En resumen: Los agentes que manejan el ordenador, es decir, los sistemas que ven su pantalla y mueven el ratón y el teclado, han dado un salto real de capacidad, y las demostraciones no son falsas. Pero la evidencia publicada traza una línea nítida que las demostraciones no trazan. En OSWorld, el indicador académico de 369 tareas cortas sobre un escritorio real, los agentes pasaron del 12,24 por ciento de éxito en su lanzamiento en 2024 a puntuaciones por encima del umbral humano del 72,36 por ciento. En OSWorld 2.0, publicado en junio de 2026 con 108 flujos de largo recorrido que a una persona le llevan una mediana de 1,6 horas, el mejor agente de frontera completa el 20,6 por ciento. El mismo sistema puntero obtiene 83,5 por ciento en el indicador corto y 20,6 por ciento en el largo. Esa brecha es la cifra más importante de este campo y le dice exactamente dónde funciona la delegación y dónde destruye valor. Esta guía ofrece la tabla verificada de resultados, un análisis derivado del coste por tarea realmente terminada, la taxonomía publicada de seis modos de fallo y un marco de delegación en tres niveles que asigna a cada tipo de trabajo la supervisión que realmente necesita. Un directivo compra fiabilidad, no demostraciones; un estudiante repite la comprobación cuando sale el siguiente modelo.
Algo cambió de verdad en los últimos dos años. Un sistema de IA ya puede mirar su pantalla, encontrar el botón, hacer clic, escribir en el campo, cambiar de aplicación y continuar. No mediante una integración a medida construida por su departamento de informática, sino igual que lo hace usted, mirando y actuando. Es la capacidad que se imagina desde el primer asistente conversacional, porque es la que por fin toca la forma real del trabajo de oficina, que no es una conversación sino una larga secuencia de pequeñas manipulaciones repartidas entre media docena de aplicaciones que nunca se hablan bien entre sí.
Los vídeos de demostración son convincentes y, lo que importa, no están trucados. El problema es que una demostración es una muestra de tamaño uno extraída de una distribución que nadie le enseña. La pregunta útil no es si un agente puede reservar un vuelo o conciliar una hoja de cálculo, porque la respuesta es sí, a veces. La pregunta útil es: con qué frecuencia, en qué tipo de tarea y qué ocurre el resto de las veces. Esa pregunta ya tiene respuestas reales, publicadas en investigación de referencia revisada por pares y en preimpresión, y esas respuestas son mucho más accionables que el entusiasmo o el rechazo.
El indicador que definió el campo y el que lo redefinió
OSWorld, presentado en NeurIPS 2024, fue el primer intento serio de medir esto correctamente. Coloca a un agente en un sistema operativo real con aplicaciones reales y le plantea 369 tareas tomadas del uso real del ordenador: gestión de archivos, navegación web, edición de documentos y flujos que abarcan varias aplicaciones. Cada tarea tiene una comprobación programada basada en la ejecución, de modo que el éxito significa que el archivo acabó realmente en el estado correcto, no que un modelo evaluador aprobara la transcripción.
Dos cifras de aquel trabajo original siguen anclándolo todo. Las personas completan el 72,36 por ciento de las tareas, algo que merece detenerse a considerar, porque significa que no son encargos triviales ni siquiera para un humano. Y el mejor modelo en el lanzamiento, en abril de 2024, completó el 12,24 por ciento. Los autores atribuyeron la brecha sobre todo al anclaje en la interfaz, es decir, saber dónde está realmente el elemento en la pantalla, y al conocimiento operativo, es decir, conocer la forma convencional en que una aplicación espera ser manejada.
Esa brecha se cerró rápido. En unos dos años, las puntuaciones publicadas en OSWorld superaron el umbral humano, y a mediados de 2026 los sistemas líderes declaran cifras en los ochenta. Leído de forma aislada, es un relato de problema resuelto y entregado, y buena parte de los comentarios de 2026 lo leyó exactamente así.
Entonces, en junio de 2026, el mismo grupo investigador publicó OSWorld 2.0 y el panorama cambió. El nuevo indicador contiene 108 flujos, cada uno un trabajo realista de principio a fin en lugar de un encargo suelto. La restricción de diseño es la parte interesante: cada tarea le lleva a un usuario una mediana de aproximadamente 1,6 horas. Donde una tarea del indicador original requería del agente unas 30 llamadas a herramientas, las del nuevo requieren de media 318,4 llamadas para un modelo de frontera con esfuerzo de razonamiento máximo. No es una versión más difícil de la misma prueba. Es otro régimen, y está mucho más cerca del aspecto de un trabajo real.
