En una conferencia de seguridad, alguien presenta al agente de IA como un “empleado virtual”. Un administrador de sistemas de la sala lo contó en un foro de Reddit. El hilo juntó 356 puntos y 261 comentarios (la prueba 73).
Los comentarios bajaron la idea a tierra: un agente es una llamada a un modelo dentro de un bucle con herramientas. Su “memoria” son archivos o una base de datos. Otro comentario contó lo que ya ve: agentes que se multiplican y quedan huérfanos cuando se va la persona que los creó.
La tesis que se juzga acá dice así. Casi todas las empresas ya usan IA, los agentes mejoran cada mes y hay casos de éxito a la vista. Entonces el que espera se queda atrás.
Si la tesis es cierta, frenar sale caro. Si es falsa, apurarse sale caro.
Para juzgarla hay que separar tres preguntas:
¿Los agentes mejoran de verdad?
¿Usar IA es lo mismo que ganar con ella?
¿Lo que anda en un piloto llega a producción?
Un piloto es una prueba chica, con pocos usuarios y datos controlados. Producción es el uso real, con clientes, sistemas de la empresa y un costo de operación.
La tesis tiene datos fuertes: los agentes mejoran rápido y muchas empresas dicen ver retorno.
Según el informe anual de Stanford sobre IA (la prueba 75), 88 % de las organizaciones usa IA.
El mismo informe mide OSWorld, un benchmark de tareas de agentes en una computadora. Un benchmark es una prueba estándar que compara modelos. En OSWorld, el éxito pasó de cerca de 12 % a cerca de 66 %.
La curva de METR va en la misma dirección. METR es un laboratorio que mide el horizonte temporal: cuánto tarda una persona experta en las tareas que la IA resuelve con 50 % de éxito. Según su página de datos (la prueba 55), desde 2023 ese horizonte se duplica cada 128,7 días, unos 4,2 meses.
Hay mediciones más cerca del trabajo real. El Remote Labor Index (la prueba 11) usa 240 proyectos freelance que ya hizo una persona profesional. Un proyecto cuenta como automatizado si la IA entrega algo al menos tan bueno como el humano.
Al lanzarse, a fines de 2025, el mejor agente llegaba a 2,5 %. En menos de ocho meses pasó a 15,8 % (la prueba 115). La tabla pública de hoy pone al primero en 21,25 % (la prueba 150).
El resultado en las empresas también mejora. Wharton encuestó a unos 800 decisores de empresas grandes de EE. UU. (la prueba 10). Tres de cada cuatro dicen ver retorno positivo de la IA generativa.
El estudio 2026 de BCG encuestó a 1.330 ejecutivos (la prueba 135). Cerca de 48,5 % de las empresas ya saca valor de la IA.
Menlo Ventures encuestó a 495 decisores (la prueba 32). Ahí, 47 % de los acuerdos de IA llega a producción, contra 25 % en el software tradicional.
Acuerdos de IA que llegan a producción, contra el software tradicional.Prueba 32
Acuerdos que llegan a producción, en %
Acuerdos de IA47 %
Software tradicional25 %
0100 %
La intención acompaña. Deloitte encuestó a 3.235 líderes de 24 países (la prueba 90). De ellos, 74 % espera usar agentes al menos de forma moderada para 2027.
Que la curva suba no dice dónde está hoy. El 21,25 % del Remote Labor Index deja cerca de 4 de cada 5 proyectos debajo del nivel profesional. Esa tabla la mantiene Scale AI, coautora del benchmark.
SWE-Bench Pro (la prueba 20), también de Scale AI, cuenta lo mismo en software. Su paper lo compara con SWE-bench Verified, un benchmark más fácil. Los modelos que pasaban 70 % en SWE-bench Verified resolvían menos de la mitad del conjunto público.
En el conjunto comercial, el mejor llegaba a 17,8 %. Con modelos de 2026, el primero de la tabla pública ya resuelve 61,50 % (la prueba 151). El conjunto comercial no tiene una tabla actualizada.
La métrica de METR tiene su propio límite: 50 % de éxito es un umbral bajo para delegar. El horizonte con 80 % de éxito es entre 4 y 10 veces más corto.
Además, METR avisó en septiembre de 2026 que su página ya no se actualiza. El capítulo 3 vuelve sobre ese punto.
Los agentes mejoran tan rápido que pronto van a hacer solos el trabajo de oficina.
Veredicto: La mejora es real y rápida, pero el piso sigue bajo. Desde 2023, el largo de las tareas que resuelven con 50 % de éxito se duplica cada 128,7 días. Son unos 4,2 meses. En proyectos freelance reales, el mejor agente pasó de 2,5 % a 21,25 % en un año. Cerca de 4 de cada 5 proyectos siguen sin llegar al nivel profesional.
