2026-11-18 · ← Noticias
Los agentes completan el 46 % de las tareas de investigación, pero fallan en infraestructura
OpenAI afirma que sus coding agents completaron sin intervención el 46 % de las tareas internas estimadas en 2 a 4 horas de trabajo humano, frente al 23 % de marzo. El resultado cambia mucho según la tarea y procede de mediciones internas.
No se pudo cargar la imagen.
OpenAI ha publicado una segunda serie de mediciones internas según las cuales sus coding agents completan sin intervención el 46 % de las tareas de investigación estimadas en 2 a 4 horas de trabajo humano. En marzo era el 23 %. El dato llama la atención, aunque el informe también muestra una frontera de capacidades muy desigual.
El éxito en tareas de varias horas se duplicó en siete meses
En tareas estimadas en 4 a 8 horas, el éxito sin intervención subió del 13 % al 35 %. La media de jornadas de agente por investigador y día pasó de 0,5 a 5,7. OpenAI define cada jornada como 8 horas de ejecución del agente.
El uso es intenso y costoso. La mediana diaria por investigador alcanzó en octubre los 2.400 USD a precios de catálogo de la API, un 62 % más que en septiembre. A mediados de octubre, más de dos tercios de los investigadores alcanzaban un pico diario de al menos 4 agentes simultáneos.
La supervisión avanza más que el trabajo capaz de romper sistemas
Las diferencias entre tareas superan la media general. Los agentes tuvieron éxito sin intervención en el 79 % de las tareas de supervisión de entrenamientos y en el 72 % de las preguntas técnicas. Lograron un 35 % al iniciar entrenamientos, un 29 % al crear entornos de evals y reinforcement learning y solo un 25 % al escribir código de infraestructura de inference y serving.
Para quienes dirigen investigación, es un mapa práctico de delegación. Los agentes pueden revisar registros, encontrar anomalías y preparar análisis. La revisión humana sigue siendo cara, pero sensata cuando un cambio consume compute o toca producción.
La empresa mide su propio producto con su propia plantilla
No es un benchmark independiente. OpenAI mide a sus investigadores, modelos internos y workflows, que cambiaron durante el periodo. La empresa reconoce que pudo variar el tipo de tareas delegadas dentro de cada franja, así que el aumento mezcla mejores modelos con un mejor uso.
Más líneas de código modificadas o más experimentos tampoco equivalen automáticamente a mejor investigación. Las entrevistas describen pull requests deficientes, pasos inútiles y supuestos analíticos incorrectos. Las personas aún fijan prioridades y deciden qué ideas merecen continuar.
Importa el resultado científico, no el número de sesiones abiertas
OpenAI quiere medir si la investigación de capacidades y la de seguridad aceleran a ritmos distintos. La señal útil será la relación entre uso de agentes, tiempo de desarrollo y calidad de los nuevos modelos, no solo el runtime.
También harán falta mediciones comparables de otros laboratorios y métodos que separen la capacidad del agente de la selección de tareas. Solo entonces 5,7 jornadas de agente demostrarán un camino más corto al resultado y no únicamente más pantallas ocupadas.
El veredicto de Lilith
Un investigador recibe 5,7 jornadas de agente en un solo día, pero el agente solo acierta una de cada cuatro veces con código de inference. La fábrica corre más, aunque una persona sigue sujetando sus mandos más delicados.