En ese indicador, con un presupuesto de 500 pasos, el mejor agente de frontera completa el 20,6 por ciento de las tareas.
Cómo leer bien la tabla de resultados
La tabla siguiente recoge los resultados publicados de OSWorld 2.0 con un presupuesto de 500 pasos y esfuerzo de razonamiento máximo, tal como los documentan los autores del indicador. Finalización binaria significa que el flujo entero terminó correctamente. La puntuación parcial acredita el avance logrado por el camino. El coste es el gasto aproximado declarado por intento.
| Sistema (según lo publicado) | Finalización binaria | Puntuación parcial | Coste aproximado por intento |
|---|---|---|---|
| Claude Opus 4.8 (por lotes) | 20,6 % | 54,8 % | 72,4 $ |
| Claude Opus 4.8 (individual) | 18,5 % | 49,3 % | 76,1 $ |
| Claude Opus 4.7 (por lotes) | 18,2 % | 48,9 % | 33,6 $ |
| Claude Opus 4.7 (individual) | 13,9 % | 49,1 % | 35,8 $ |
| GPT-5.5 (por lotes) | 13,0 % | 49,5 % | 25,5 $ |
| Claude Sonnet 4.6 | 8,3 % | 41,5 % | 22,3 $ |
| MiniMax M3 | 4,6 % | 22,3 % | 2,4 $ |
| Kimi 2.6 | 4,6 % | 22,1 % | 6,6 $ |
| Qwen 3.7-Plus | 2,8 % | 21,5 % | 3,8 $ |
Dos rasgos de esta tabla importan más que la clasificación.
El primero es la distancia entre la columna binaria y la parcial. El sistema líder termina del todo una de cada cinco tareas, pero obtiene un 54,8 por ciento en avance parcial. Los agentes no fallan en la línea de salida. Avanzan considerablemente en flujos largos y luego no logran cerrarlos. Para un responsable que decide qué delegar, ahí está toda la historia: en una tarea larga, el resultado de un agente que maneja el ordenador suele ser un trabajo a medias, no una negativa. El trabajo a medias que parece terminado es el tipo de resultado más caro que existe, porque alguien tiene que auditarlo antes de poder fiarse, y auditar un flujo que uno no ha ejecutado suele ser más lento que ejecutarlo.
El segundo es el precipicio entre indicadores. Los autores señalan que la misma configuración de Claude Opus 4.8 que solo alcanza el 20,6 por ciento de finalización binaria en el indicador largo obtiene un 83,5 por ciento en el OSWorld original. Un sistema, un mismo momento, dos cifras separadas por un factor de cuatro. Cualquier afirmación sobre la fiabilidad de los agentes que no especifique la duración de la tarea es casi carente de sentido.
Cuánto cuesta realmente la falta de fiabilidad
La tabla publicada da el coste por intento, pero esa no es la cifra que importa a una empresa. Lo que quiere saber es el coste por tarea terminada, es decir, el gasto dividido por la probabilidad de que el intento salga bien. La tabla siguiente, un marco editorial de CEOtudent aplicado a las cifras publicadas arriba, lo deriva.
| Sistema (según lo publicado) | Finalización binaria | Coste por intento | Coste derivado por tarea terminada |
|---|---|---|---|
| MiniMax M3 | 4,6 % | 2,4 $ | ~52 $ |
| Qwen 3.7-Plus | 2,8 % | 3,8 $ | ~136 $ |
| Kimi 2.6 | 4,6 % | 6,6 $ | ~143 $ |
| Claude Opus 4.7 (por lotes) | 18,2 % | 33,6 $ | ~185 $ |
| GPT-5.5 (por lotes) | 13,0 % | 25,5 $ | ~196 $ |
| Claude Opus 4.7 (individual) | 13,9 % | 35,8 $ | ~258 $ |
| Claude Sonnet 4.6 | 8,3 % | 22,3 $ | ~269 $ |
| Claude Opus 4.8 (por lotes) | 20,6 % | 72,4 $ | ~352 $ |
| Claude Opus 4.8 (individual) | 18,5 % | 76,1 $ | ~411 $ |
Léalo como una ilustración de lo que cuesta la falta de fiabilidad, no como un presupuesto. La aritmética supone que los intentos son independientes y que un intento fallido no vale nada, y ninguna de las dos cosas es estrictamente cierta: una ejecución fallida suele dejar trabajo parcial aprovechable, y una tarea que el agente falla una vez la fallará a menudo de nuevo por la misma razón estructural en lugar de acertar en la siguiente tirada. Tómelas como una cota superior del coste ingenuo de reintentar por fuerza bruta.