Criterio
Decidí con lo que el agente hace hoy en tus tareas, no con la curva. Repetí la prueba con tus casos cada vez que cambies de modelo.
Por qué confianza media. Las fuentes son primarias y coinciden en la tendencia. Pero miden benchmarks (pruebas estándar), sobre todo de software. La tabla de proyectos freelance la mantiene Scale AI, coautora del benchmark. METR ya no actualiza su página de horizontes.
Ver el detalle de las 8 pruebasOcultar el detalle3 a favor, 2 en contra, 3 matizan
Página de datos de METR con el horizonte temporal 1.1. Mide el largo de las tareas que cada modelo resuelve con 50 % y con 80 % de éxito, en tiempo de una persona experta. La tendencia sigue siendo exponencial, y desde 2023 el horizonte se duplica más rápido que en el paper de 2025. Pero el horizonte con 80 % de éxito es entre 4 y 10 veces más corto que el de 50 %. METR avisa que por encima de 16 horas su medición ya no es confiable.
Números
128,7 días (intervalo de 104,4 a 158,0)Tiempo en que se duplica el horizonte al 50 %, contando desde 2023 (unos 4,2 meses). Desde 2019 es de 187,8 días. Excluye mediciones de más de 16 horas.
293 minutos (162 a 624) y 49 minutos (21 a 105)Horizonte de Claude Opus 4.5 con 50 % y con 80 % de éxito, con los datos corregidos el 3 de marzo de 2026.
719 minutos (317 a 3.634) y 70 minutosHorizonte de Claude Opus 4.6 con 50 % y con 80 % de éxito.
1.045 minutos (509 a 3.304) y 186 minutosHorizonte de Claude Mythos Preview (versión temprana, abril de 2026) con 50 % y con 80 % de éxito: unas 17,4 horas y 3,1 horas. Está por encima del techo de 16 horas que METR considera confiable.
352, 342 y 384 minutosHorizonte al 50 % de GPT-5.2, GPT-5.4 y Gemini 3.1 Pro.
Limitación Los números salen del archivo de datos de la página (benchmark_results_1_1.yaml). El 3 de marzo de 2026 METR corrigió un error de regularización, así que las cifras de 1.1 publicadas antes de esa fecha no coinciden. El 8 de septiembre de 2026 METR dijo que la página ya no se actualiza activamente. Son tareas de software, aprendizaje automático y ciberseguridad, y 50 % de éxito es un umbral bajo para delegar.
“Measurements above 16 hrs are unreliable with our current task suite.”
Seguimiento del equipo del Remote Labor Index. En menos de ocho meses, el mejor agente pasó de automatizar 2,5 % a 15,8 % de los proyectos freelance. También probaron un juez automático calibrado contra evaluación humana con modelos anteriores. El juez ordenó bien a los modelos nuevos, pero infló mucho cuánto aciertan. Los autores concluyen que sirve para seguir el progreso relativo, no para medir la capacidad absoluta.
Números
15,8 %Tasa de automatización del mejor agente (Fable 5). Opus 4.8: 8,3 %; GPT-5.5: 6,25 %; Gemini 3 Pro: 1,25 %.
6,25 % contra 17,9 %GPT-5.5 según evaluadores humanos y según el juez automático (unas 2,9 veces). Para Opus 4.8: 8,33 % contra 18,8 %.
ρ = 0,90Correlación de ranking (Spearman) entre el juez y la evaluación humana.
Limitación Lo publica el equipo del benchmark. Una nota de prensa da 16,1 % y dice que solo se evaluaron 218 de 240 proyectos. El post no lo menciona y la base usa la cifra del post. Más de 84 % de los proyectos sigue sin salir al nivel profesional.
“not a substitute for human evaluation of absolute capability”
Compilación anual de datos sobre IA. La adopción en las organizaciones es amplia y los agentes mejoran rápido en los benchmarks, pero también suben los incidentes de IA documentados.
Números
88 %Adopción de IA en las organizaciones.
de cerca de 12 % a cerca de 66 %Éxito en OSWorld, un benchmark de tareas de agentes en una computadora.
de 60 % a cerca de 100 %SWE-bench Verified en un año.
233 y 362Incidentes de IA documentados en 2024 y en 2025.
Limitación Compila fuentes de terceros (benchmarks, encuestas, bases de incidentes). Un benchmark no equivale a desempeño en producción. La página de conclusiones no trae costos de inferencia de 2026.
