Las fuentes consultadas analizan la rápida expansión y el impacto en el entorno laboral de la inteligencia artificial con agentes, que permite a los usuarios delegar tareas autónomas de varios pasos en lugar de limitarse a conversaciones. Al examinar los datos de uso de la plataforma Codex de OpenAI en poblaciones individuales, organizacionales y de trabajadores internos, la investigación revela que estas herramientas se están extendiendo rápidamente más allá del desarrollo de software hacia dominios de trabajo del conocimiento más amplios. Los usuarios intensivos organizan cada vez más sus flujos de trabajo en torno a la ejecución paralela de tareas, ejecutando simultáneamente múltiples agentes de larga duración y utilizando habilidades personalizadas para sistematizar proyectos complejos. Además, si bien las operaciones de software siguen siendo el caso de uso dominante, los datos muestran un aumento significativo en la complejidad de las tareas y la generación de tokens de salida agregados a lo largo del tiempo. En definitiva, los hallazgos sugieren que la adopción de la IA con agentes requiere que las organizaciones replanteen las estructuras de flujo de trabajo, desplazando el rol humano de la implementación directa a la supervisión, la coordinación y la verificación.
Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "The Shift to Agentic AI: Evidence from Codex". Por Drew Johnston y colegas. Publicado el 25 de Junio de 2026.
El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.
El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.
Resumen
Beto
Imagina cerrar tu computadora un viernes por la tarde, ¿verdad? Miras tu hoja de tiempo y te das cuenta de que acabas de completar 71 horas de trabajo tangible real en un solo día de 24 horas.
Alicia
Sí, eso suena completamente imposible.
Beto
Sí, eso suena como un fallo en las leyes de la física o, tal vez un error tipográfico terrible.
Pero internamente en OpenAI, eso es exactamente lo que están haciendo los trabajadores de primer nivel ahora.
Hoy estamos viendo una reestructuración fundamental de la productividad humana.
Alicia
Significa que rompe la progresión lineal del tiempo como lo entendemos tradicionalmente en el lugar de trabajo.
Estamos hablando de un cambio tan masivo que requiere un vocabulario totalmente nuevo para definir cómo entendemos un día de trabajo.
Beto
Y para guiarnos a través de esto, tenemos en nuestras manos un nuevo y altamente exhaustivo artículo de investigación de 2026. Este es un estudio colaborativo realizado por investigadores de OpenAI, Columbia, Wharton y Duke.
Alicia
Sí, es un grupo de peso.
Beto
¡Claro! Y analizan datos de uso de la herramienta Codex de OpenAI.
Así que, la misión para este análisis profundo es entender la línea que acabamos de cruzar. Porque, para los que escuchan, hemos pasado los últimos años tuiteando sobre la inteligencia artificial como una enciclopedia súper inteligente. Haces una pregunta y obtienes una respuesta.
Alicia
Correcto. Es la dinámica de ping-pong.
Beto
Exacto. Pero estos datos revelan que la frontera de la tecnología se ha movido silenciosamente. Oficialmente estamos pasando de la IA conversacional a la IA agente.
Alicia
Lo que básicamente significa que la gente ya no solo le pide una respuesta a una IA; están delegando días de trabajo multifase, realmente complejos, a trabajadores digitales autónomos.
El cambio hacia la IA agencial: cómo los flujos de trabajo autónomos están transformando la producción.
Beto
Correcto. Para captar bien esto, quiero que visualicen el telón de fondo para la discusión de hoy: está cambiando totalmente. Ya no estamos en una biblioteca silenciosa tecleando preguntas en una barra de búsqueda; la imagen es de una planta de fábrica descentralizada, elegante y moderna.
Alicia
Me gusta esa imagen.
Beto
Porque lo que realmente estamos hablando aquí es de la reorganización completa del trabajo de conocimiento moderno.
A ver, desglosémoslo. Escuchamos la frase "IA agéntica" muy a menudo, pero definamos qué aspecto tiene ese mecanismo en la práctica y veamos quién está liderando la carga aquí.