Incluso como cota superior, la forma es instructiva. El sistema más barato por tarea terminada es también el que no termina casi nada, de modo que un coste bajo por éxito no es una señal de compra cuando la tasa base es del 4,6 por ciento; tendría que esperar veintiún intentos. Y el sistema más capaz es con diferencia el más caro por éxito, porque paga precios de frontera también en cada intento fallido.
Ponga ahora a una persona al lado. El indicador nos dice que estos flujos le llevan a alguien una mediana de 1,6 horas. Con un coste total de un trabajador del conocimiento de entre 30 y 80 dólares la hora, un rango que varía enormemente según el puesto y el mercado y que ofrecemos con carácter puramente ilustrativo, la persona hace el trabajo por unos 48 a 128 dólares, con una tasa de finalización cercana a la certeza y con el criterio necesario para avisar de que la tarea estaba mal planteada. El cómputo bruto de un intento del agente compite con eso. Su coste por flujo largo realmente terminado todavía no.
Esto no es un argumento contra la tecnología. Es un argumento sobre a qué tareas dirigirla, que es una conclusión distinta y mucho más útil.
Por qué fallan las tareas largas: la taxonomía publicada de fallos
Los autores de OSWorld 2.0 hicieron el trabajo verdaderamente valioso de categorizar cómo fallan los agentes en lugar de limitarse a contar que fallan. Se repiten seis patrones:
Seguimiento de la información. Los agentes pasan por alto información presente en la instrucción, visible en el entorno o facilitada por el canal del usuario.
Sensibilidad temporal. En pasos sensibles al tiempo, los largos intervalos entre observar y actuar hacen que la acción caiga sobre un estado de interfaz que ya ha cambiado.
Artefactos del dominio. Los agentes tienen dificultades para interpretar y producir correctamente formatos y convenciones propios de un ámbito.
Lagunas de verificación. Los agentes con frecuencia no comprueban propiedades críticas antes de entregar y, llamativamente, no corrigen errores que ya habían detectado.
Deriva de estado. La información reunida al principio se olvida cuando el estado de la tarea existe solo en un contexto de razonamiento comprimido en lugar de en el entorno.
Estado oculto. Todos los sistemas evaluados puntúan más bajo allí donde el éxito exige inferir algo nunca enunciado: requisitos implícitos, seguir varios elementos a la vez, resolver instrucciones contradictorias y adaptarse a entornos que cambian bajo ellos.
Bajo los seis patrones hay un hallazgo que merece ser el titular. Los autores informan de que todos los modelos dedican casi nada de su presupuesto a detectar y corregir sus propios errores, y que la recuperación y la reparación juntas suponen menos del 7 por ciento del esfuerzo en todos los sistemas.
Ese es el mecanismo. Estos sistemas no son débiles haciendo cosas. Son débiles al darse cuenta de que lo que acaban de hacer estaba mal. Una persona competente que ejecuta un flujo de 1,6 horas dedica una parte considerable de ese tiempo a revisar su propio trabajo y vuelve a comprobar por reflejo tras cualquier sorpresa. Un agente que dedica menos del 7 por ciento de su presupuesto a la autocorrección arrastrará un pequeño error inicial hasta el final y le entregará un resultado terminado con aplomo y equivocado. Es exactamente el perfil de fallo que describe el techo de delegación: la restricción no es la capacidad, sino la carga de verificación que esa capacidad le devuelve a usted.
El marco de niveles de delegación
Al juntar la evidencia surge una regla práctica. La fiabilidad es función de la duración de la tarea, del número de aplicaciones y de si el resultado se puede comprobar en menos tiempo del que costó producirlo. El siguiente marco de tres niveles, un marco editorial de CEOtudent construido sobre los patrones de fallo anteriores, asigna al trabajo de oficina la supervisión que realmente necesita.
