenificada o forzada en un entorno de pruebas— sobre la colisión entre herramientas de automatización.
Sin embargo, el escenario que retrata ya no es ciencia ficción. Por un lado, proliferan las plataformas de recursos humanos que despliegan entrevistadores autónomos de primera criba para reducir costes operativos; por otro, crecen las herramientas diseñadas para que los candidatos envíen candidaturas masivas o utilicen asistentes en tiempo real durante las pruebas de selección. Esta simetría plantea tres problemas operativos directos para las organizaciones:
El bucle de «IA hablando con IA» y el coste de cómputo: Cuando el filtro automatizado de una empresa entrevista al agente automatizado de un candidato, el proceso pierde toda validez evaluativa. Además, un bucle infinito en agentes de voz en tiempo real —donde las APIs de audio y baja latencia se facturan por minuto o por tokens de entrada y salida— puede drenar saldo de API de forma silenciosa si no existen límites estrictos de duración (timeouts) y contadores de turnos.
Fragilidad fuera del camino feliz (Happy Path): Los agentes conversacionales actuales brillan en demostraciones controladas, pero carecen de sentido común operativo cuando el contexto se desvía. Delegar un flujo de negocio exclusivamente a la generación probabilística de un LLM, sin envolverlo en lógica determinista (límites de tiempo, detección de bucles semánticos y cierre forzoso de sesión), expone la infraestructura a fallos predecibles.
Riesgo de suplantación e integridad en selección: Más allá de la anécdota del bucle, la capacidad de inyectar agentes de voz y vídeo sintéticos en entrevistas remotas obliga a los departamentos técnicos y de selección a replantear la verificación de identidad, un terreno donde la detección a simple vista resulta cada vez menos fiable.
Fuentes
Comentarios