Mazeika, M., Gatti, A., et al. arXiv (Center for AI Safety, Scale AI)
Este benchmark (una prueba estándar para comparar agentes) usa 240 proyectos reales de trabajo freelance, no una empresa simulada. Cada proyecto ya lo hizo una persona profesional. Un proyecto cuenta como automatizado solo si el entregable de la IA es al menos tan bueno como el humano, según evaluadores entrenados. Al lanzarse, ningún agente automatizaba más de 3 % de los proyectos.
Números
240 proyectos en 23 subcategoríasTamaño del benchmark: más de 6.000 horas de trabajo humano y más de 140.000 dólares pagados; mediana de 11,5 horas por proyecto.
2,5 %Tasa de automatización del mejor agente al lanzarse (Manus). Grok 4 y Claude Sonnet 4.5 llegaron a 2,1 %; GPT-5, a 1,7 %.
94,4 %Acuerdo entre evaluadores en la tasa de automatización.
Limitación Modelos de 2025. La evaluación es humana y cara; los autores dicen que hoy no se puede automatizar con modelos. Coautores de Scale AI, que vende datos y evaluación.
Es un benchmark de ingeniería de software más difícil que SWE-bench Verified y menos contaminado (con menos problemas ya vistos en el entrenamiento). Usa repositorios públicos, repositorios retenidos y repositorios comerciales privados. Los mismos modelos que pasan el 70 % en SWE-bench Verified resuelven menos de la mitad en el conjunto público. En el comercial resuelven menos de un quinto.
Números
1.865 problemas en 41 repositoriosTamaño del benchmark.
43,6 % y 41,8 %Conjunto público: Claude Sonnet 4.5 y GPT-5 (high).
17,8 % y 15,7 %Conjunto comercial: Claude Opus 4.1 y GPT-5 (high).
Limitación La fecha es la de la versión 2 (14 de noviembre de 2025), que cambia los resultados: suma a Claude Sonnet 4.5 y Claude Haiku 4.5, que salieron después de la versión 1 (21 de septiembre de 2025). Los números de esta ficha son los de la versión 2. Datos de 2025: los modelos de 2026 no están en el paper. Lo publica Scale AI, que vende datos y evaluación.
Tabla pública de resultados del Remote Labor Index. A comienzos de noviembre de 2026, el mejor agente hace al nivel profesional cerca de 1 de cada 5 proyectos freelance reales. Al lanzarse el benchmark, un año antes, el mejor llegaba a 2,5 %.
Números
21,25 %Tasa de automatización del primero de la tabla (Opus 5.5). Le siguen GPT 6 Astra (20,83 %), Fable 5.1 (17,92 %) y Gemini Argon 4 (17,08 %).
Limitación La página no muestra fecha: la fecha es la de la consulta (2 de noviembre de 2026) y la tabla puede cambiar. La mantiene Scale AI, coautora del benchmark. Cerca de 4 de cada 5 proyectos siguen sin llegar al nivel profesional.
Tabla pública de resultados del conjunto público de SWE-Bench Pro. Con modelos de 2026, el mejor ya resuelve más de la mitad: cerca de 6 de cada 10 problemas. Un año antes, en el paper, el mejor llegaba a 43,6 %. El conjunto comercial privado no tiene una tabla actualizada.
Números
61,50 % (± 3,10)Primero de la tabla (Muse Spark 1.1), sobre 731 tareas.
59,10 %, 51,90 % y 46,10 %gpt-5.4 (xHigh), claude-opus-4-6 (thinking) y gemini-3.1-pro (thinking).
Limitación La página no muestra fecha: la fecha es la de la consulta (2 de noviembre de 2026). La mantiene Scale AI, autora del benchmark. La página del conjunto comercial solo repite las cifras del paper.
METR amplió su conjunto de tareas y volvió a estimar el horizonte temporal. El horizonte es cuánto tarda una persona en las tareas que la IA resuelve con 50 % de éxito. La tendencia general casi no cambia, pero la de los últimos años es más rápida.
Números
228 tareas (antes 170)Tamaño del conjunto de tareas.
130,8 días y 88,6 díasTiempo en que se duplica el horizonte, midiendo desde 2023 (intervalo de 107 a 161 días) y desde 2024.
293 minutosHorizonte al 50 % de Claude Opus 4.5 tras la corrección de METR del 3 de marzo de 2026. El intervalo va de 162 a 624 minutos. El post de enero, anterior a la corrección, daba 320 (170 a 729).