| Nivel | Perfil de la tarea | Base de evidencia | Cómo ejecutarlo | Postura realista en 2026 |
|---|---|---|---|---|
| Nivel 1: delegar | Corta, una sola aplicación, un estado final claro, resultado verificable de un vistazo (renombrar y archivar un lote, extraer campos de un formulario, reformatear un documento, sacar un informe definido) | El rendimiento en tareas cortas ya supera el umbral humano del 72,36 % | Lanzar y comprobar por muestreo. Muestrear el resultado en lugar de auditar cada elemento | Ahorro de tiempo real disponible hoy |
| Nivel 2: supervisar | Varios pasos, dos o tres aplicaciones, de 15 a 45 minutos de trabajo humano, reversible si sale mal (un resumen competitivo a partir de fuentes citadas, una presentación recurrente, conciliar dos listas) | Puntuaciones parciales cercanas al 50 % implican avance sustancial; una finalización binaria baja implica mal cierre | Que el agente produzca el borrador y usted verifique en puntos de control definidos. Nunca aceptar el estado final sin leerlo | El punto óptimo realista; está comprando un primer borrador, no un resultado |
| Nivel 3: aún no delegar | De largo recorrido, cuatro aplicaciones o más, más de una hora, o cualquier acción irreversible (enviar, pagar, publicar, borrar, presentar) | 20,6 % de finalización binaria en flujos de 1,6 horas; menos del 7 % del presupuesto en autocorrección | Descomponer en unidades de nivel 1 y 2 con puntos de control humanos, o hacerlo usted | La ejecución sin supervisión no está respaldada por la evidencia |
El movimiento de descomposición del nivel 3 es el que rinde. Un flujo que fracasa como una única instrucción de 318 llamadas suele salir bien como cinco segmentos supervisados, porque usted está insertando la verificación que el agente no realiza por sí mismo. Más que sortear una limitación, está aportando el componente que falta.
La regla de la irreversibilidad
Una línea atraviesa los tres niveles y merece enunciarse aparte, porque es la regla que evita el tipo caro de error.
Nunca conceda autoridad sin supervisión sobre una acción que no se pueda deshacer. Enviar un correo, presentar un formulario, hacer un pago, publicar una entrada, borrar un registro, aceptar condiciones. La evidencia de los indicadores ofrece una justificación insólitamente nítida: un sistema que dedica menos del 7 por ciento de su esfuerzo a la autocorrección y obtiene un 20,6 por ciento en flujos largos llegará, en la mayoría de los intentos, al paso irreversible en un estado que no ha verificado. El modo de fallo no es que se niegue. Es que continúa con aplomo.
La asimetría de costes completa el argumento. Un error reversible le cuesta el tiempo de rehacerlo. Uno irreversible cuesta lo que cueste, y se entera después. Exigir una confirmación humana justo en los pasos irreversibles cuesta segundos y elimina toda la cola. Es gestión ordinaria de riesgo operativo y aquí se aplica sin cambios.
Cómo evaluar usted mismo el siguiente modelo
Las cifras concretas de este artículo envejecerán, y no pasa nada, porque el método no. Cuando el siguiente agente se lance con un dato impresionante, cuatro preguntas separan una afirmación real de capacidad de una demostración.
¿Qué indicador y de qué duración son las tareas? Una puntuación en tareas cortas de una sola aplicación no dice nada sobre trabajo multiaplicación de una hora. Pida expresamente la cifra de largo recorrido. La brecha de cuatro veces entre las dos generaciones de OSWorld es la razón.
¿Finalización binaria o crédito parcial? Puntuaciones parciales cercanas al 50 por ciento junto a binarias cercanas al 20 por ciento describen un sistema que recorre casi todo el camino y no aterriza. Son productos distintos. Insista en la cifra binaria.
¿Qué presupuesto de pasos y de coste? Resultados con 500 pasos y esfuerzo de razonamiento máximo no son la configuración que se obtiene por defecto, y el coste por intento con ese ajuste puede ser considerable.
¿Cuál es la tasa de autocorrección? Este es el indicador adelantado. Cuando el esfuerzo publicado en recuperación y reparación supere de forma apreciable el actual rango inferior al 7 por ciento, el panorama de la fiabilidad cambiará de manera sustancial y el nivel 3 empezará a abrirse. Hasta entonces, considere la ejecución autónoma de largo recorrido como no respaldada, sea cual sea el titular.
Es la misma disciplina de evaluación que rige la elección de modelo para cada tarea: lea el indicador que corresponde a su trabajo real, no el que favorece al lanzamiento.
