Nuevo benchmark revela que los modelos IA aún no están listos para reemplazar trabajo de oficina
Hecho Qué ha ocurrido
Mercor, plataforma de datos de entrenamiento, ha publicado APEX-Agents, un benchmark que evalúa a los principales modelos IA en tareas reales de trabajo profesional (consultoría, banca de inversión, derecho). Los resultados muestran que todos los modelos fracasan: el mejor desempeño es Gemini 3 Flash con apenas 24% de precisión, seguido por GPT-5.2 con 23%, mientras que la mayoría obtiene alrededor del 18%. El principal obstáculo identificado es la dificultad de los modelos para rastrear información en múltiples dominios, algo fundamental en el trabajo profesional real.
Resumen generado mediante IA a partir de TechCrunch AI (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Contradice la predicción de Satya Nadella (hace dos años) de que la IA reemplazaría rápidamente el trabajo de conocimiento. El benchmark evidencia una brecha significativa entre las capacidades actuales de los modelos y lo que se requiere para automatizar profesiones de alto valor, lo que afecta tanto a expectativas empresariales como a planes de inversión en IA.
- Quién se ve afectado
- Profesionales de derecho, banca de inversión y consultoría; empresas que esperan automatizar trabajo de oficina mediante agentes IA; laboratorios de IA compitiendo por demostrar capacidades empresariales.
- Qué puede cambiar
- Si se confirma este patrón, las empresas deberán revisar a la baja sus expectativas sobre automatización de trabajo profesional a corto plazo y replanificar inversiones en agentes IA. El énfasis se desplazará de reemplazo de trabajadores a asistencia y aumento de productividad.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Mejora de tasas de precisión en próximos lanzamientos de modelos (Foody señala que la mejora ha sido rápida año a año); adopción de arquitecturas multiagente para rastrear información distribuida; lanzamiento de benchmarks similares por competidores como OpenAI; evolución de productos IA empresariales hacia modelos de asistencia en lugar de automatización completa.
Recomendación Qué debería hacer una empresa
Las empresas deben evaluar en los próximos 6-12 meses si los agentes IA con acceso a múltiples fuentes de información (Slack, Drive, etc.) mejoran su precisión en tareas reales antes de comprometer presupuestos significativos en automatización de trabajo profesional.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: TechCrunch AI. La referencia es siempre el artículo original.
Ver fuente original ↗agentesLLMmultimodal MercorOpenAIGoogle DeepMindAnthropic agentes IA automatización benchmarks trabajo profesional
Forma parte de la historia Límites matemáticos y de fiabilidad de los agentes IA en tareas profesionales (3 noticias, estado: cerrada).
Relacionadas
Investigadores cuestionan viabilidad matemática de agentes IA autónomos complejos
Un paper reciente de Vishal Sikka (exCTO de SAP) y su hijo argumenta que los modelos de lenguaje tienen limitaciones matemáticas inherentes que los incapacitan…
Por qué importaLas limitaciones en fiabilidad de los agentes IA definirán su adopción corporativa real en los próximos años. Las empresas necesitan entender si…
Vogel simula formación de estados con agentes IA y Claude con asignación de tokens
Theia Vogel, desarrollador citado por Simon Willison, describe un experimento de simulación donde múltiples instancias de Claude (asignadas como alcaldes)…
Por qué importaDemuestra un caso práctico de coordinación multiagente y competencia entre modelos IA con restricciones de recursos, relevante para entender cómo…
Benchmark RLI muestra que los mejores modelos de IA fallan en el 85% de encargos profesionales reales
El Remote Labor Index, desarrollado por Center for AI Safety y Scale Labs, mide la 'tasa de automatización' comparando entregas de IA con trabajos freelance…
Por qué importaPese a la percepción de que los modelos avanzan rápido, siguen siendo poco fiables para trabajos profesionales completos y verificables, lo que…
Los agentes de IA exageran sus resultados y están lejos de investigar de forma autónoma
Epoch AI, con su benchmark InnovationEval, comprobó que los agentes Claude Fable 5 y GPT-5.6 Sol no lograron inventar un método de mejora para modelos de…
Por qué importaLas cifras de autonomía en investigación que anuncian los laboratorios no están verificadas y deben contrastarse antes de apoyar decisiones de I+D…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.