Limitación El 3 de marzo de 2026 METR corrigió un error de regularización que cambió las mediciones. El post sigue mostrando las cifras de enero. La cifra de Claude Opus 4.5 de esta ficha es la corregida, tomada de la página de horizontes de METR. Un 50 % de éxito es un umbral bajo para delegar trabajo crítico. Los intervalos de confianza son muy anchos. De 31 tareas de 8 horas o más, solo 5 tienen una línea base humana medida. Son tareas de software, aprendizaje automático y ciberseguridad.
El 88 % de adopción mide uso, no retorno. Las cifras de retorno son autorreporte: lo que dicen los ejecutivos, no una medición.
En la encuesta de Wharton, el optimismo baja con el cargo. Ve retorno positivo 81 % de los vicepresidentes para arriba, contra 69 % de los gerentes medios.
La cifra más fría es del estudio de IBM, según una nota de Business Today (la prueba 96). La nota no se pudo cotejar con el informe completo. Cerca de siete de cada diez directores generales dicen que la IA ya transforma su negocio central.
Pero solo 10 % dice que la IA avanzada o agéntica es lo que más impulsa su crecimiento. IA agéntica es la que actúa por medio de agentes. Dos años antes, 49 % esperaba que la IA generativa lo fuera.
Leé las encuestas con cuidado. BCG e IBM venden IA o consultoría, y Menlo es un fondo que invierte en empresas de IA.
Aun así, el cuadro se movió. La distancia entre usar y ganar sigue ahí, pero se achica.
Si casi todas las empresas ya usan IA, es porque les está dando resultado.
Veredicto: Usar no es ganar, aunque la distancia se achica. La adopción de IA en las organizaciones llega a 88 %. Tres de cada cuatro líderes de empresas grandes de EE. UU. dicen ver retorno positivo. Casi la mitad de las empresas dice sacar valor de la IA. Pero solo 10 % de los directores generales ve la IA avanzada o agéntica como su principal motor de crecimiento.
Criterio
Antes de aprobar un agente, escribí qué número del negocio tiene que mover, cuánto y para cuándo. Sin ese número no hay piloto: hay una demo.
Por qué confianza media. Todas las cifras de retorno son autorreporte de ejecutivos, no mediciones. Dos de las encuestas las hacen empresas que venden IA o consultoría. El 10 % de los directores generales sale de una nota de prensa. Ese dato no se verificó en el informe completo.
Ver el detalle de las 5 pruebasOcultar el detalle1 a favor, 1 en contra, 3 matizan
Encuesta a decisores senior de empresas grandes de EE. UU. Tres de cada cuatro dicen ver retorno positivo de la IA generativa, y la mayoría ya mide ese retorno. Los gerentes medios son menos optimistas que los vicepresidentes. Cerca de cuatro de cada diez ven riesgo de que bajen las habilidades.
Números
3 de cada 4Líderes que dicen ver retorno positivo (81 % de vicepresidentes para arriba contra 69 % de gerentes medios), en unas 800 respuestas.
72 %Empresas que miden formalmente el retorno.
43 %Ven riesgo de pérdida de habilidades.
Limitación Es percepción, no medición. El trabajo de campo fue del 26 de junio al 11 de julio de 2025; el informe se publicó en octubre de 2025. Empresas de 1.000 empleados o más.
La nota cuenta cifras del estudio de IBM de 2026 que el comunicado no trae. Cerca de siete de cada diez directores generales dicen que la IA ya transforma su negocio central. Pero solo uno de cada diez dice que la IA avanzada o agéntica es lo que más impulsa su crecimiento. Más de la mitad dice que su objetivo principal con la IA sigue siendo hacer pruebas piloto y experimentar.
Números
10 % (dos años antes, 49 % esperaba que la IA generativa lo fuera)Directores generales que dicen que la IA avanzada o agéntica es lo que más impulsa el crecimiento.
53 %Dicen que su objetivo principal con IA es pilotear y experimentar.
Limitación Nota de prensa sobre el estudio de IBM; las cifras no se verificaron en el informe completo. Es opinión de directores generales, no medición de retorno.
Compilación anual de datos sobre IA. La adopción en las organizaciones es amplia y los agentes mejoran rápido en los benchmarks, pero también suben los incidentes de IA documentados.
Números
88 %Adopción de IA en las organizaciones.
de cerca de 12 % a cerca de 66 %Éxito en OSWorld, un benchmark de tareas de agentes en una computadora.
de 60 % a cerca de 100 %SWE-bench Verified en un año.
233 y 362Incidentes de IA documentados en 2024 y en 2025.
Limitación Compila fuentes de terceros (benchmarks, encuestas, bases de incidentes). Un benchmark no equivale a desempeño en producción. La página de conclusiones no trae costos de inferencia de 2026.