El directivo y el estudiante
Un directivo no compra una capacidad porque la demostración fuera impresionante. Pregunta qué entrega de forma fiable, a qué coste, con qué modo de fallo y cuánto cuesta ese fallo cuando ocurre. Con ese criterio, los agentes que manejan el ordenador son en 2026 una compra clara para tareas cortas y acotadas, una compra sólida para el borrador supervisado de flujos medios y una espera clara para la ejecución autónoma de largo recorrido. No es una evasiva. Son tres decisiones distintas, y la evidencia respalda cada una por separado.
La mitad estudiante es lo que impide que esto se fosilice. Este campo pasó del 12,24 por ciento a superar el umbral humano en tareas cortas en unos dos años. La cifra de largo recorrido también se moverá. Quien descartó los agentes en 2024 por una mala demostración se equivoca hoy, y quien declare hoy resuelta la delegación de largo recorrido se equivocará en el otro sentido. Lo que sobrevive a ambos errores es el hábito de volver al indicador, hacer las cuatro preguntas anteriores y subir una tarea de nivel solo cuando la evidencia lo permita.
Haga ahora el mapa de niveles de su propio trabajo. La mayoría descubre que tiene más tareas de nivel 1 de las que esperaba, que es donde está el retorno inmediato, y que algunos de sus flujos de nivel 3 se descomponen limpiamente en segmentos supervisados. Esa es toda la oportunidad de 2026: no la oficina autónoma, sino una considerablemente más rápida, dirigida por alguien que sabe exactamente dónde mirar.
Preguntas frecuentes
¿Son distintos los navegadores agénticos de los agentes que manejan el ordenador?
Un navegador agéntico opera dentro del navegador, de modo que su mundo son páginas web, pestañas y formularios. Un agente que maneja el ordenador conduce todo el escritorio, incluidas las aplicaciones locales y el sistema de archivos. Los agentes limitados al navegador suelen ser más fiables en su ámbito más estrecho, porque el entorno es más uniforme, pero la mayoría de los flujos de oficina reales cruzan la frontera entre navegador y escritorio, y ahí es exactamente donde aparecen los modos de fallo multiaplicación.
Si los agentes superan el umbral humano en OSWorld, ¿por qué no delegarlo todo?
Porque ese umbral se refiere a tareas cortas y casi siempre de una sola aplicación. Tanto el 72,36 por ciento humano como las puntuaciones superiores de los agentes proceden del indicador de 369 tareas. En el indicador de largo recorrido, donde las tareas le llevan a una persona una mediana de 1,6 horas, el mejor agente completa el 20,6 por ciento. La variable que decide la delegación es la duración de la tarea, no la puntuación de titular.
¿La finalización parcial sirve de algo o no vale nada?
Depende por completo de si pensaba revisar el trabajo. Si esperaba un resultado terminado, la finalización parcial es peor que inútil, porque parece terminada y le transfiere en silencio una tarea de auditoría. Si pedía un primer borrador y pensaba repasarlo, una puntuación parcial cercana al 50 por ciento es valor real. Por eso el nivel 2 existe como categoría propia.
¿Cuál es el mejor indicador de que la fiabilidad está mejorando?
La proporción del esfuerzo que un sistema dedica a detectar y corregir sus propios errores. Las cifras publicadas sitúan hoy la recuperación y la reparación por debajo del 7 por ciento en todos los sistemas evaluados. Como la mayoría de los fallos en flujos largos se remontan a errores iniciales no corregidos, que esa cifra suba es la señal de que la ejecución sin supervisión se vuelve viable.
¿Deberían los equipos pequeños esperar a que la tecnología madure?
No. La delegación de nivel 1 funciona ya y ahí está el retorno inmediato. Lo que los equipos pequeños no deberían hacer es construir un proceso que dependa de la ejecución autónoma de largo recorrido, porque la evidencia actual no lo respalda, y un proceso apoyado en una capacidad que aún no existe falla de forma silenciosa y cara.
Fuentes
- Xie y otros, OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments, NeurIPS 2024, sección de Conjuntos de Datos e Indicadores (arXiv:2404.07972)
- Yuan y otros, OSWorld 2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks, junio de 2026 (arXiv:2606.29537)
- XLANG Lab, Universidad de Hong Kong, documentación del indicador OSWorld y metodología de resultados verificados
- OCDE, Inteligencia artificial y el futuro del trabajo, análisis de políticas sobre automatización a nivel de tarea y complementariedad
- Stanford Institute for Human-Centered Artificial Intelligence, AI Index Report, capítulos sobre rendimiento técnico y saturación de indicadores
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
