Doxa 2593

Investigación: Cómo los agentes de IA amplían el alcance del trabajo del conocimiento

Las mejoras en la eficiencia son solo una parte de la historia

Por Jeremy Yang, Kate Zyskowski, Noah Yonack y Jerry Ma

IA generativa

Harvard Business Review

#Doxa #AgentesIA #TrabajoDelConocimiento #InteligenciaArtificial #ColaboraciónCognitiva #InnovaciónDisruptiva #TransformaciónDigital #ProductividadEstratégica #InvestigaciónAplicada #FuturoDelTrabajo #Tecnología

Resumen. Los agentes de IA no solo agilizan el trabajo intelectual, sino que transforman su naturaleza. En un estudio de campo sobre el asistente conversacional y el agente autónomo de Perplexity, los investigadores descubrieron que el agente no solo realizaba untrabajo más autónomo, reducía el tiempo dedicado a las tareas, disminuía los costos y aumentaba la satisfacción de los usuarios, sino que también ampliaba el alcance del trabajo que las personas se proponían llevar a cabo: traspasando los límites profesionales, abordando proyectos más complejos de varios pasos y generando tareas que rara vez surgían con un asistente estándar. A medida que los trabajadores pasan de ser operadores a supervisores, los responsables deben rediseñar las funciones, los flujos de trabajo y la supervisión para aprovechar el potencial de los agentes, al tiempo que gestionan su mayor autonomía.

Usted formula la misma pregunta a dos herramientas de IA diferentes —por ejemplo, para elaborar un panorama competitivo exhaustivo de una nueva línea de productos—. La primera le responde en cuestión de segundos con un resumen conciso y una lista de enlaces. Usted lo lee, abre una docena de pestañas, copia las cifras en una hoja de cálculo, elabora el gráfico y redacta el memorándum para su cuenta. La segunda le responde unos veinte minutos más tarde con la hoja de cálculo ya elaborada, el gráfico ya trazado y un borrador de nota adjunto. Una le proporcionó información sobre la que actuará. La otra le entregó el trabajo ya terminado.

Esa brecha entre la intención y el resultado es el tema de nuestra nueva investigación . Entre febrero y mayo de 2026, estudiamos el uso en el mundo real de dos productos de IA de Perplexity (donde trabaja el equipo de autores): un asistente de búsqueda conversacional y un agente autónomo. Queríamos comprender no solo si el agente era más rápido, sino también qué cambiaba en el propio trabajo cuando las personas pasaban de actuar manualmente sobre la información recuperada y sintetizada a delegar la tarea en su totalidad. La respuesta breve es la siguiente: los agentes no se limitan a reducir el tiempo y el costo de las tareas que las personas ya realizan. Amplían el abanico de lo que las personas se atreven a intentar.

Esta distinción es importante no solo para los trabajadores del conocimiento, sino también para quienes los dirigen y gestionan. Si los agentes se limitaran a agilizar el trabajo ya existente, el reto de gestión sería el de siempre: reducir costes y reasignar las horas ahorradas. Pero si los agentes modifican el tipo de trabajo que asumen las personas, entonces las descripciones de los puestos, los límites de los equipos y la propia definición de una «función» quedan en entredicho. Analizamos nuestros hallazgos para mostrar a los líderes en qué se diferencian los asistentes y los agentes de IA, cómo utilizan realmente las personas cada una de estas herramientas y por qué eso es importante para el futuro del trabajo.

Tres tipos de herramientas de IA

Para comprender cómo se utiliza la IA, resulta útil situar estas herramientas en un mapa. A medida que avanzan las capacidades, los productos de vanguardia en IA para el trabajo intelectual han evolucionado a lo largo de tres generaciones en tan solo unos años, progresivamente reduciendo la brecha entre la inteligencia de los modelos y su utilidad en el mundo real. En la actualidad, existen tres tipos de herramientas de uso generalizado:

• Los asistentes conversacionales responden a preguntas y redactan textos en una ventana de chat, pero no acceden a sus demás herramientas ni actúan en su nombre.
• Los copilotos integran esa inteligencia en las aplicaciones que ya utiliza, trabajando junto a usted.
• Los agentes van más allá: planifican, conectan múltiples herramientas en segundo plano y entregan resultados finales con una intervención humana mínima.

