
Los agentes de inteligencia artificial ya no se limitan a completar líneas de código. En algunos equipos de investigación están lanzando experimentos, preparando análisis y manteniendo tareas durante horas. La cuestión importante, sin embargo, no es cuánto código producen, sino si ayudan a obtener conocimiento fiable y decisiones mejores. Los datos publicados en 2026 muestran una realidad menos espectacular, pero mucho más útil: aceleran partes concretas del trabajo, mientras que la definición del problema, el criterio científico y la revisión humana siguen siendo decisivos.
Esta guía separa lo que se ha medido de lo que todavía es una hipótesis. También propone una forma práctica de introducir agentes en investigación, ingeniería o análisis sin confundir actividad con progreso.
Qué es un agente de IA en investigación
Un agente es un sistema que recibe un objetivo, usa herramientas y ejecuta varios pasos con cierto grado de autonomía. En investigación técnica puede inspeccionar un repositorio, modificar código, lanzar pruebas, revisar resultados y preparar un informe. La diferencia respecto a un asistente conversacional es la continuidad: no responde solo a una pregunta, sino que actúa dentro de un entorno durante una secuencia de trabajo.
Esta autonomía es gradual. Un agente puede completar una prueba bien definida y verificable sin ayuda, pero necesitar supervisión cuando el objetivo es ambiguo, aparecen resultados contradictorios o hay que decidir qué línea merece más recursos. Por eso conviene hablar de tareas delegadas, no de sustitución completa del investigador.
La evidencia interna de OpenAI: más trabajo delegado, no investigación automática
OpenAI publicó el 6 de septiembre de 2026 un análisis sobre el uso de agentes de programación en su organización de investigación. Según ese informe, a mediados de agosto se utilizaban 3,1 jornadas de agente por cada jornada humana. Es una medida de tiempo de ejecución, no de productividad equivalente: ocho horas de agente no representan necesariamente ocho horas de trabajo humano ni garantizan un hallazgo.
El informe describe un aumento claro de la integración diaria. También señala que los usuarios situados en el percentil 90 consumían más de 7.000 dólares diarios en inferencia a precios de API. La cifra ilustra la intensidad de uso en un entorno de frontera, pero no permite trasladar automáticamente el mismo retorno a una empresa pequeña, una universidad o un profesional independiente.
Hay otro dato especialmente revelador: en más de la mitad de las tareas satisfactorias que duraron entre cuatro y ocho horas hubo al menos una intervención humana. El patrón encaja con una colaboración asimétrica. El agente puede sostener la ejecución y resolver detalles, mientras una persona corrige el rumbo, aporta contexto o decide si el resultado merece confianza.
La propia organización advierte de que contar código o experimentos es fácil, pero relacionarlos con progreso científico es difícil. Un equipo puede generar más variantes sin formular una pregunta mejor. Si quieres trasladar este principio a un proyecto real, resulta útil empezar por definir una métrica de valor antes de ampliar recursos, como explicamos en nuestra guía sobre cómo medir y escalar proyectos de IA.
Actividad, velocidad y valor no son lo mismo
Un agente puede reducir el tiempo de una tarea y, aun así, no aumentar en la misma proporción el valor del proyecto. Preparar diez gráficos en minutos es una ganancia operativa; descubrir que el experimento no controla una variable importante es una ganancia de criterio. Ambas ayudan, pero no deben contabilizarse como si fueran equivalentes.
METR estudió en 2026 la percepción de 349 trabajadores técnicos. Los participantes declararon una mediana de entre 1,4 y 2 veces más valor gracias a herramientas de IA y una mejora de velocidad de tres veces. Los autores subrayan que son respuestas autopercibidas. En un estudio anterior, los participantes habían sobreestimado el ahorro de tiempo en 40 puntos porcentuales de media.
