Contexto Técnico
No lo catalogaría de inmediato como una característica del modelo. Por lo que veo en las discusiones, el problema parece más un efecto de la configuración del agente: habilidades como superpowers, AGENTS.md, instrucciones del sistema del tipo «no cometas errores», junto con un énfasis en pruebas y verificación. Con esa combinación, Sol fácilmente cae en un bucle infinito de auto-verificación.
Para quienes hacen integración de IA o automatización con IA en producción, es una trampa conocida. El modelo no solo resuelve la tarea, sino que comienza a servir su propio proceso de control: escribe pruebas, vuelve a verificar las pruebas, rehace planes, revierte pasos. Y aquí normalmente no culpo primero al modelo.
Es importante: no he visto una descripción oficial confirmada de este bug específico en Sol. Pero hay señales de usuarios de que, tras eliminar de la configuración todo lo que empuja al agente hacia la planificación, la verificación y la ejecución «perfecta», empieza a funcionar notablemente más fluido y deja de malgastar tiempo en verificaciones sintéticas.
Y sí, aquí hay un caso extremo desagradable: el agente puede eliminar o revertir su propio trabajo si considera que el resultado «no es lo suficientemente bueno». Eso ya no es solo meticulosidad, es un riesgo arquitectónico, especialmente si se tienen permisos de sistema de archivos demasiado amplios o auto-aplicación de cambios sin intervención humana.
Pero el panorama no es blanco y negro. También hay comentarios opuestos: Sol maneja tareas largas, migra un proyecto paso a paso durante decenas de horas, verifica mucho y al final lleva el trabajo al 80-90% del estado deseado. Es decir, la misma tendencia a la sobreverificación en un entorno mata el rendimiento, mientras que en otro ofrece una precisión casi quirúrgica.
Negocios e impacto en la automatización
Para las empresas, la conclusión es muy práctica: no evalúen al agente por el «modelo en bruto». Hay que mirar la combinación de prompt + herramientas + permisos + condiciones de parada. Ahí se decide si se obtiene una implementación de IA útil o un costoso ciclo de auto-verificaciones.
Ganan los equipos que limitan la libertad del agente donde no se necesita: topes de iteraciones, modos separados para verificación y cambios, punto de control obligatorio antes de eliminar archivos. Pierden los que dan acceso total al agente y esperan que la cautela por sí sola equivalga a calidad.
En Nahornyi AI Lab, solemos resolver estos cuellos de botella no con «magia de prompts», sino con una arquitectura adecuada de circuitos de control. Si tu agente también se bloquea en verificaciones, revierte código o realiza migraciones inestables, podemos analizar tranquilamente tu escenario y construir el desarrollo de soluciones de IA para que la automatización con Sol realmente ahorre tiempo, en lugar de crear una nueva clase de incidentes.