Los agentes IA autónomos funcionan 50 veces más que la búsqueda: investigación de Harvard y Perplexity

Los investigadores de la Universidad de Harvard y la empresa Perplexity publicaron el 8 de junio de 2026 un trabajo conjunto que compara directamente el comportamiento de los usuarios al trabajar con un agente IA autónomo y un asistente IA basado en búsqueda clásica. El hallazgo principal: en promedio, una sesión con un agente autónomo toma 26 minutos de operación independiente del sistema, mientras que una sesión con un asistente de búsqueda toma solo 33 segundos. La diferencia es casi 50 veces a favor del agente autónomo.

Cómo se estructuró el estudio

Los autores aplicaron un método de sesiones pareadas (matched-pair sessions): compararon tareas similares en naturaleza que los usuarios resolvían ya sea a través de un agente autónomo o a través de un servicio de búsqueda, para comparar correctamente el comportamiento humano en dos modos diferentes de trabajar con IA. Este diseño experimental permite separar el efecto de la herramienta misma del efecto del tipo de tarea que el usuario está resolviendo — es decir, la comparación resulta honesta, no sesgada a favor de uno de los sistemas debido a diferencias en la complejidad de la solicitud. El trabajo continúa una línea más amplia de investigación en 2026 dedicada a cómo medir el "horizonte de tareas" — es decir, cuántos pasos secuenciales puede realizar un sistema de forma independiente antes de requerir intervención humana.

Es el crecimiento de este indicador, y no solo la mejora en la calidad de una respuesta única, lo que los analistas cada vez más llaman el principal indicador de progreso en el desarrollo de agentes IA.

Cifras clave del estudio:

• 26 minutos — tiempo promedio de operación autónoma del agente por sesión
• 33 segundos — tiempo promedio de operación del asistente IA de búsqueda por sesión
• Diferencia — casi 50 veces a favor del modo autónomo
• Autores del trabajo — equipo conjunto de la Universidad de Harvard y Perplexity
• Fecha de publicación — 8 de junio de 2026

Lo que las cifras mostraron, más allá del tiempo

La diferencia en el tiempo de sesión no es el único resultado. Los investigadores registran ganancias más amplias en tres direcciones: el grado de autonomía (el agente realiza más pasos secuenciales sin confirmación intermedia del usuario), el tiempo total que una persona ahorra al delegar una tarea por completo, y el costo de realizar la tarea en términos del resultado logrado. Además, los autores señalan que al trabajar con un agente autónomo, los usuarios generalmente realizan un rango más amplio de tareas que cuando utilizan búsqueda — es decir, el agente no solo acelera escenarios familiares de búsqueda de información, sino que expande la lista misma de lo que las personas intentan hacer con IA, confiándole cadenas de acciones más complejas y largas.

Qué significa esto para el futuro de los agentes IA

La relación de 26 minutos versus 33 segundos explica claramente por qué la industria en 2026 está cambiando tan rápidamente el enfoque de chatbots y asistentes de búsqueda a agentes completos capaces de llevar tareas de múltiples pasos a la finalización de forma independiente. Para Perplexity, que simultáneamente desarrolla productos de búsqueda y funciones de agente, estos datos son un argumento de peso a favor de una mayor inversión en autonomía, no solo en la calidad de una respuesta única a una consulta.

Para el mercado de IA en general, el resultado confirma una tesis que la industria ha estado discutiendo durante meses: el valor de IA se está desplazando de "respuesta rápida" a "trabajo completado". Si un agente realmente ocupa a un usuario con casi 50 veces más trabajo independiente sin intervención humana, esto significa un potencial crecimiento exponencial en el volumen de tareas que empresas y usuarios individuales están dispuestos a delegar al sistema. Para inversores y equipos de producto, tales cifras también se convierten en una guía al elegir dónde dirigir los recursos — hacia mejorar la búsqueda o hacia desarrollar autonomía de agente a escala completa.

La pregunta sobre la calidad y confiabilidad de este trabajo en horizontes largos permanece abierta — esto, parece, se convertirá en el próximo enfoque de la investigación de Harvard y Perplexity en esta área.

También es importante que la comparación se construya sobre sesiones reales de usuarios en lugar de puntos de referencia sintéticos, que la industria tradicionalmente utiliza para medir las capacidades del modelo. Este enfoque elimina parte de la crítica generalmente dirigida a las pruebas de laboratorio de agentes: los usuarios reales establecen al sistema tareas más diversas e impredecibles que los conjuntos de pruebas estandarizados, lo que significa que la brecha de 26 minutos versus 33 segundos está más cerca de lo que sucede en la práctica, no de las capacidades máximas del modelo de laboratorio.