Alicia
Sí, la distinción mecánica es realmente sobre presencia. La IA conversacional, como la interfaz de ChatGPT tradicional a la que todos nos acostumbramos, requiere tu presencia constante. Como dije antes, es una partida de ping-pong; tú golpeas la pelota y ella te devuelve el golpe. La IA agéntica, que es lo que Codex representa en este conjunto de datos, se trata de producción delegada.
Beto
Así que, no solo recibes texto en la ventana del chat.
Alicia
Exactamente. Estos agentes pueden usar herramientas externas de forma autónoma. Pueden inspeccionar los archivos de tu computadora, ejecutar comandos de terminal y modificar artefactos digitales por sí mismos sin que tú tengas que estar guiándolos en cada paso.
Beto
Permíteme poner una analogía para hacerlo concreto. Pienso en la industria de los restaurantes. Conversacionalmente, es como pedirle a tu sous chef que te lea una receta para que tú cocines la comida.
Pero la IA agéntica está mirando a tu sous chef y diciendo: "Ve a cocinar una comida de cinco platos para la mesa cuatro y avísame cuando esté emplatada", mientras te vas para gestionar el resto del comedor.
Alicia
Correcto. Estás delegando la ejecución de esa tarea, completamente. Y lo que los investigadores querían ver fue quién está dando ese salto, quién está dejando que el sous chef cocine.
Beto
Correcto.
Alicia
Así que rompieron los datos de adopción de principios de 2026 en tres poblaciones distintas: usuarios individuales en cuentas personales, usuarios organizacionales en empresas y la frontera, que en este contexto significa trabajadores internos en OpenAI misma.
Beto
Bien. Hablemos primero de los usuarios individuales, porque creo que ahí es donde la mayoría de la gente que escucha probablemente dice: ¿Están dando el salto?
Alicia
Bueno, no realmente. Los usuarios individuales todavía están tratando a la IA como una herramienta conversacional. Menos del uno por ciento de esos usuarios activos están utilizando Codex para flujos de trabajo agente.
Beto
Bueno, menos del uno por ciento.
Alicia
Sí, todavía están jugando al ping-pong.
Pero cuando pasas a las organizaciones, a las empresas que han integrado formalmente esto en su fuerza laboral, la cifra sube un 17.3%. Sus usuarios están utilizando Codex.
Beto
Lo que, honestamente, todavía suena un poco bajo. Es un cambio de paradigma masivo. El 17% no suena como una revolución.
Alicia
Ah, pero ahí es donde tenemos que cambiar cómo medimos la adopción. El artículo señala que contar usuarios activos es una métrica realmente defectuosa en un mundo de la IA agente.
Beto
Espera, ¿realmente? ¿Por qué?
Alicia
Pensémoslo. Si una persona está gestionando una IA que hace el trabajo de 50 personas, contar cabezas no te dice nada.
Beto
Sí, claro, eso tiene todo el sentido.
Alicia
Bien. Tenemos que mirar los tokens de salida, el volumen real de trabajo y contenido que se está generando. Cuando miras a las organizaciones a través de esa lente, Codex representa el 63.3% de su salida total de IA.
Beto
Eso es increíble.
Alicia
Así que ese 17% de personas que usan la herramienta agente están generando casi dos tercios del trabajo real que se está haciendo por la IA en esas empresas.
Beto
Precisamente.
Alicia
El apalancamiento es asombroso y se vuelve aún más obvio cuando miras a la frontera.
Internamente en OpenAI, los empleados enfrentan cero fricción para acceder a estas herramientas.
Beto
Claro, porque ellos las construyen.
Alicia
Exactamente. Y ellos entienden profundamente sus capacidades. La adopción allí es un cambio de paradigma casi total. Casi el cien por ciento de sus trabajadores usa Codex y eso representa el 99.8% de sus tokens de salida de IA.
Beto
El 99.8%.
Alicia
Sí. La interfaz conversacional ha sido esencialmente abandonada para tareas de trabajo serias.
Beto
Así que cuando se elimina la fricción, simplemente dejamos de charlar y empezamos a delegar.
Pero espera. Quiero rebatir esto un poco porque siento que falta un eslabón.
Alicia
Claro, seguro.
Beto
Codex se originó como una herramienta para desarrolladores de software. Fue construida específicamente para escribir y depurar código.