Hay dos dimensiones que diferencian a estas generaciones. La primera es la autonomía, es decir, el tiempo que un producto puede funcionar por sí solo con mínima intervención humana. La segunda es la integración contextual, es decir, el alcance de los entornos digitales en los que puede leer y escribir (en otras palabras, las herramientas y recursos a los que puede recurrir para completar una tarea). Los asistentes conversacionales tienen un nivel bajo en ambas. Los agentes tienen un nivel alto en ambas. Esa combinación es lo que convierte el «responde a mi pregunta» en el «haz el trabajo».

En nuestro estudio, el asistente sirvió como referencia conversacional y el agente como término de comparación en materia de autonomía. Analizamos tres resultados interrelacionados que se derivan de avanzar en este mapa: autonomía, eficiencia y alcance. Cada uno de ellos cuenta una parte de la misma historia.

Autonomía: el paso de operador a supervisor

Para comparar lo comparable, hemos emparejado sesiones en las que una misma persona envió solicitudes iniciales prácticamente idénticas tanto al asistente conversacional como al agente. Constatamos que el agente dedicaba unos 26 minutos a la planificación y ejecución autónomas por sesión, frente a los aproximadamente 33 segundos del asistente. Esto significa que el agente realizó, de medios, unas 48 veces más trabajo automático. En la mediana, la diferencia era de 9 minutos frente a 14 segundos, es decir, aproximadamente 40 veces más. El agente no responde más rápido; simplemente realiza muchas más tareas entre su solicitud y su revisión.

Los agentes de IA trabajan de forma autónoma durante mucho más tiempo que los asistentes de IA. Este gráfico compara el tiempo medio de ejecución autónoma de la tarea de los asistentes de IA y los agentes de IA en 18 categorías de tareas. Los agentes de IA operan de forma autónoma durante mucho más tiempo en todas las categorías mostradas, manteniéndose autónomos entre 26 y 75 veces más tiempo que los asistentes de IA. Las mayores diferencias se observan en las tareas locales, con una diferencia de 75 veces; en política, con 67 veces; en finanzas, con 64 veces; y en negocios, con 60 veces. Fuente: Jeremy Yang, Kate Zyskowski, Noah Yonack y Jerry Ma.

Consulta más gráficos de HBR en «Datos y visualizaciones»

Cabría esperar que la autonomía pusiera nerviosas a las personas —que se mantuvieran al acecho, interrumpieran y frenaran al agente—. Los datos indican lo contrario. El agente se detuvo para solicitar permisos y aclarar dudas con mucha más frecuencia que el asistente (aproximadamente el 38 % de las sesiones frente a menos del 1 %), pero la tasa con la que los usuarios lo detuvieron realmente fue prácticamente la misma que la del asistente (3,7 % frente a 3,4 %). Los usuarios permitieron que el agente continuara. Consideraron las pausas no como señales de alarma, sino como puntos de verificación.

El comportamiento posterior reforzó este patrón. En las sesiones con el agente, los usuarios tendían más a centrado en verificar o ampliar el resultado —formulando preguntas como «¿Es correcto este número?» o «Ahora haga lo mismo para el próximo trimestre»— en lugar de dirigir y desglosar manualmente la tarea, como hacían con el asistente conversacional. El agente también recurrió a herramientas externas conectadas con mucha más frecuencia: realizó llamadas a conectores en aproximadamente el 7,9 % de las sesiones, frente al 1,8 % del asistente, y registró una media de 1,19 llamadas por sesión, frente a 0,10. Actuaba en el mundo, no se limitaba a hablar de él.

Y los usuarios se mostraron, en todo caso, más satisfechos con el resultado. Solo se registró un nivel de insatisfacción medio-alto en el 1,3 % de las sesiones con el agente, frente al 2,9 % en el caso del asistente; la presencia de cualquier tipo de insatisfacción se observó en el 10,8 %, frente al 16,6 %. Una mayor autonomía no supuso una mayor frustración. Supuso un cambio de enfoque: los usuarios pasaron de manejar la herramienta paso a paso a supervisar a un compañero de trabajo que se gestionaba por sí mismo.

Curiosamente, la adopción del agente supuso un aumento de aproximadamente 1,05 búsquedas diarias en el asistente conversacional. En otras palabras, las herramientas resultaron ser complementarias, más que sustitutivas. Al delegar el trabajo más largo y complejo al agente, los usuarios liberaron capacidad para tareas más breves, más adecuadas para el asistente, lo que impulsó su uso en general.