La lección no es descartar las encuestas, sino combinarlas con evidencia observable. Un equipo debería registrar el tiempo total, las correcciones humanas, los experimentos inválidos, el coste computacional y la calidad final. Medir solo la sensación de rapidez favorece conclusiones demasiado optimistas.
Un cuadro de mando mínimo
- Tiempo hasta una conclusión válida: incluye preparación, ejecución, revisión y repetición.
- Tasa de intervención: cuántas veces una persona debe desbloquear, corregir o redirigir al agente.
- Porcentaje de resultados reproducibles: cuántos pueden repetirse con el mismo protocolo.
- Coste total: inferencia, infraestructura, revisión y tiempo humano.
- Errores detectados tarde: fallos que superaron controles iniciales y obligaron a rehacer trabajo.
El límite más duro aparece en la investigación abierta
Las tareas con una respuesta verificable favorecen a los agentes. Si una prueba pasa o falla, el sistema recibe una señal clara. La investigación abierta es distinta: hay que elegir una pregunta relevante, diseñar una metodología, interpretar resultados ambiguos y abandonar hipótesis atractivas cuando la evidencia no las sostiene.
Un trabajo publicado en arXiv en julio de 2026 evaluó agentes con dos problemas centrales de artículos inéditos presentados a NeurIPS. Los sistemas dispusieron de seis días y miles de dólares en computación. Completaron la ingeniería necesaria sin ayuda humana, pero no lograron avances sustanciales sobre las preguntas de investigación; los autores originales rechazaron inequívocamente ambos resultados.
El estudio identificó cinco fallos recurrentes: mal criterio sobre el nivel exigible para publicar, respuestas poco creativas ante deficiencias del diseño, retroceso ineficaz al llegar a un callejón sin salida, mala gestión de recursos y desviación respecto a las instrucciones. Una comprobación con otro modelo y otra configuración reprodujo el patrón. Dos casos no bastan para generalizar a toda la ciencia, pero sí contradicen la idea de que la buena ejecución técnica implica automáticamente buen juicio investigador.
La conclusión práctica es sencilla: cuanto más abierto sea el problema, más importante resulta dividirlo en decisiones revisables. Antes de aceptar un hallazgo conviene aplicar un proceso explícito para comprobar si una respuesta de IA es fiable, revisar las fuentes y buscar explicaciones alternativas.
Qué tareas encajan mejor hoy
Preparación y mantenimiento experimental
Los agentes son útiles para configurar entornos, adaptar scripts, convertir formatos, lanzar baterías de pruebas y documentar resultados. Son tareas laboriosas, con criterios de aceptación relativamente claros y fáciles de auditar. Delegarlas libera tiempo para plantear preguntas, interpretar excepciones y conversar con especialistas.
Exploración de variantes con límites definidos
También pueden comparar configuraciones, probar hiperparámetros o buscar regresiones si existe un presupuesto y una función de evaluación. El responsable humano debe decidir de antemano cuándo detener la búsqueda. Sin ese límite, producir más experimentos puede consumir recursos sin aumentar conocimiento.
Revisión preliminar, nunca validación final
Un agente puede localizar inconsistencias, preparar listas de comprobación o contrastar una afirmación con documentos proporcionados. La validación final exige revisar los originales y conservar trazabilidad. En ámbitos regulados o de alto impacto, la revisión independiente no es opcional.
Quien quiera practicar estas rutinas en proyectos acotados puede apoyarse en recursos formativos orientados a procesos, como el análisis del curso Domina la IA y su temario práctico. Para trabajo autónomo, nuestra reseña de la Guía IA para Freelancers explica cómo adaptar plantillas y prompts sin convertirlos en decisiones automáticas.
Cómo implantar agentes sin perder control científico
1. Define el resultado aceptable antes de ejecutar
Describe qué evidencia confirmaría o refutaría la hipótesis, qué pruebas deben pasar y qué riesgos obligan a detenerse. Si el éxito solo se define después de ver el resultado, es fácil premiar una salida convincente aunque no sea válida.