Así que si yo soy un reclutador de RR.HH., un abogado o un ejecutivo de marketing, ¿cómo me ayuda un generador de Python? Siento que a la gente no técnica que usa esta herramienta es como forzar un cubo en un hueco redondo.
Alicia
Entiendo que parece contraintuitivo en la superficie, pero los datos muestran que el uso de esta herramienta agente por parte de no desarrolladores está explotando.
Beto
¿De verdad?
Alicia
Sí, el artículo aísla diferentes roles para rastrear su crecimiento de salida entre finales de 2025 y junio de 2026. En la frontera, el investigador mediano generó 50 veces más tokens de salida mensuales.
Beto
50 veces.
Alicia
Sí. Y para un rol legal, el empleado mediano vio un aumento de 13 veces en la productividad.
Beto
Un aumento de 13 veces en el departamento legal utilizando una plataforma de codificación. Pausemos y veamos realmente la mecánica de eso. ¿Cómo interactúa un abogado realmente con un agente de codificación para lograr 13 veces más trabajo?
Alicia
Así que tenemos que ver qué hace realmente el código tras bambalinas. Cuando un abogado usa Codex, no está escribiendo scripts de Python.
Beto
Correcto. No está hackeando el mainframe.
Alicia
Exactamente. Están lidiando con enormes cantidades de procesamiento de datos y reglas lógicas estrictas.
Digamos que un equipo legal necesita comparar 500 acuerdos de confidencialidad contra un nuevo estándar de la empresa. En los viejos tiempos, un abogado junior abría 500 PDFs uno por uno. Pero con una herramienta agente, el abogado solo le da la instrucción en inglés sencillo como: "Compara estos 500 contratos en esta carpeta y señala cualquier cláusula de responsabilidad que no coincida con nuestro nuevo estándar".
Beto
Y la IA simplemente descubre cómo hacerlo técnicamente.
Alicia
Sí, el agente escribe autónomamente un script temporal en segundo plano, ejecuta ese script para escanear los PDFs, extrae las cláusulas relevantes, realiza la comparación lógica y compila un informe final para el abogado.
Beto
Vaya.
Alicia
El código es solo el músculo invisible moviendo los datos. El abogado ni siquiera mira el código, solo revisa el informe final.
Beto
Lo que explica completamente el caso de uso de RR.HH. porque, si estoy reclutando, estoy gestionando constantemente flujos de datos extrayendo perfiles de candidatos de LinkedIn, cotejándolos con bases de datos internas, filtrando por criterios específicos y enviando correos electrónicos de contacto personalizados. Eso es completamente flujo de trabajo de gestión de datos.
Alicia
Y se traduce perfectamente en código invisible. Los ejecutivos y gerentes están utilizando esto en gran medida para lo que el artículo llama "artefactos de conocimiento".
Beto
¿Qué es eso? ¿Como presentaciones y cosas así?
Alicia
Sí, presentaciones, documentos estratégicos, planificación de proyectos. El trabajo de un gerente es inherentemente delegación y construcción de sistemas. Y una vez que se dan cuenta de que pueden señalar un agente a una carpeta desordenada de datos y decir: "Organiza esto en un informe trimestral y actualiza la hoja de cálculo correspondiente", lo adoptan de inmediato.
Beto
Así que, todos los días, los trabajadores del conocimiento están usando estos agentes para ejecutar scripts en segundo plano.
Pero tengo mucha curiosidad sobre la escala del trabajo real que se está transfiriendo.
Alicia
¿Qué quieres decir?
Beto
¿Estamos hablando de delegar tareas de cinco minutos, formatear una hoja de cálculo de ventas? Porque hacerlo 13 veces más rápido es genial, pero no es exactamente reorganizar la estructura de la economía.
Alicia
Oh, veo.
Sí, los investigadores realmente querían medir la complejidad real de estas tareas delegadas. Para hacer esto, usaron un punto de referencia automatizado comparado con fuerzas de programación.
Beto
¿Qué es exactamente?
Alicia
Es un conjunto de datos masivo de programación competitiva. Usan esto para estimar cuánto tiempo le tomaría a un humano experimentado completar una tarea dada manualmente sin ninguna asistencia de IA.
