Ilustración de un mapa con una frontera irregular que separa las tareas que resuelven agentes de IA de las que una persona revisa en su escritorio

La edición abierta · jueves 19 de noviembre 2026

Los agentes de OpenAI resuelven solos el 46% de las tareas de dos a cuatro horas: lo que cambia es saber cuáles delegar

OpenAI informó que sus agentes de código completan sin intervención humana el 46% de las tareas de investigación que a una persona le llevan de dos a cuatro horas, contra 23% en marzo de 2026. El resultado depende del tipo de tarea: 79% al monitorear corridas de entrenamiento, 25% al escribir código de inferencia. Delegar bien es saber qué tarea va a un agente, con qué modelo y qué parte revisás vos.

OpenAI publicó el informe «Research acceleration: The jagged frontier», una medición interna de cuánto trabajo de investigación ya hacen sus agentes de código. Entre marzo y octubre de 2026, la tasa estimada de éxito sin intervención humana pasó de 23% a 46% en las tareas que a una persona le llevan de dos a cuatro horas, y de 13% a 35% en las de cuatro a ocho horas. A precio de lista de la API, el investigador mediano usa agentes por unos 2.400 dólares diarios, 62% más que en septiembre. En una encuesta a 101 investigadores, la respuesta mediana fue que cederían el 40% de la dotación de su equipo para no perder durante tres meses los agentes de código de frontera. Nuestra lectura: el 46% es un promedio y el dato útil está en lo que promedia. El mismo informe muestra que el agente acierta el 79% de las veces cuando vigila una corrida de entrenamiento y el 25% cuando escribe código de inferencia. OpenAI llama a eso una frontera irregular. Para quien trabaja solo o con un equipo chico, la decisión que rinde hoy es armar el mapa: qué tarea va entera a un agente, cuál necesita tu revisión y cuál sigue siendo tuya.

Señal 01 · Delegación

Qué tareas resuelve solo un agente de IA y cuáles no, según OpenAI

Entre el 1 de agosto y el 18 de octubre de 2026, OpenAI midió el éxito de sus agentes sin intervención humana por tipo de trabajo: 69% en tareas de comunicar, 58% en analizar y 43% en construir. Tarea por tarea, la distancia es mayor: 79% al monitorear corridas en busca de problemas y 72% al responder preguntas técnicas, contra 29% al construir entornos de evaluación y 25% al escribir código de inferencia y serving. El informe aclara un límite de la medición: a medida que los agentes mejoran, los investigadores también cambian qué les delegan, así que la suba mezcla capacidad con elección.

Importa porque el patrón se traslada a cualquier oficio. Vigilar, resumir y responder sobre algo que ya existe sale bien casi siempre; construir algo nuevo de punta a punta falla más de la mitad de las veces. En las entrevistas a diez investigadores aparece el mismo límite: los agentes muestran poco criterio para elegir ideas y cuidar la calidad del código, de los datos y de la escritura.

Nuestra lectura: la mejor regla de supervisión del informe la da un investigador de posttraining, que dejó de pedir «hacé esta tarea como aquella» y ahora pide una sola, la revisa, la corrige y recién entonces encarga el resto.

FUENTE → OpenAI: Research acceleration: The jagged frontier · MTS en X: resumen del informe de OpenAI

Señal 02 · Costo

Qué modelo de IA usar para cada tarea: más del 90% no necesita el más caro

Wharton y Accenture publicaron el 16 de noviembre de 2026 el informe «What Does Agentic AI Really Cost?», reseñado por Amanda Gerut en Fortune. Estudiaron más de 18.000 tareas y actividades en 923 ocupaciones. Más del 90% de las tareas que un agente podría tomar es lo bastante rutinario para los modelos más baratos, y en cada una de las 19 industrias analizadas solo entre el 6% y el 11% del trabajo requiere un modelo de frontera.

Importa porque el cómputo está entre los costos más grandes de operar agentes. Para una empresa de 100.000 empleados con 35 agentes, el informe estima un costo a cinco años de entre 155 millones de dólares en salud y 520 millones en seguros. Eric Bradlow, vicedecano de IA y analítica de Wharton, le dijo a Fortune que duda de que la mayoría de las empresas distinga modelos según la parte del flujo, y que el costo por tarea baja mientras el gasto total sube, porque hoy se piden cien cosas que hace un año no se pedían.

Nuestra lectura: la recomendación central del informe es elegir la capacidad del modelo cuando se diseña el agente, antes de construirlo. A escala chica eso se traduce en una línea por tarea: qué modelo le toca y cuánto cuesta cada corrida.