2. Separa generación y evaluación
No encargues al mismo flujo proponer una solución y certificarla sin controles externos. Usa pruebas automáticas, datos reservados, revisores independientes o un protocolo escrito. La evaluación debe resistir la tentación de reinterpretar el objetivo a favor del resultado.
3. Limita herramientas, datos y presupuesto
Concede solo los permisos imprescindibles. Fija límites de tiempo, consumo y acciones. La autonomía debe crecer después de demostrar fiabilidad en tareas pequeñas. Una credencial amplia o un entorno sin aislamiento convierte un error lógico en un incidente operativo.
4. Registra cada decisión importante
Guarda la versión del modelo, el objetivo, las herramientas, los cambios de código, los datos utilizados, las intervenciones humanas y los resultados descartados. Este registro permite reproducir el trabajo y entender si una mejora procede del modelo, del proceso o de una corrección humana.
5. Revisa el progreso por valor, no por volumen
Más ejecuciones, tokens o líneas de código no equivalen a más conocimiento. Evalúa si el agente reduce el tiempo hasta una conclusión válida, mejora la reproducibilidad o permite investigar preguntas antes inabordables. Si solo multiplica variantes, quizá esté aumentando actividad sin resolver el cuello de botella real.
Seguridad y continuidad operativa
Los agentes que ejecutan código necesitan controles técnicos y organizativos. El informe de OpenAI sobre riesgo en sistemas frontera insiste en configurar correctamente los controles, comprobar cómo interactúan y responder cuando fallan. Una red mal configurada o una parada automática defectuosa puede anular protecciones que parecían sólidas.
La organización afirma que pausará entrenamientos o retendrá publicaciones si la evidencia de seguridad no alcanza el umbral exigido. Esa política no demuestra que todos los riesgos estén resueltos; sí muestra un principio transferible: una métrica de rendimiento no debe eclipsar las condiciones de seguridad.
Para un equipo pequeño, esto se traduce en entornos aislados, permisos mínimos, copias de seguridad, revisión de cambios y capacidad real de detener la ejecución. La supervisión no consiste en observar una pantalla, sino en disponer de puntos de control que impidan acciones irreversibles.
Qué podemos afirmar y qué sigue siendo una predicción
Hecho observado: en organizaciones de investigación punteras, los agentes ya acumulan muchas horas de trabajo y sostienen tareas más largas. También hay evidencia de que completan ingeniería compleja y aumentan la velocidad percibida por trabajadores técnicos.
Hecho observado: las intervenciones humanas siguen siendo frecuentes, las medidas de actividad son difíciles de convertir en progreso y los agentes evaluados en problemas abiertos han mostrado fallos de juicio, diseño y gestión de recursos.
Predicción razonable: la proporción de trabajo delegable crecerá a medida que mejoren los modelos, las herramientas y los sistemas de evaluación. No puede deducirse de los datos actuales cuándo, ni si, se automatizará el ciclo completo de investigación.
Predicción no demostrada: que multiplicar las jornadas de agente produzca un aumento equivalente de descubrimientos. El cuello de botella puede trasladarse desde la ejecución hacia la formulación de preguntas, la revisión o el acceso a datos y equipos.
Conclusión: acelerar con criterio
Los agentes de IA ya son una herramienta seria para investigación, pero su valor aparece cuando el trabajo está bien delimitado, el resultado puede verificarse y una persona conserva la responsabilidad sobre las decisiones. La evidencia de 2026 apunta a más capacidad de ejecución, no a una autonomía científica completa.
La estrategia más sólida no es entregar un proyecto entero al agente. Es identificar tareas repetibles, fijar métricas antes de empezar, registrar intervenciones y ampliar la autonomía solo cuando los resultados son reproducibles. Así, la IA puede acortar ciclos sin rebajar el estándar que convierte un experimento en conocimiento.