Beto
Así que esencialmente construyen una regla para medir el peso de las tareas que se están transfiriendo. ¿Qué encuentran?
Alicia
La trayectoria es salvaje. Desde el comienzo de 2026, la parte de los usuarios individuales que delegan una tarea que le tomaría a un humano más de ocho horas completarla ha aumentado casi diez veces.
Beto
Espera, ¡diez veces!
Alicia
Sí. Saltó del 2.1% al 25.6%.
Beto
Así que uno en cuatro usuarios están transfiriendo un día completo de trabajo en una sola instrucción.
Alicia
Sí. Y ampliando un poco, más del 70% de los usuarios ahora están enviando instrucciones que le tomarían a los humanos más de una hora completarlas. Estamos pasando mucho más allá del trabajo tedioso trivial.
Beto
Aquí es donde se pone realmente interesante para mí. Los datos muestran que esta complejidad masiva sucede en el primer turno de una conversación.
Alicia
Es decir, está precargada.
Beto
No es como si el humano estuviera persuadiendo a la IA paso a paso durante horas.
Es menos como entregar una roca y más como entregarle a un contratista un plano. A las 9 de la mañana, le entregas a la IA la arquitectura de lo que quieres. La IA pasa las siguientes varias horas vertiendo el concreto, haciendo el cableado y construyendo la estructura de forma autónoma. Y tú simplemente caminas por el sitio a las 4 de la tarde para señalar una lámpara torcida.
Alicia
Esa metáfora del plano captura perfectamente el cambio psicológico subyacente. Lo que estamos presenciando es que los humanos están cambiando fundamentalmente su relación con la confianza.
Beto
Confianza.
Alicia
Sí, quiero decir, hace un año podrías pedirle a una IA que escriba un solo párrafo y verificarlo, pedirle otro párrafo y verificarlo. Estabas revisando constantemente el cableado.
Beto
Correcto. Porque podría alucinar o simplemente arruinarlo por completo.
Alicia
Exactamente. Ahora, los usuarios están cada vez más cómodos entregando una semana completa de trabajo conceptual desde el principio, confiando en el agente para obtener al menos la estructura 80% correcta antes de que ellos entren a inspeccionar.
Beto
Lo que obliga al humano a transicionar su propio papel. Ya no eras el creador, sino que te convertías en el editor y el revisor. Le das a la IA la tarea de ocho horas, ella muele en la ejecución, y tu trabajo es revisar la salida, corregir los errores sutiles y guiar el pulido final.
Alicia
Pero esto introduce un rompecabezas logístico masivo: si la IA está haciendo ocho horas de vertido de concreto en una fracción de tiempo de forma autónoma, ¿qué está haciendo el humano con el resto de su día?
Beto
Correcto. Si mi tarea de ocho horas está siendo manejada por el contratista digital, ¿voy a ir a la playa a las 11 de la mañana?
Alicia
Los datos dicen que no.
Beto
Por supuesto que no.
Alicia
Los humanos no están trabajando menos; están reorganizando la estructura fundamental de su trabajo, corriendo en paralelo. Esto realmente nos trae de vuelta a esa metáfora de la planta de fábrica que mencionaste al principio.
Beto
Sí.
Alicia
Los investigadores citan un estudio económico muy famoso de 1990 de Paul David. Analizó cómo las fábricas pasaron de la energía de vapor a la electricidad.
Beto
Me encanta este paralelismo histórico.
Vamos a desglosar cómo funcionó ese cambio de vapor a electricidad porque explica todo lo que estamos viendo digitalmente ahora.
Alicia
Bien. En los años 1800, las fábricas eran operadas por enormes motores de vapor centralizados. La disposición física de toda la fábrica estaba dictada por la fuente de energía. Tenías que construir toda la maquinaria alrededor de estos gigantescos ejes y correas giratorias conectados al motor central. Cuando se inventaron los motores eléctricos, los propietarios de las fábricas simplemente sacaron el motor de vapor gigante y pusieron un motor eléctrico gigante en el mismo lugar exacto.
Beto
Así que mantuvieron exactamente la misma disposición lineal de la fábrica.
