YC-Bench: ¿Puede tu agente de IA dirigir una startup sin quebrar?

Collinear AI ha desarrollado YC-Bench, un benchmark que simula que grandes modelos de lenguaje (LLM) gestionen una startup durante un año completo, enfrentándose a decisiones de contratación, clientes dudosos y plazos ajustados. De 12 modelos frontier probados, solo tres obtuvieron beneficios, mientras que la mayoría acabó en bancarrota. El artículo presenta el leaderboard de resultados y las lecciones aprendidas sobre el rendimiento de los agentes de IA en escenarios empresariales realistas. Incluye enlaces al repositorio y al leaderboard en Hugging Face para que otros puedan probar y mejorar sus agentes.