FUENTE → Fortune: Most work doesn’t need the Ferrari of AI, Wharton and Accenture find

Señal 03 · Rediseño

Casi la mitad de las empresas que rediseñan sus flujos supera sus objetivos con IA, según Bain

La encuesta de Bain & Company sobre adopción de IA, de agosto de 2026, registra que el 33% de las empresas ya ve resultados medibles en al menos un caso de uso, diez puntos más que un año antes. La diferencia está en cuánto rediseñaron: cerca del 23% de las que rediseñaron poco dice que la IA supera sus objetivos, contra casi la mitad de las que invirtieron en un rediseño significativo. Solo el 25% está reconstruyendo sus flujos a fondo; otro 39% ajusta pasos dentro de los flujos que ya tenía.

Nuestra lectura: el mapa de tareas es el rediseño. Quien suma un agente a un flujo que quedó igual le entrega tareas del 25% con la expectativa del 79%, y después concluye que la herramienta falla. Quien separa primero qué se vigila, qué se construye y qué se decide puede poner a cada parte el nivel de revisión que le corresponde.

FUENTE → Bain & Company: Survey: Workflow Redesign Is Key to AI Success

En contexto

El 15 de noviembre vimos que SaaStr pasó de 10 vendedores a 1 vendedor y 20 agentes, y que lo que quedó sin automatizar fue gestionarlos. El 16, un documento de la Reserva Federal mostró que solo el 10% de los trabajadores usa IA todos los días. Los números de hoy explican el paso que sigue: usar agentes a diario rinde cuando cada tarea tiene asignado su nivel de autonomía y su modelo, y eso se decide antes de delegar.

SaaStr pasó de 10 vendedores a 1 vendedor y 20 agentes de IA →La productividad no se mueve: la diferencia la hace el 10% que usa IA todos los días →Guía: agentes de IA para emprendedores →Caso de uso: usar IA en tu negocio →

Qué significa para vos

Tomá las tareas de tu semana y repartilas en tres columnas. En la primera va lo que consiste en vigilar, resumir o responder sobre algo que ya existe: seguimiento de cobros, consultas repetidas de clientes, control de que una campaña salió bien. Es el equivalente a monitorear corridas, donde OpenAI midió 79%, y casi siempre entra en el 90% que Wharton y Accenture consideran rutinario: va entera a un agente, con un modelo barato. En la segunda va lo que hay que construir: una propuesta nueva, una automatización, una página. Ahí el número de referencia baja a 43% o menos, así que pedí una unidad, corregila y recién después encargá el resto. La tercera es la de criterio (qué ofrecer, a quién, a qué precio) y sigue siendo tuya.

El lunes, encargale a un agente una sola tarea de la primera columna y anotá durante dos semanas cuántas entregas tuviste que corregir. Si corregís menos de una de cada cuatro, dejala corriendo y pasá a la siguiente. Si en la segunda columna corregís la mitad, estás dentro de lo que OpenAI mide puertas adentro: es el comportamiento esperado, y la respuesta es revisar más temprano. Mirá también la factura: si todas tus tareas corren con el modelo más caro, estás pagando precio de frontera por trabajo de rutina.

La movida del día

Listá hoy las diez tareas que más repetís y marcá cada una como vigilar, construir o decidir. Delegá entera una de las de vigilar y asignale el modelo más barato que la resuelva. En las de construir, pedí primero una sola unidad, corregila y recién ahí encargá el resto. Contá las correcciones durante dos semanas antes de sumar otra tarea.

¿Qué tareas conviene delegar a un agente de IA?

Las que consisten en vigilar, resumir o responder sobre algo que ya existe. En la medición interna de OpenAI, entre agosto y octubre de 2026, los agentes resolvieron sin intervención humana el 79% de las tareas de monitoreo y el 72% de las preguntas técnicas, contra el 25% al escribir código de inferencia. Construir algo nuevo todavía necesita revisión humana temprana.

¿Hace falta el modelo de IA más caro para usar agentes?

En la mayoría de los casos, no. El informe «What Does Agentic AI Really Cost?» de Wharton y Accenture, publicado el 16 de noviembre de 2026, encontró que más del 90% de las tareas que un agente podría tomar es lo bastante rutinario para modelos más baratos, y que solo entre el 6% y el 11% del trabajo por industria requiere un modelo de frontera. Los autores recomiendan elegir el modelo al diseñar el agente.

Para profundizar

Agentes de IA para emprendedores: la guía honesta

Esto lo pensamos entre todos.

Nuexty es una comunidad que se posiciona en la era de la IA. Nos juntamos en el Café IA en Buenos Aires, y los miembros tienen su lugar todos los meses y la plataforma con el conocimiento que armamos cada día.

¿Querés esto cada mañana, sobre lo tuyo? Recibí el email diario.

← Todas las ediciones