Alicia
Exacto. Y como mantuvieron la vieja disposición, no vieron ganancias masivas de productividad de inmediato. Las ganancias reales solo ocurrieron décadas después, cuando una nueva generación de gerentes se dio cuenta de algo profundo: la electricidad significaba que no necesitabas una fuente de energía central.
Beto
Podías simplemente poner un pequeño motor eléctrico en cada banco de trabajo.
Alicia
Sí, rediseñaron físicamente la planta de fábrica para que la producción pudiera ser descentralizada y ocurrir simultáneamente. La disposición fue dictada repentinamente por el flujo de trabajo, no por la fuente de energía.
Beto
Y el artículo está argumentando que lo mismo está sucediendo digitalmente ahora mismo. Si solo estuvieras usando IA para acelerar tu flujo de trabajo lineal, como hacer una tarea a la vez solo más rápido, solo estarías cambiando un motor de vapor por un motor eléctrico. Pero los datos muestran que la gente está empezando a rediseñar la planta de fábrica digital.
Veamos los números de concurrencia porque aquí es donde entra en juego la jornada laboral de 71 horas.
Alicia
Sí, más del 10% de los usuarios están gestionando tres o más agentes de IA concurrentes al mismo tiempo. Y si miras a la frontera, los trabajadores internos de OpenAI gestionan casi el 28.6% de los usuarios manejando cinco o más agentes a la vez.
Beto
Piensa en eso por un segundo. Volvamos a nuestro reclutador de RR.HH. El Agente uno está escaneando silenciosamente perfiles de LinkedIn y ejecutando ese script de Python en segundo plano para construir una base de datos. Mientras tanto, el Agente dos está redactando correos electrónicos de contacto personalizados y, al mismo tiempo, el Agente tres está analizando los datos de rotación del trimestre pasado para construir una presentación para los ejecutivos.
El reclutador humano solo está parado en medio de esta planta de fábrica digital descentralizada, observando cómo tres líneas de montaje diferentes funcionan al mismo tiempo y solo interviniendo cuando se necesita control de calidad.
Alicia
Así es como obtienes los hallazgos del artículo sobre agentes de larga duración. Para los usuarios de primer nivel en la frontera, el percentil 99 están generando hasta 71 horas de tiempo de ejecución acumulado del agente en un solo día de 24 horas.
Beto
Eso es alucinante.
Alicia
Bueno, si tienes cinco agentes trabajando para ti simultáneamente durante 14 horas cada uno, esencialmente has generado 70 horas de trabajo.
El trabajo se ha paralelizado por completo. Eres un orquestador.
Beto
Y la gente no está simplemente iniciando estos agentes desde cero cada mañana. Los datos muestran que están construyendo activamente líneas de montaje personalizadas. El artículo destaca que el 26.6% de los usuarios utilizan lo que llaman "habilidades" ("skills") o "plugins".
Alicia
Sí, la función de "habilidades" es enorme.
Beto
Exploremos la mecánica de eso. ¿Qué es una "habilidad" ("skill") en este contexto?
Alicia
Es la sistematización del trabajo. Si tienes una forma específica en que tu organización formatea informes semanales o una estricta verificación de cumplimiento que tienes que ejecutar en cada contrato, no quieres explicar los matices de esas reglas a la IA cada vez que le pides algo.
Beto
Eso sería agotador.
Alicia
Exacto. Así que construyes una habilidad personalizada, esencialmente le enseñas a la IA la arquitectura específica de tu empresa, una vez que codificas tu flujo de trabajo repetitivo.
Beto
Así se convierte solo en un botón que presionas en tu banco de trabajo, como "ejecutar verificación de cumplimiento semanal".
Alicia
Correcto. Y en OpenAI, el 96% de sus trabajadores están usando estas habilidades. No solo están usando una IA lista para usar. Han construido un departamento digital automatizado completo que ejecuta sus procesos organizacionales específicos simultáneamente.
Beto
Han construido los pequeños motores eléctricos en cada banco de trabajo.
Alicia
Sí, exactamente.