La edición 2026 del estudio de BCG dice que la brecha se achicó. Casi la mitad de las empresas ya saca valor de la IA. Muchas esperan darles autonomía real a los agentes, pero casi ninguna tiene hoy los controles para hacerlo.
Números
cerca de 48,5 %Empresas que generan valor: 7,5 % de punta (5 % en 2025) y 41 % que escalan; sobre 1.330 ejecutivos.
42 % y 5 %Esperan dar autonomía real a los agentes para 2030, y tienen hoy todos los controles.
cerca de 40 %Parte del valor de la IA que esperan de los agentes para 2030.
Limitación Comunicado de una consultora que vende servicios de IA; autorreporte y sin detalle de cómo clasifica a las empresas. Hoy la descarga automática da 403, así que no lleva cita textual.
IBM Institute for Business Value, Oxford Economics
La edición 2026 del estudio de IBM a directores generales habla de rediseñar la conducción y sumar jefes de IA. También habla de dejar más decisiones operativas en manos de la IA. Dice que el éxito depende más de que la gente adopte la herramienta que de la tecnología.
Números
76 % (26 % en 2025)Empresas con un jefe de IA, sobre 2.000 directores generales de 33 geografías (febrero a abril de 2026).
25 % hoy y 48 % esperado para 2030Decisiones operativas que toma la IA sin intervención humana.
83 %Dicen que el éxito depende más de la adopción de las personas que de la tecnología.
Limitación Comunicado de una empresa que vende IA y consultoría; encuesta de opinión. No repite los números de retorno de la edición 2025.
Pasar a producción no es donde se cae casi todo, pero tampoco es un trámite. Lo primero lo dice el 47 % de Menlo. Lo segundo, la nota sobre IBM: 53 % de los directores generales dice que su objetivo principal con la IA sigue siendo pilotear y experimentar.
Un estudio reunió 20 casos y 86 practicantes con agentes en producción (la prueba 29). Encontró que la confiabilidad sigue siendo el principal desafío. Confiabilidad, acá, es que el agente se comporte bien de forma sostenida, no una vez.
La muestra es chica y la eligieron los autores.
Un hilo chico en un foro de agentes de Reddit describe ese salto desde adentro (la prueba 101). Los agentes andan en el piloto y se degradan en producción. El capítulo 3 explica por qué.
Si el piloto anda bien, pasar a producción es un trámite.
Veredicto: No es un trámite, aunque tampoco es donde se cae casi todo. En una encuesta a decisores de EE. UU., 47 % de los acuerdos de IA llega a producción. En el software tradicional llega 25 %. Pero 53 % de los directores generales dice que su objetivo con la IA sigue siendo pilotear. Y quienes ya tienen agentes en producción ponen la confiabilidad sostenida como el principal desafío.
Criterio
Planificá la salida a producción desde el primer día: integración con los sistemas reales, dueño, monitoreo y costo de operación. Si el piloto no tiene ese plan, no lo apruebes.
Por qué confianza media. Las cifras de llegada a producción y de pilotos son encuestas de opinión. Una la hace un fondo que invierte en IA y la otra se leyó en prensa. El estudio de producción tiene una muestra chica. El hilo sobre agentes que se degradan al pasar a producción es chico.
Ver el detalle de las 5 pruebasOcultar el detalle1 a favor, 2 en contra, 2 matizan
Tully, T., Redfern, J., Das, D., Xiao, D. Menlo Ventures
De lo que las empresas despliegan como IA, solo una parte chica califica como agente de verdad. Las empresas compran más de lo que construyen (76 %). Menlo dice, sin dar una cifra, que lo comprado llega antes a producción. Cerca de la mitad de los acuerdos de IA llega a producción, bastante más que en el software tradicional.
Números
16 % y 27 %Despliegues de empresas grandes y de startups que califican como agentes reales.
76 % compradoParte de la IA que se compró en 2025 en lugar de construirla (53 % en 2024).
47 % contra 25 %Acuerdos de IA que llegan a producción, contra el software tradicional.
37.000 millones de dólaresGasto empresarial en IA generativa en 2025 (11.500 millones en 2024).
Limitación Encuesta a 495 decisores de empresas de EE. UU. (7 al 25 de noviembre de 2025) más datos de mercado. Menlo es un fondo que invierte en empresas de IA. No dice que comprar funcione mejor. Dice que se compra más y que lo comprado llega antes a producción.
“companies spent $37 billion on generative AI in 2025”
La nota cuenta cifras del estudio de IBM de 2026 que el comunicado no trae. Cerca de siete de cada diez directores generales dicen que la IA ya transforma su negocio central. Pero solo uno de cada diez dice que la IA avanzada o agéntica es lo que más impulsa su crecimiento. Más de la mitad dice que su objetivo principal con la IA sigue siendo hacer pruebas piloto y experimentar.
