# OpenAI encarga más tareas a sus agentes, pero el éxito depende del tipo de trabajo

https://jsonscraper.com/es/blog/openai-agentes-tareas-investigacion-exito-tipo

Author: Michael Johnson

Published: 2026-11-19T07:36:51+00:00

Updated: 2026-11-19T07:36:51+00:00

Un informe del 18 de noviembre muestra que las tasas de ejecución autónoma varían mucho según la tarea. Esto ayuda a entender qué trabajo puede delegarse a un agente y dónde el resultado requiere una revisión especialmente minuciosa.

¿Se puede encargar trabajo de investigación a un agente de programación y esperar un resultado listo para usar? La respuesta depende de la tarea concreta: según los datos de OpenAI del 1 de agosto al 18 de octubre de 2026, los agentes sin intervención humana tuvieron más éxito al supervisar ejecuciones de entrenamiento y bastante menos al escribir código de inferencia y de servicio de modelos.

 

En el [informe del 18 de noviembre](https://openai.com/index/research-acceleration-jagged-frontier/), la empresa comparó las tareas que los investigadores encargaban a los agentes y describió cómo había evolucionado el uso de estas herramientas dentro de OpenAI. La principal conclusión práctica es considerar el «trabajo de un agente» como un conjunto de tareas distintas, con criterios de aceptación diferentes. Un promedio de horas o la impresión de que un modelo «escribe bien código» no sustituyen la comprobación de un resultado concreto.

 

## Qué cambió en la evaluación

 

El informe anterior de OpenAI sobre la aceleración de la investigación se publicó en septiembre. La nueva versión amplió el panorama: la empresa añadió datos sobre el uso de agentes, encuestas a empleados, flujos de trabajo y la distribución del éxito por tipo de tarea. Sin embargo, los resultados presentados describen la organización de investigación interna de OpenAI, no constituyen una evaluación universal de todos los modelos o empresas.

 

Uno de los cortes comparativos más claros es la proporción de tareas que el agente completó sin intervención humana. En las tareas que, según la evaluación, requerían entre dos y cuatro horas de trabajo humano, la tasa subió del 23 % en marzo al 46 % en octubre. En la categoría de cuatro a ocho horas, pasó del 13 % al 35 %. Estas categorías muestran la capacidad de completar encargos concretos sin intervención, no la proporción de todo el trabajo de investigación que puede delegarse a un modelo.

 

También hay un importante matiz metodológico: a medida que mejoraban las capacidades de los agentes, cambiaba la selección de las tareas que se les asignaban. OpenAI señala expresamente que el aumento del éxito dentro de las categorías de tiempo puede reflejar tanto mejoras de los modelos como cambios en la composición de las tareas delegadas. Por eso, la comparación por duración resulta útil como tendencia interna, pero por sí sola no permite distinguir la contribución del modelo de la decisión de los investigadores sobre qué tareas asignarle.

 

## Por qué el tipo de tarea importa más que su duración

 

En un resumen del informe sobre tipos de trabajo concretos, OpenAI indica tasas de éxito sin intervención humana del 79 % para supervisar ejecuciones de entrenamiento, del 35 % para iniciarlas y del 25 % para escribir código de inferencia y de la infraestructura de servicio. Incluso dos operaciones consecutivas en torno al entrenamiento de un modelo arrojaron resultados muy distintos.



![Artículo: OpenAI encarga más tareas a sus agentes, pero el éxito depende del tipo de trabajo
Resumen: OpenAI evaluó el desempeño de los agentes de programación dentro de su organización de investigación: los agentes realizan con éxito muchas tareas de supervisión y análisis, pero tienen bastante más dificultades para iniciar entrenamientos y escribir código de inferencia. La conclusión práctica es elegir las tareas según un resultado verificable, no por el nombre general de una profesión.
Función de la imagen: ilustración de apoyo 2: un aspecto concreto distinto
Sección: Por qué el tipo de tarea importa más que su duración](https://jsonscraper.com/assets/uploads/journal/2026/11/337740e5161a3da7a225d537ed1341d3.png.hero.webp)

Proporción de tareas completadas por agentes sin intervención humana, por tipo de trabajo, según los datos de OpenAI de agosto a octubre de 2026.© jsonscraper · Ilustración generada con IA



![Artículo: OpenAI encarga más tareas a sus agentes, pero el éxito depende del tipo de trabajo
Resumen: OpenAI evaluó el desempeño de los agentes de programación dentro de su organización de investigación: los agentes realizan con éxito muchas tareas de supervisión y análisis, pero tienen bastante más dificultades para iniciar entrenamientos y escribir código de inferencia. La conclusión práctica es elegir las tareas según un resultado verificable, no por el nombre general de una profesión.
Función de la imagen: portada: la idea central
Sección: Por qué el tipo de tarea importa más que su](https://jsonscraper.com/assets/uploads/journal/2026/11/1f09dcf8fd66631a53ec4e915205b6da.png.hero.webp)

Proporción de tareas completadas por agentes sin intervención humana, por tipo de trabajo, según los datos de OpenAI de agosto a octubre de 2026.© jsonscraper · Creado con IA

 

Esto explica por qué una categoría general como «ayudar con la investigación» sirve poco para planificar. Supervisar una ejecución para detectar problemas es una tarea de observación y alerta. Iniciar un entrenamiento implica preparar correctamente las acciones y las condiciones de ejecución. El código de inferencia y de servicio pertenece a otro ámbito técnico. Si se agrupan todas estas tareas en una sola métrica, desaparecen diferencias importantes para el flujo de trabajo real.

