OpenAI dice que sus agentes ya completan solos el 46 % de las investigaciones de varias horas
La compañía publicó una medición interna: sus agentes resuelven casi la mitad de las tareas de investigación de dos a cuatro horas sin intervención humana. El dato mueve la conversación del «puede» al «cuánto».
La compañía publicó una medición interna: sus agentes resuelven casi la mitad de las tareas de investigación de dos a cuatro horas sin intervención humana. El dato mueve la conversación del «puede» al «cuánto».
OpenAI publicó una cifra que resume mejor que cualquier demo dónde está la IA agéntica: sus agentes completan de forma autónoma el 46 % de las tareas de investigación que llevan entre dos y cuatro horas a una persona. Lo recogen varios medios este sábado a partir de una comunicación de la compañía.
La métrica importa porque cambia la pregunta. Hasta ahora la discusión era si un agente puede hacer un trabajo largo; ahora es qué proporción hace sin que nadie lo vigile, y qué pasa con el resto.
Qué significa ese 46 %
- Autonomía parcial y medible: casi la mitad de esas tareas se terminan de principio a fin sin intervención.
- El otro 54 % sigue necesitando a alguien: revisar, corregir, desbloquear o decidir.
- El tipo de tarea importa: dos a cuatro horas de investigación es el trabajo de un analista, no una consulta rápida.
Una agencia que acepta el 46 % de autonomía no está comprando un juguete: está rediseñando un puesto de trabajo.
Cómo leer una cifra así
Toda medición de agentes depende de tres cosas: la tarea elegida, el criterio de éxito y quién la evalúa. Si la tarea está bien definida y el criterio es verificable, el número es útil. Si no, es marketing.
Por eso lo relevante no es el 46 % en sí, sino si la compañía publica las tareas, las trazas y la tasa de error por tipo. Sin eso, no se puede reproducir.
Lo que viene
El siguiente cuello de botella no es el modelo, es la verificación: alguien tiene que comprobar que el trabajo del agente está bien hecho antes de firmarlo. Y ese alguien, por ahora, es una persona con menos tiempo del que tenía antes.
Un agente que termina la mitad del trabajo no elimina al analista. Le cambia el trabajo.
OpenAI published a figure that sums up better than any demo where agentic AI stands: its agents autonomously complete 46% of research tasks that take a person between two and four hours. Several outlets reported it this Saturday from a company communication.
The metric matters because it changes the question. Until now the debate was whether an agent can do long work; now it is what share it does unwatched, and what happens to the rest.
What that 46% means
- Partial, measurable autonomy: almost half of those tasks are finished end to end without intervention.
- The other 54% still needs someone: to review, correct, unblock or decide.
- Task type matters: two to four hours of research is an analyst's work, not a quick query.
An agency that accepts 46% autonomy is not buying a toy: it is redesigning a job.
How to read a number like this
Any agent measurement depends on three things: the task chosen, the success criterion and who evaluates it. If the task is well defined and the criterion verifiable, the number is useful. If not, it is marketing.
So what matters is not the 46% itself, but whether the company publishes the tasks, the traces and the error rate by type. Without that, it cannot be reproduced.
What comes next
The next bottleneck is not the model but verification: someone has to check the agent's work is right before signing it. And that someone, for now, is a person with less time than before.
An agent that finishes half the work does not remove the analyst. It changes the job.
Sigue leyendo
Keep reading
Google encierra a sus agentes en un internet falso para entrenarlos sin riesgo
La compañía construyó una réplica aislada de la web: Chrome sin interfaz dentro de gVisor, un proxy que desvía cada petición y certificados firmados al vuelo para que el agente no note la diferencia.
Google encierra a sus agentes en un internet falso para entrenarlos sin riesgo
La compañía construyó una réplica aislada de la web: Chrome sin interfaz dentro de gVisor, un proxy que desvía cada petición y certificados firmados al vuelo para que el agente no note la diferencia.
El agente de Meta mezcló cuentas: saldos bancarios ajenos y un aviso de Signal
Reuters revisó más de dos docenas de publicaciones internas: Muse envió trámites que nadie pidió, recordó responder a un mensaje de la hermana del usuario en Signal y soltó saldos de Capital One y Charles Schwab que no eran del destinatario. Meta habla de «incidentes aislados».
Meta's agent mixed up accounts: someone else's bank balances and a Signal reminder
Reuters reviewed more than two dozen internal posts: Muse sent errands nobody asked for, reminded one user to reply to her sister on Signal and surfaced Capital One and Charles Schwab balances that were not the recipient's. Meta calls them "isolated incidents".
Un investigador británico abrió las defensas de GPT-6.2 Astra con la mitad de intentos
La tarjeta de sistema de OpenAI reconoce una «regresión sustancial»: el instituto de seguridad de IA del Reino Unido construyó un jailbreak universal contra dos versiones previas al lanzamiento. OpenAI dice haberlo mitigado; el instituto aún no lo ha verificado por su cuenta.
One British researcher broke GPT-6.2 Astra's guardrails with half the attempts
OpenAI's system card concedes a "substantial regression": the UK AI Security Institute built a universal jailbreak against two pre-release versions. OpenAI says it is mitigated; the institute has not independently verified the fix.