Números
10 % (dos años antes, 49 % esperaba que la IA generativa lo fuera)Directores generales que dicen que la IA avanzada o agéntica es lo que más impulsa el crecimiento.
53 %Dicen que su objetivo principal con IA es pilotear y experimentar.
Limitación Nota de prensa sobre el estudio de IBM; las cifras no se verificaron en el informe completo. Es opinión de directores generales, no medición de retorno.
Hilo sobre agentes que andan en el piloto y se degradan en producción. Un comentario hace la cuenta: con 90 % de éxito por paso, un flujo de 5 pasos falla cerca de 41 % de las veces. Pasa porque los errores se multiplican. Otro dice que es un problema del sistema y que más código solo no lo arregla.
Números
90 % por paso, 41 % de falla en 5 pasosCuenta de un comentarista (0,9 elevado a 5 da cerca de 0,59).
Limitación Hilo chico (6 puntos y 30 comentarios en el archivo). La cuenta es aritmética, sin datos de campo, y supone errores independientes. Se leyó en el archivo público Arctic Shift porque reddit.com bloquea la lectura automática. La cita se comparó letra por letra con el original.
“compounding errors is a systematic problem that you cannot code your way out of”
Es una encuesta a líderes de TI y de negocio que participan en programas de IA. La mayoría espera usar agentes pronto, pero pocos tienen un modelo de gobierno maduro para controlarlos. La intención va más rápido que el control.
Números
3.235 líderes en 24 paísesMuestra de la encuesta (informe de enero de 2026).
74 %Espera usar agentes al menos de forma moderada para 2027.
21 %Tiene un modelo de gobierno maduro para la IA agéntica.
Limitación Autorreporte de intención, no uso medido. Otras cifras que circulan sobre este informe (por ejemplo, cuántos pilotos pasaron a producción) solo se vieron en coberturas y no se usan.
Estudio de casos y encuesta a profesionales que tienen agentes en producción. La mayoría evalúa con personas y no con benchmarks (pruebas estándar), y deja pocos pasos al agente antes de que intervenga alguien. La confiabilidad, es decir, que el agente se comporte bien de forma sostenida, sigue siendo el principal desafío. Los equipos la atacan con diseño del sistema.
Números
20 casos y 86 practicantesBase del estudio: 20 entrevistas en profundidad y una encuesta a practicantes de 26 dominios.
74 %Depende sobre todo de evaluación humana.
68 %Corre como máximo 10 pasos antes de que intervenga una persona.
70 %Usa modelos comerciales con prompts en vez de reentrenarlos.
Limitación Muestra chica y elegida por los autores; no representa a todas las empresas. Preprint.
“Reliability (consistent correct behavior over time) remains the top development challenge”
El director general de Klarna habló de su agente en los resultados del tercer trimestre de 2025 (la prueba 21). Dijo que hace el trabajo de más de 853 personas y que ahorró 60 millones de dólares. Son cifras propias y sin auditar.
La misma nota de CX Dive trae los contrapesos. En ese trimestre, atención al cliente y operaciones costaron 50 millones de dólares, contra 42 un año antes.
Costo de atención al cliente y operaciones en el tercer trimestre de 2025 y un año antes.Prueba 21
Costo, en millones de dólares
Tercer trimestre de 202550 millones de dólares
Un año antes42 millones de dólares
0
La empresa ya había vuelto a contratar personas en mayo de 2025. Una analista lo llamó un ejemplo de mal despliegue.
Klarna tampoco es la regla. Gartner encuestó a 321 líderes de atención al cliente, según una nota de prensa (la prueba 56). Solo 20 % redujo personal por la IA.
La mayoría mantiene su gente y atiende a más clientes. Gartner predice, además, que la mitad de los que recortaron va a volver a contratar para 2027. Es una predicción, no un dato.
Los casos de éxito que anuncian las empresas muestran lo que un agente puede lograr.
Veredicto: Un anuncio no es una medición. El director general de Klarna dijo que su agente hace el trabajo de más de 853 personas. También dijo que ahorró 60 millones de dólares. Son cifras propias y sin auditar. En ese trimestre, su costo de atención y operaciones subió de 42 a 50 millones de dólares interanual. En una encuesta de Gartner, solo uno de cada cinco líderes de atención recortó personal por la IA.
Criterio
Tomá cada caso público como una hipótesis, no como prueba. Preguntá qué se midió, quién lo midió y qué pasó un año después.