 

La empresa también informa de tasas más altas en las categorías de «comunicación» (69 %) y «análisis» (58 %) que en «desarrollo» (43 %). Pero incluso esas categorías amplias ocultan diferencias entre tareas. Para elegir un encargo adecuado, es más útil definir un resultado verificable —por ejemplo, detectar un fallo predeterminado en el registro de una ejecución— y establecer por separado qué debe confirmar una persona.

 

## Un uso intensivo no implica el mismo rendimiento

 

El informe muestra que los agentes se han convertido en una parte notable de los flujos de trabajo internos de OpenAI. Según la estimación de la empresa basada en los precios de la API, en octubre un investigador mediano utilizó herramientas de agentes por un valor equivalente a unos 2.400 dólares al día; la cifra correspondiente al percentil 90 fue de unos 23.000 dólares. En ambos casos, se trata de un equivalente calculado según las tarifas publicadas de la API, no de datos sobre el coste real ni de una cantidad demostrada de presupuesto ahorrado.

 

Otro indicador son los «días-agente»: cada ocho horas de uso de un agente se cuentan como una jornada laboral. El promedio pasó de 0,5 a 5,7 días-agente por investigador y día. En los equipos de preentrenamiento y posentrenamiento, el trabajo total medio de los agentes equivalía aproximadamente a ocho de esas jornadas por investigador y día natural. Como varios agentes pueden trabajar en paralelo, la métrica describe su tiempo acumulado, no la duración de la jornada de un empleado; OpenAI también señala que el indicador refleja principalmente el uso interactivo y puede infravalorar la automatización.

 

El aumento del uso muestra que los empleados están incorporando activamente agentes a sus procesos. Pero no basta para evaluar los beneficios en otro equipo: pueden variar el presupuesto, los modelos elegidos, la duración de las sesiones de los agentes y la naturaleza de las tareas. Los datos de OpenAI son especialmente útiles como ejemplo de los indicadores de trabajo que se pueden recopilar, no como una norma lista para aplicar a cualquier departamento de investigación.

 

## Qué trabajo sigue correspondiendo a las personas

 

En entrevistas con diez investigadores, OpenAI describió el lado práctico de la delegación: los agentes ayudaban a escribir y depurar código, analizar experimentos y revisar grandes conjuntos de datos. Al mismo tiempo, los empleados hablaron de artefactos de baja calidad, suposiciones erróneas en los análisis e intentos ineficientes de ejecutar experimentos. La empresa señala por separado que los investigadores atribuyeron a personas las ideas que mencionaron para los lanzamientos de GPT‑6 Astra, mientras que los modelos ayudaron a implementarlas.

 

Una de las formas de trabajar descritas por un investigador es especialmente fácil de trasladar a un equipo: pedir al agente que haga un ejemplo, revisarlo y corregirlo, y luego encargarle una serie de tareas similares. Este orden permite detectar rápidamente un error en las instrucciones o en el formato de los datos antes de que se extienda a todo el conjunto. Para tareas cuya revisión es costosa, suele ser más útil que ampliar de inmediato el alcance del encargo.

 

## Cómo aplicar las conclusiones en tu equipo

 

Empieza con una tarea repetible que tenga un resultado observable y un criterio de aceptación claro. Registra cuántas veces fue necesaria la intervención, qué errores aparecieron y cuánto tiempo llevó la revisión. Estos datos ayudarán a distinguir una tarea que el agente realmente puede asumir de otra en la que solo acelera el trabajo preliminar.

 

Para operaciones de alto impacto, establece un límite de autoridad específico. Por ejemplo, el agente puede detectar una anomalía o preparar un comando de ejecución, mientras que la confirmación y la ejecución quedan a cargo del ingeniero responsable. No es un esquema de seguridad universal, sino una forma de vincular el nivel de autonomía con un riesgo concreto y un criterio de verificación disponible.

 

El informe de OpenAI ofrece una distinción útil: conviene delegar encargos concretos cuyo resultado pueda comprobarse, no «investigación» o «desarrollo» en general. En los datos de la empresa, supervisar ejecuciones parecía más adecuado para la ejecución autónoma que iniciar entrenamientos o escribir código de inferencia. El siguiente paso para un equipo es medir esa misma diferencia en sus propias tareas y ampliar la delegación allí donde los resultados superen la revisión.
