Los agentes de OpenAI completan solos el 46 % de las tareas de investigación largas

AI agents illustration: a cursor moving along a chain of task cards

El 18 de noviembre, OpenAI publicó su segundo informe sobre la «aceleración de la investigación», con el subtítulo «The jagged frontier» (la frontera irregular), que usa datos internos para medir el efecto de los agentes de programación en la investigación y el desarrollo de IA. La cifra central: en tareas de investigación que a una persona le llevarían entre 2 y 4 horas, los agentes completaron de forma autónoma el 46 % en octubre, frente al 23 % de marzo. En las tareas de 4 a 8 horas, la proporción subió del 13 % al 35 % en el mismo periodo.

Todas son estimaciones de la propia OpenAI. Las reproducciones en la prensa no explican cómo se determina que una tarea se completó «de forma autónoma», y con los materiales públicos actuales no es posible comprobarlo.

El mismo trabajo de investigación, enormes diferencias

El subtítulo nace de la distancia entre tareas. En la ventana estadística del 1 de agosto al 18 de octubre, tareas como supervisar el entrenamiento de modelos tuvieron un 79 % de éxito de los agentes; lanzar trabajos de entrenamiento, un 35 %; y escribir código para la pila de inferencia y servicio, solo un 25 %.

La conclusión de OpenAI es muy comedida:

«The agents are not taking over AI research. They are taking over specific slices.»
(Los agentes no se están haciendo cargo de la investigación en IA. Se están haciendo cargo de partes concretas.)

Una persona con más de una docena a la vez

El uso en paralelo se intensifica. Según el informe, más de dos tercios de los investigadores tienen abiertos al menos 4 agentes a la vez en su pico diario, y más de un 10 % llega a 16 o más. Por áreas de investigación, las semanas de trabajo registradas de investigadores en seguridad y alineación crecieron un 77 % entre enero y septiembre, el mayor aumento de todas las áreas.

El informe incluye además una encuesta: se preguntó a 101 investigadores cuántos recursos cederían para seguir usando durante tres meses agentes más potentes que GPT-5.2. La respuesta mediana fue el 30 % de la capacidad de cómputo del equipo, o el 40 % de su personal. Es una encuesta de preferencias hipotética y, por ahora, no hay indicios de que OpenAI ajuste su contratación en función de ella.

2.400 dólares por persona y día

El informe convierte el uso de agentes en dinero según los precios de lista de la API. En octubre, el uso diario mediano por investigador fue de unos 2.400 dólares, frente a 1.500 en septiembre; el percentil 90 subió de 11.000 a 23.000 dólares.

Una cuenta rápida, con unos 250 días laborables al año: el uso de agentes de un investigador mediano equivale a unos 600.000 dólares anuales, y el del percentil 90, a unos 5,75 millones. Es el criterio de precios de lista externos; el coste de cómputo real dentro de OpenAI es muy inferior, aunque no se ha revelado cuánto. Por eso la cuenta solo ilustra el orden de magnitud del uso y no permite deducir el gasto real.

Leído junto al informe anterior

El informe de septiembre señalaba que los agentes de investigación alcanzaron a mediados de agosto una producción equivalente a 3,1 jornadas de trabajo por cada jornada humana, algo que este medio cubrió en su momento. Dos meses después, OpenAI cambia el ángulo de medición: del rendimiento total a desglosar las tasas de éxito por duración y tipo de tarea, y la conclusión también se vuelve más cauta. La tasa de finalización autónoma de las tareas largas sube con rapidez, pero en trabajos de ingeniería como la inferencia y el servicio aún cerca de tres cuartas partes no se completan de forma independiente.

Las limitaciones del informe también son claras: los datos son internos, la dificultad de las tareas la estima la propia OpenAI y faltan referencias externas reproducibles. Si el próximo informe hace pública la forma de determinarlo, podrá valorarse mejor el peso de ese 46 %.

Fuentes: informe de aceleración de la investigación de OpenAI, AI Weekly, CocoLoop, Crypto Briefing; se contrastaron las tasas de finalización autónoma por duración de la tarea, las tasas de éxito por área y el uso diario mediano (convertido a precios de lista de la API).