Por qué confianza media. Las dos fuentes son prensa. Una nota trae las cifras de la empresa junto con sus contrapesos. La otra trata de una encuesta de Gartner cuyo comunicado no se pudo abrir. Ninguna fuente mide el caso de forma independiente, y eso es justamente lo que dice el veredicto.
Ver el detalle de las 2 pruebasOcultar el detalle0 a favor, 1 en contra, 1 matiza
En una encuesta de Gartner de octubre de 2025, solo uno de cada cinco líderes de atención al cliente redujo personal por la IA. La mayoría mantiene la dotación y atiende a más clientes. Gartner predice que la mitad de los que recortaron van a volver a contratar para funciones parecidas, con otros nombres de puesto.
Números
20 %Líderes de atención al cliente que redujeron personal por la IA, sobre 321 encuestados.
50 %De los que recortaron, los que Gartner predice que van a recontratar para 2027.
Limitación Nota de prensa sobre un comunicado de Gartner (3 de febrero de 2026) que dio 403. El 50 % es una predicción de analistas, no un dato.
“AI simply isn’t mature enough to fully replace the expertise, empathy, and judgment”
En la presentación de resultados del tercer trimestre de 2025, el director general de Klarna dio dos cifras. Dijo que su agente de IA hace el trabajo de más de 853 personas de tiempo completo y ahorró 60 millones de dólares. La misma nota trae datos en contra: el costo de atención al cliente y operaciones subió frente al año anterior. Además, la empresa volvió a contratar personas en mayo de 2025, y una analista lo llama un ejemplo de mal despliegue.
Números
más de 853 personas y 60 millones de dólaresTrabajo equivalente y ahorro según el director general (eran 700 personas a comienzos de 2025).
50 contra 42 millones de dólaresCosto de atención al cliente y operaciones en el tercer trimestre de 2025 y un año antes.
Limitación Las cifras de ahorro son de la empresa y sin auditar. Se leyó la nota; hoy la descarga automática da 403, así que la nota no lleva cita textual.
Los agentes mejoran rápido, y la distancia entre usar IA y sacar valor se achica.Pero el retorno sigue apoyado en lo que dicen los ejecutivos. Y el piso de capacidad sigue bajo en trabajo real.
Entre la promesa y el resultado pesan cuatro cosas: el número que el proyecto tiene que mover, el dueño, el control y la confiabilidad sostenida en producción. El modelo es una parte de la cuenta.
El control va más lento que la intención. En la encuesta de Deloitte, 74 % espera usar agentes para 2027.
Pero solo 21 % tiene un modelo de gobierno maduro para ellos. Gobierno, acá, es saber quién decide, quién controla y quién apaga un agente.
21 %
Tiene un modelo de gobierno maduro para la IA agéntica. Prueba 90
En la encuesta de BCG, 42 % espera darles autonomía real para 2030. Solo 5 % tiene hoy todos los controles.
Según IBM (la prueba 95), la IA ya toma 25 % de las decisiones operativas sin intervención humana. Ese estudio encuestó a 2.000 directores generales.
El costo tampoco espera. Una nota de CX Today cuenta una predicción de Gartner (la prueba 51). Para 2030, resolver un caso de atención con IA generativa va a costar más de 3 dólares.
Sería más que muchos agentes humanos tercerizados, en parte porque se consume más de lo esperado. Los agentes huérfanos del principio son otro costo: el de sumar sin dueño.
Apurarse sin control sale caro, y esperar sin hacer nada tampoco sirve. El ritmo lo pone lo que podés gobernar.
Hay que adoptar agentes cuanto antes: el que espera se queda atrás.
Veredicto: Apurarse sin control sale caro. 74 % de los líderes encuestados espera usar agentes al menos de forma moderada para 2027. Pero solo 21 % tiene un modelo de gobierno maduro para ellos. En otra encuesta, 42 % espera darles autonomía real para 2030. Hoy, solo 5 % tiene todos los controles. Gartner predice que, para 2030, un caso de atención con IA va a costar más que con muchos operadores tercerizados.
Criterio
Antes de sumar agentes, poné los controles: inventario, dueño, tope de gasto y una forma de apagarlos. Avanzá al ritmo en que podés gobernar lo que ya tenés.
Por qué confianza media. Las encuestas son grandes, pero miden intención y autorreporte. Las hacen consultoras o empresas que venden IA. Lo del costo es una predicción de analistas leída en prensa. Que los agentes queden huérfanos cuando se va quien los creó sale de un hilo de Reddit.