Eficiencia: las mejoras son reales, pero solo son una parte de la historia

Es difícil pasar por alto la magnitud del ahorro de tiempo y costes. El trabajo de un agente puede agruparse en dos grandes categorías: la recuperación y síntesis de información, y la ejecución de acciones. Los asistentes conversacionales ya se encargan de la primera categoría; los agentes también pueden ocuparse de la segunda. Para estimar el valor de los pasos de ejecución, los convertimos en el tiempo equivalente en horas de trabajo humano acciones que se requerirían si un profesional utilizara un asistente conversacional y completara manualmente las acciones restantes. A continuación, calculamos el costo multiplicando esas estimaciones de tiempo por los salarios medios de los profesionales de los ámbitos pertinentes. En comparación con un flujo de trabajo que combina un asistente conversacional y un humano, el flujo de trabajo que combina un agente y un humano reduce el tiempo medio de realización de las tareas de 269 minutos a 36 minutos —lo que supone una reducción del 87 % en el tiempo— y recorta los costos en un 94 % de medios.

Los flujos de trabajo con agentes de IA son más rápidos —y más económicos— que los flujos de trabajo con asistentes de IA. Este gráfico compara el tiempo y el costo medios que se necesitan para completar tareas de trabajo intelectual cuando se recurre a una persona con un asistente de IA frente a una persona con un agente de IA, en 18 categorías de tareas. Los flujos de trabajo con agentes de IA son más rápidos y más económicos en todas las categorías mostradas, ya que completan las tareas entre cinco y doce veces más rápido ya un costo entre ocho y veinticinco veces menor. La mayor ventaja en cuanto a tiempo se da en la programación, donde el proceso ventaja es 12 veces más rápido, mientras que la mayor ventaja en cuanto a costos también se da en la programación, donde resulta 25 veces más económico. Fuente: Jeremy Yang, Kate Zyskowski, Noah Yonack y Jerry Ma.

Consulta más gráficos de HBR en «Datos y visualizaciones»

No nos basamos en un único método para obtener estos resultados. En nuestro estudio también llevamos a cabo una segunda estimación basada en modelos de lenguaje grande (LLM) y obtuvimos cifras similares: un ahorro de tiempo de alrededor del 84 % y un ahorro de costes del 93 %. Además, cuando preguntamos directamente a los usuarios, estos indicaron aumentos de velocidad aún mayores, que oscilaban entre 5 y más de 300 veces, con una mediana de aproximadamente 25 veces.

La ventaja en términos de eficiencia se debe a un cambio en la estructura de costes subyacentes. La gestión de un agente conlleva un coste fijo más elevado —la elaboración previa de objetivos y preferencias bien definidas y la revisión posterior de los resultados—, mientras que su coste marginal de ejecución por paso es bajo. Esto significa que los agentes resultan claramente más ventajosos en tareas más largas y complejas, en las que sus gastos generales iniciales quedan eclipsados ​​por el volumen de ejecución que asumen. En el caso de tareas muy breves, un asistente conversacional puede seguir siendo la mejor opción económica. El umbral de rentabilidad es real y debería servir de guía a la hora de decidir qué trabajo se deriva a un agente.

Aquí radica el problema para los directivos: la eficiencia es un indicador fácil de medir, lo que la convierte en el aspecto en el que es más sencillo centrado en exceso. Un panel de control que registre el «tiempo ahorrado por tarea» reflejará fielmente las mejoras mencionadas anteriormente, pero pasará por alto por completo el cambio más trascendental: que las personas están abordando ahora tareas que nunca antes habrían intentado. Ahí es donde entra en juego el alcance.

Alcance: el cambio que no aparece en un panel de control de productividad

Una vez que dejamos de lado las mismas tareas que los usuarios intentaban realizar en ambas herramientas y analizamos qué les pedían que hiciera el agente en comparación con lo que le pedían al asistente, el trabajo subyacente empieza a parecer diferente. El alcance se amplió tanto horizontal como verticalmente.