Beto
Bien, vamos a unir todo para ustedes, porque las implicaciones aquí son masivas para cómo gestionan su propia carrera. Si están sentados en su escritorio hoy y están usando IA solo para escribir un correo electrónico cortés o para resumir un PDF o para responder una pregunta de trivia, estás atrapado en la era de la energía de vapor. Estás usando tecnología nueva increíble, pero la estás forzando en un flujo de trabajo lineal antiguo.
Alicia
La principal conclusión de estos datos de 2026 es que la naturaleza fundamental del valor en el lugar de trabajo ha cambiado. Tu objetivo no debe ser descubrir cómo escribir más rápido o leer más rápido o ejecutar una sola tarea con más eficiencia.
Beto
Correcto. Para ser verdaderamente bien informado y altamente efectivo en este nuevo panorama, tu objetivo es aprender a delegar. Necesitas aprender a construir y gestionar flujos de trabajo paralelos.
Alicia
Tu valor ya no está en tu capacidad para verter el concreto.
Beto
Exacto. Tu valor está en tu capacidad para supervisar a los agentes digitales, detectar sus errores estructurales y orquestar múltiples flujos de trabajo complejos a la vez.
Alicia
Estás evolucionando de ser un productor de artefactos a ser un gestor de sistemas.
Beto
Lo que deja con una paradoja realmente fascinante y francamente intimidante para reflexionar.
Alicia
Oh, el problema del aprendizaje práctico (apprenticeship).
Beto
Sí. Hemos establecido que la habilidad humana más valiosa en un futuro cercano ya no es ejecutar las tareas, sino gestionar, supervisar y verificar el trabajo de una docena de agentes de IA que están haciendo la ejecución. Estamos pasando de creadores, a editores.
Pero piensa en cómo te conviertes en experto en tu campo. Piensa en cómo desarrollas el juicio necesario para ser un buen editor.
Alicia
Haces el trabajo de investigación.
Beto
Confiamos en ese juicio intuitivo que se construye enteramente a través de la repetición.
Alicia
Exactamente.
Beto
Ejecutaste las tareas fundamentales básicas, una y otra vez, durante años. Viste mil contratos malos antes de saber instintivamente cómo se veía uno bueno. Pusiste el cableado a mano. Esa es la forma tradicional del modelo de aprendizaje práctico en el trabajo de conocimiento.
Alicia
Son las 10,000 horas de práctica.
Pero si estamos dejando un plano de ocho horas en el escritorio de una IA cada mañana, si toda esa ejecución de nivel inicial es completamente delegada a agentes autónomos, ¿cómo diablos entrenamos a la próxima generación de trabajadores humanos?
Beto
Si se trata de hacer la ejecución de nivel junior, ¿de dónde salieron los orquestadores de nivel senior de mañana?
Alicia
Es un problema estructural profundo. No puedes simplemente contratar a una persona de 22 años recién graduada y decirle: "Ok, supervisa a estos cinco agentes autónomos redactando documentos legales", si nunca han redactado un documento legal ellos.
Beto
Claro. Ni siquiera sabrían por dónde empezar.
Alicia
No sabrán qué errores buscar, no tendrán la brújula interna para saber cuándo la IA está alucinando un matiz sutil, o cuándo el tono de un correo electrónico está ligeramente mal.
Beto
Es como caminar por esa planta de fábrica descentralizada y nueva, viendo toda la increíble maquinaria autónoma zumbando y dándose cuenta de que olvidamos construir una puerta para que los aprendices puedan pasar.
¿Tenemos que forzar artificialmente a los empleados junior a hacer tareas manualmente durante tres años solo por el bien de aprender?
Alicia
Quizás.
Beto
O tal vez la naturaleza de un trabajo de nivel inicial cambie fundamentalmente. Quizás los juniors de mañana no aprendan haciendo la tarea, sino que aprendan auditando la salida de la IA desde el primer día.
Alicia
Eso requiere un modelo educativo completamente diferente. Están pidiendo a alguien que aprenda gusto y juicio sin tocar las materias primas.
Beto
Es un acertijo, que vamos a tener que resolver muy rápido porque, como estos datos muestran, el cambio no viene en unos pocos años; ya está aquí. La fábrica digital está siendo rediseñada mientras hablamos.
Algo para pensar la próxima vez que inicien sesión y hagan una pregunta a su enciclopedia digital.
Entradas