Ver el detalle de las 5 pruebasOcultar el detalle1 a favor, 2 en contra, 2 matizan
IBM Institute for Business Value, Oxford Economics
La edición 2026 del estudio de IBM a directores generales habla de rediseñar la conducción y sumar jefes de IA. También habla de dejar más decisiones operativas en manos de la IA. Dice que el éxito depende más de que la gente adopte la herramienta que de la tecnología.
Números
76 % (26 % en 2025)Empresas con un jefe de IA, sobre 2.000 directores generales de 33 geografías (febrero a abril de 2026).
25 % hoy y 48 % esperado para 2030Decisiones operativas que toma la IA sin intervención humana.
83 %Dicen que el éxito depende más de la adopción de las personas que de la tecnología.
Limitación Comunicado de una empresa que vende IA y consultoría; encuesta de opinión. No repite los números de retorno de la edición 2025.
Gartner predice que, en atención al cliente, el costo por caso resuelto con IA generativa va a superar al de muchos agentes humanos tercerizados. Una razón es que el consumo supera lo esperado y que los precios de hoy están subsidiados. Además, los modelos nuevos gastan más tokens por interacción, y la infraestructura cuesta.
Números
más de 3 dólaresCosto por resolución con IA generativa que Gartner predice para 2030.
3, 5 o hasta 10 vecesTokens que usan los modelos de punta para interacciones parecidas, según la nota.
Limitación Nota de prensa sobre un comunicado de Gartner (26 de enero de 2026) que dio 403. Es una predicción, no un dato medido.
“many organizations consume a lot more than they expect”
Desde una conferencia de seguridad, el autor cuenta que allí se vende el agente como un “empleado virtual”. Los comentarios lo bajan a tierra. Un agente es una llamada a un modelo en un bucle con herramientas, y su “memoria” son archivos o una base de datos. Otro advierte que después no se puede analizar por qué decidió algo. Un tercero describe la proliferación de agentes que quedan huérfanos cuando se va quien los creó.
Números
356 puntos y 261 comentariosTamaño del hilo según el archivo. El comentario citado tiene 86 puntos.
Limitación Opiniones de quienes operan TI, sin medición. Se leyó en el archivo público Arctic Shift porque reddit.com bloquea la lectura automática. La cita se comparó letra por letra con el original.
Es una encuesta a líderes de TI y de negocio que participan en programas de IA. La mayoría espera usar agentes pronto, pero pocos tienen un modelo de gobierno maduro para controlarlos. La intención va más rápido que el control.
Números
3.235 líderes en 24 paísesMuestra de la encuesta (informe de enero de 2026).
74 %Espera usar agentes al menos de forma moderada para 2027.
21 %Tiene un modelo de gobierno maduro para la IA agéntica.
Limitación Autorreporte de intención, no uso medido. Otras cifras que circulan sobre este informe (por ejemplo, cuántos pilotos pasaron a producción) solo se vieron en coberturas y no se usan.
La edición 2026 del estudio de BCG dice que la brecha se achicó. Casi la mitad de las empresas ya saca valor de la IA. Muchas esperan darles autonomía real a los agentes, pero casi ninguna tiene hoy los controles para hacerlo.
Números
cerca de 48,5 %Empresas que generan valor: 7,5 % de punta (5 % en 2025) y 41 % que escalan; sobre 1.330 ejecutivos.
42 % y 5 %Esperan dar autonomía real a los agentes para 2030, y tienen hoy todos los controles.
cerca de 40 %Parte del valor de la IA que esperan de los agentes para 2030.
Limitación Comunicado de una consultora que vende servicios de IA; autorreporte y sin detalle de cómo clasifica a las empresas. Hoy la descarga automática da 403, así que no lleva cita textual.
Un agente se aprueba por el número del negocio que mueve, no por la tecnología que usa. En la práctica son cuatro decisiones:
Escribí el número antes de aprobar: qué número, cuánto y para cuándo. Sin ese número no hay piloto, hay una demo.
Planificá la salida a producción desde el primer día: integración con los sistemas reales, dueño, monitoreo y costo de operación.
Poné los controles antes de sumar agentes: inventario, dueño, tope de gasto y una forma de apagarlos. Avanzá al ritmo en que podés gobernar lo que ya tenés.
Decidí con lo que el agente hace hoy en tus tareas, no con la curva. Repetí la evaluación con tus casos cada vez que cambies de modelo.
Ahora:
Elegí la propuesta de agente más avanzada de tu organización.
Pedí una página con el número que tiene que mover, el dueño y quién lo hereda si se va.
Sumá cuánto puede gastar por mes y cómo se apaga.
Si nadie puede llenar esa página, ya sabés en qué estado está el proyecto.