Los agentes de IA se extienden más allá del ámbito de especialización principal de los usuarios. Este gráfico compara la proporción de tareas gestionadas por IA fuera del ámbito profesional principal de los usuarios, en el caso de personas que trabajan con un asistente de IA frente a un agente de IA, en ocho profesiones. Los agentes de IA gestionan una mayor proporción de tareas interprofesionales en todas las profesiones mostradas, con aumentos que oscilan entre uno y 19 puntos porcentuales. Los mayores aumentos se registran en gestión y emprendimiento, con 19 puntos porcentuales; tecnología digital, con 13 puntos; artes, entretenimiento y diseño, con 12 puntos; y asistencia sanitaria y servicios sociales, con 10 puntos. Fuente: Jeremy Yang, Kate Zyskowski, Noah Yonack y Jerry Ma.

Consulta más gráficos de HBR en «Datos y visualizaciones»

Hemos constatado que las tareas que los usuarios pedían a los agentes se volvieron mucho más exigentes: las consultas implicaban cognición de orden superior con mucha mayor frecuencia (un 76 % frente a un 55 %), incluían más tareas de nivel «creación» (producir algo nuevo en lugar de recordar o resumir), con un 50 % frente a un 26 %, y más tareas abstractas (frente a las rutinarias), con un 71 % frente a un 53 %. Asimismo, recurrían a más ámbitos de conocimiento: una media de 2,40 ámbitos por consulta en el caso de los agentes frente a 1,74 en el de los asistentes, y más de la mitad de las consultas a los agentes abarcaban tres o más ámbitos, en comparación con el 17 % en el caso de los asistentes. Al comparar las listas típicas de tareas laborales, observamos que las personas que utilizaban el agente combinaban más pasos en una sola solicitud. De hecho, combinaban entre un 32 % y un 60 % más de subtareas en una sola solicitud que cuando utilizaban el asistente habitual.

Las solicitudes dirigidas al agente también traspasaron los límites profesionales con mayor frecuencia que las dirigidas al asistente (un 59 % frente a un 50 %); por ejemplo, un especialista en marketing que se adentraba en la elaboración de modelos financieros, un ingeniero que redactaba resúmenes de carácter jurídico o un diseñador que realizaba análisis de datos. Las personas se salían de su ámbito de competencia porque el agente les permitía llegar hasta allí.

Aproximadamente el 23% de las cosas que las personas le pidieron al agente que hicieran eran tareas que ni siquiera habían intentado con el asistente: trabajo que solo se volvió factible una vez que el agente pudo llevar a cabo. Si utilizamos una definición más amplia de tareas «nuevas», ese porcentaje asciende a más del 40 %. Estas tareas ahora posibles eran, por lo general, más complejas que las demás. Por lo tanto, el agente no solo agilizaba el mismo trabajo de siempre, sino que hacía posible un trabajo que antes resultaba inviable.

Qué significa esto para su forma de (gestionar) el trabajo

Si acepta que los agentes modifican el contenido del trabajo y no solo su ritmo, se derivarán una serie de medidas de gestión. Ninguna de ellas consiste en adquirir una herramienta. Todas ellas se centran en rediseñar la forma en que se define, se delega y se supervisa el trabajo.

Diseñe pensando en la supervisión, no en el funcionamiento constante.

El cambio de comportamiento fundamental que hemos observado es que las personas pasan de realizar cada paso a supervisar un sistema que lleva a cabo dichos pasos. Cree funciones y flujos de trabajo en torno a la delegación, la verificación y la ampliación, no en torno a la ejecución manual. Forme a las personas para que redacten buenos informes, identifiquen en qué puntos es necesario verificar los resultados y mejorar aún más el resultado final, en lugar de que ellas realicen las mismas cada acción intermedia.

Distribuya el trabajo en función de la complejidad y la verificabilidad, no por instinto.

Dado que los agentes conllevan un costo fijo más elevado y un costo marginal más bajo, tienen un payoff en tareas largas, de múltiples pasos y que requieren varias herramientas, mientras que su rendimiento es inferior en tareas triviales. Igualmente importante: dé preferencia a las tareas cuyos resultados sean relativamente fáciles de verificar. Es más seguro implementar un agente que redacte un informe cuyos datos se puedan contrastar que uno que realice una acción irreversible que no se pueda auditar fácilmente. Adapte deliberadamente el trabajo a la herramienta.

Establezca un límite de intervención humana para las acciones de gran trascendencia.

La autonomía es valiosa precisamente porque le mantiene al margen del proceso; y esa es, precisamente, la razón por la que necesita un punto claro y definida en el que una persona autorice cualquier acción con implicaciones en el mundo real: enviar el correo electrónico, transferir el dinero o realizar el envío. Las pausas que hemos observado son una característica; institucionalícelas. Decida de antemano qué acciones pueden llevarse a cabo a cabo un agente de forma autónoma y cuáles requieren la aprobación de una persona.

