Tu agente funciona el 57% de las veces

Aquí va un número que debería reordenar cómo piensas sobre los agentes de IA. Un informe de fiabilidad de marzo de 2026 que analizó 6.259 agentes de IA en producción encontró una tasa de éxito agregada del 56,6%. No en un laboratorio. En despliegues reales, haciendo trabajo real. Un poco mejor que tirar una moneda.

Eso va de la mano con un segundo hallazgo del mismo cuerpo de trabajo: los sistemas agénticos empresariales muestran una brecha del 37% entre la puntuación de los benchmarks de laboratorio y el rendimiento en el mundo real. El agente que clavó el benchmark cae más de un tercio cuando se topa con tus datos reales, tus usuarios reales y tus casos límite reales.

Creo que esa brecha es lo más útil que se puede entender sobre construir con agentes ahora mismo, así que déjame detenerme en ella.

La demo es el 57%. El trabajo es el resto.

Cuando ves la demo de un agente, estás viendo el camino feliz: entrada limpia, una tarea para la que fue moldeado, alguien que lo guía lejos de la cuneta. Eso es el 57%. Es real, y es genuinamente impresionante. Pero lanzar un producto significa manejar el otro 43% — la entrada malformada, la herramienta que da timeout, el paso en el que el agente elige con total confianza la rama equivocada y cada paso posterior hereda el error.

Por eso la brecha entre el benchmark y la realidad es tan ancha. Un benchmark es un camino feliz curado con alguien llevando la cuenta. La producción es todo lo que el benchmark filtró fuera. La puntuación te dice el techo; no te dice casi nada sobre el suelo — y los usuarios viven en el suelo. Este es el mismo punto al que vuelvo una y otra vez: la demo nunca fue la parte difícil. El 57% es la demo. El trabajo es el 43%.

Por qué el suelo está tan bajo

Los fallos no son aleatorios, y en su mayoría no son el modelo siendo tonto. Los agentes trabajan en cadenas largas — un flujo de programación de 2026 promedia unas 20 decisiones dependientes — y las cadenas multiplican. Si cada paso es 97% fiable, veinte de ellos seguidos te dejan cerca del 55%. Solo las matemáticas te llevan a tirar una moneda sin un solo error «estúpido».

Y los errores se esconden. En una tarea de varios pasos, un error intermedio puede pasar una comprobación del resultado final mientras corrompe el resultado en silencio — un agente de investigación recupera el competidor correcto, atribuye mal una característica en el paso tres, y produce un resumen que parece limpio y está mal. La respuesta final salió en verde. El medio estaba roto. Ese es el modo de fallo que los benchmarks peor detectan y que la producción mejor encuentra.

Qué hacen los equipos que están por encima de la línea

Los equipos con agentes fiables no usan un modelo secreto. Tratan la cadena, no el modelo, como aquello que hay que ingeniar:

• Acortan la cadena. Menos pasos dependientes significa menos lugares donde acumular error. Un agente estrecho que hace una cosa le gana a uno disperso que hace diez — un agente que lo hace todo no hace nada bien.
• Comprueban los pasos, no solo la respuesta. Las evals que califican el razonamiento intermedio atrapan el medio roto que una comprobación del resultado final deja pasar. Evals o no se lanzó — y para los agentes eso significa evals a nivel de paso.
• Gestionan el contexto sin piedad. Una gran parte de los fallos de los agentes se rastrean hasta la deriva del contexto y el estado perdido a lo largo de una tarea larga, no hasta la capacidad bruta del modelo. Curar lo que el agente ve en cada paso mueve el número más que cambiar de modelo.
• Diseñan para el 43%. Reintentos, planes de respaldo, un punto de control humano en las acciones irreversibles, y un registro honesto de lo que falló — para que los fallos inevitables se atrapen y se recuperen en vez de lanzarse.

Nada de eso es glamuroso. Todo eso es la diferencia entre una demo del 57% y un producto en el que la gente confía.

En resumen

«Los agentes de IA funcionan el 57% de las veces en producción» se lee como una estadística demoledora, y si la tomaras como el techo nunca construirías uno. Pero no es el techo — es el promedio de la industria de equipos que en su mayoría lanzaron la demo. La puntuación del benchmark nunca fue el producto. La fiabilidad es el producto, y la fiabilidad viene de ingeniar la cadena: menos pasos, comprobados en cada paso, con el contexto gestionado y los fallos previstos.

Así que cuando evalúes un agente, desconfía del número que viene del camino feliz y haz la pregunta más difícil: ¿qué pasa en el 43%? Los equipos que tienen una respuesta real a eso son aquellos cuyos agentes siguen funcionando el trimestre que viene. La demo es gratis. El otro 43% es todo el trabajo.