Rediseñe las funciones y los límites en función del alcance, no solo del número de empleados.

Si ahora las personas pueden traspasar de forma creíble las fronteras entre profesiones, el antiguo esquema de «quién hace qué» se difumina rápidamente. Esto puede ser una ventaja —equipos más reducidos que producen lo que antes requería varios especialistas— o un caos de trabajo duplicado y sin rendición de cuentas. Decida de forma deliberada en qué ámbitos desea que el personal amplíe sus competencias, en qué sigue necesitando especialistas con conocimientos profundos y cómo se revisarán los resultados interdisciplinares por parte de alguien que

No permita que una métrica de productividad se convierta en toda la estrategia.

La cifra más obvia que hay que tener en cuenta —el ahorro de tiempo y costos por tarea— es la que más probabilidades tiene de inducir un error. Premia la realización más rápida de tareas ya conocidas y pasa por alto el nuevo trabajo que los agentes hacen posible. Mida también la ampliación del alcance: ¿están las personas asumiendo tareas más ambiciosas, de mayor valor y de carácter interfuncional? Ahí es donde realmente residen los mayores beneficios y los mayores riesgos.

Estos resultados presentan algunas limitaciones que conviene tener en cuenta. Nuestro análisis se centró en un periodo de adopción temprana, por lo que la muestra se inclina hacia usuarios avanzados nativos de la IA cuyo comportamiento puede no ser representativo de todo el mundo. Las comparaciones de autonomía y eficiencia se basan en consultas equivalentes, lo que, por su propia naturaleza, excluye las numerosas tareas de los agentes que no tienen un equivalente en el asistente —y esas suelen ser las más complejas—, lo que sugiere que nuestras estimaciones podrían ser conservadoras. Las sesiones constituyen un indicador impreciso de las «tareas». Nuestras cifras de eficiencia y alcance dependen de supuestos de modelización y de una clasificación basada en modelos de lenguaje grande (LLM), lo que introduce errores de medición en ambos casos. Además, observamos el comportamiento únicamente dentro de un ecosistema de producto, por lo que los flujos de trabajo que tienen lugar en otros entornos nos resultan invisibles. La tendencia de los resultados es sólida; las magnitudes exactas deben considerarse aproximadas.

. . .

Resulta tentador clasificar a los agentes de IA bajo el epígrafe de «automatización» y pasar página —dar por sentado que son una forma más rápida de realizar el trabajo que ya teníamos—. Sin embargo, los datos apuntan a algo más interesante. Es cierto que los agentes ahorran cantidades sorprendentes de tiempo y dinero. Pero el cambio más profundo radica en que permiten a las personas pasar de acceder a la información a encargar su ejecución, de manejar herramientas a supervisarlas, y de limitarse a su ámbito de competencia a adentrarse en tareas que nunca antes habrían intentado realizar.

Las organizaciones que más se benefician de esto no serán aquellas que se limiten a contabilizar las horas que han ahorrado. Serán aquellas que rediseñen las funciones en torno a la delegación y la supervisión, establezcan una línea clara en los casos en que se requiera la autorización humana y decidan de forma deliberada hasta qué punto desean ampliar el ámbito de actuación de su personal. La pregunta ya no es solo «¿cuánto más rápido?», sino «¿qué podemos intentar ahora y cómo lo gestionaremos?».

Lea más sobre IA generativa o temas relacionados Análisis y ciencia de datos , Gestionar la incertidumbre , Estrategia de crecimiento , Gestión del cambio y Estrategia competitiva

Jeremy Yang forma parte del equipo técnico de Perplexity. Tiene un doctorado por el MIT y anteriormente fue profesor en la Harvard Business School.

Kate Zyskowski dirige el departamento de investigación de experiencia de usuario (UX) en Perplexity. Es licenciada por la Universidad de Wesleyan y tiene un doctorado por la Universidad de Washington.

Noah Yonack es científico de datos en Perplexity. Es licenciado por la Universidad de Harvard.

Jerry Ma ocupa el cargo de vicepresidente de asuntos internacionales y director técnico adjunto en Perplexity. Es licenciado por la Universidad de Harvard y doctor en Derecho por la Facultad de Derecho de Yale.