Hasta hace poco, incorporar inteligencia artificial en una empresa significaba implementar un chatbot, acelerar una búsqueda o pedirle a un modelo que resumiera documentos y redactara una primera respuesta.
Sin embargo, los lanzamientos de GPT-5.6 y Claude Opus 5 en julio empezaron a cambiar esta lógica. Los últimos modelos de OpenAI y Anthropic no solo buscan ofrecer mejores respuestas a usuarios y empresas. Ahora pueden recibir un objetivo, consultar información, utilizar herramientas y ejecutar una secuencia de tareas antes de entregar un resultado.
De asistentes de IA a agentes capaces de ejecutar tareas
En la práctica, esto abre la posibilidad de que un agente revise un repositorio de código, identifique un error, proponga una corrección y ejecute las pruebas. Asimismo, podría reunir los documentos de un expediente crediticio, detectar datos faltantes y preparar un primer análisis para el equipo responsable.
No obstante, para las organizaciones peruanas, el desafío clave ya no será únicamente acceder al modelo más avanzado. Ahora deberán determinar qué procesos están lo suficientemente ordenados como para delegarlos a estos sistemas y quién responde cuando la IA ejecuta una acción equivocada.
OpenAI y Anthropic presentan GPT-5.6 y Claude Opus 5 como modelos capaces de utilizar herramientas y ejecutar tareas complejas durante periodos prolongados.
Sin embargo, las capacidades declaradas por ambas compañías no bastan para determinar si representan un salto real.
Luis Sakihama, docente de Pacífico Business School y CEO de Notifai, sostiene que los avances más visibles se observan en la programación y la autonomía. Los modelos pueden mantener el contexto durante tareas más extensas, comparar lo avanzado con el objetivo inicial, detectar errores y decidir los pasos que deben seguir, aunque no hayan sido indicados explícitamente en la primera instrucción.
“Uno les entrega un objetivo y los agentes empiezan a trabajar, comparan lo avanzado con el resultado esperado, identifican qué tan lejos están de cumplirlo y corrigen sus propios errores”, explica Sakihama a Sectoriales Tech.
Cómo comprobar el salto real de GPT-5.6 y Claude Opus 5
Por otro lado, Álvaro Martín Coello, profesor de Computación e Informática de Cibertec, plantea una prueba más exigente: entregar al modelo un repositorio real, con documentación incompleta, dependencias antiguas y un error descrito de manera ambigua.
Sin embargo, la evaluación no debería limitarse a comprobar si genera un buen código. El modelo tendría que revisar el proyecto e implementar una solución sin que una persona deba indicarle permanentemente qué hacer a continuación.
“No se trata de que escriba mejor el código, sino de que conserve el contexto, relacione la información distribuida en varios archivos, utilice las herramientas y detecte cuándo se equivocó”, sostiene Coello a Sectoriales Tech.
Ahí radica la diferencia. El avance ya no consiste únicamente en producir contenido de mayor calidad durante una interacción aislada, sino en mantener la coherencia y completar un proceso de principio a fin.
Las empresas se convierten en el verdadero campo de prueba
Los ránkings ayudan a comparar capacidades generales, pero no reproducen los documentos, los sistemas, las reglas ni las excepciones propios de una organización.
Gonzalo Martín, data & AI Global Offering Director de Softtek, recomienda que las compañías seleccionen trabajos reales del año anterior —incluidos aquellos que salieron mal— y asignen el mismo encargo a distintos modelos. Los resultados deberían ser evaluados por las personas que realizan esa labor a diario.
“La parte difícil no es escoger el modelo, sino ponerse de acuerdo internamente sobre qué significa que el trabajo esté bien hecho”, señala Martín a Sectoriales Tech.
El ejercicio puede revelar un problema menos visible que el lanzamiento de una nueva IA: muchas organizaciones quieren automatizar procesos que nunca fueron documentados, medidos ni explicados con claridad.
Por ejemplo, un expediente crediticio puede parecer un buen candidato para la automatización. Un agente podría reunir información, validarla, identificar documentos faltantes y elaborar un análisis inicial. Sin embargo, si el proceso depende del conocimiento acumulado de unas pocas personas y las reglas varían según cada caso, la tecnología terminará replicando un flujo que la propia empresa no entiende por completo.
“Un proceso que nadie sabe explicar en voz alta no se lo pueden entregar a alguien nuevo ni tampoco a un sistema”, afirma Martín.
Del precio por token al costo por trabajo terminado
Otra discusión que empieza a perder utilidad es la comparación basada únicamente en cuánto cobra cada proveedor por procesar información.
Un agente puede realizar decenas de pasos, consultar herramientas, repetir una acción y requerir varios minutos de revisión antes de completar una tarea. El modelo más barato por token puede terminar siendo el más costoso si necesita más intentos o produce resultados que deben corregirse.
Sakihama, de Pacífico Business School, sostiene que las empresas deberían medir el costo por tarea completada correctamente. La evaluación tendría que considerar si el agente alcanzó el objetivo y cuánto trabajo humano fue necesario para validar el resultado.
“El indicador principal debe ser si el sistema está logrando el objetivo y cuánto cuesta alcanzar ese resultado”, declara.
Coello, de Cibertec, añade que el cálculo también debería incorporar el uso de infraestructura, las herramientas externas y los posibles reintentos. “Un intento barato que finalmente se descarta no representa un ahorro”, advierte.
Por ello, la pregunta relevante no es cuánto costó utilizar el modelo, sino cuánto pagó realmente la empresa por obtener un resultado que pudo aprovechar.
Por qué el modelo de IA más potente no siempre es el más conveniente
No todas las tareas requieren GPT-5.6 u Opus 5. Si una organización solo necesita extraer datos sencillos de una factura y colocarlos en una base estructurada, un modelo más pequeño puede cumplir el objetivo a un costo menor.
“Mi filosofía de diseño es utilizar el modelo más barato que cumpla satisfactoriamente con el objetivo”, resume Sakihama.
Las tareas operativas de back office se perfilan como uno de los primeros ámbitos de adopción. La IA puede clasificar documentos, transcribir información, responder consultas internas o preparar análisis preliminares.
También puede encadenar actividades que antes requerían la intervención de varias personas. En el soporte tecnológico, por ejemplo, un agente podría recibir un reporte, identificar la causa del problema y preparar una corrección para que el equipo la valide.
Sin embargo, que la IA pueda completar técnicamente el flujo no significa que deba asumir la decisión final.
Cuándo la supervisión humana sigue siendo indispensable
Sakihama plantea que el nivel de autonomía debe depender del costo del error. Una equivocación al transcribir una factura puede generar algunas horas adicionales de revisión. El impacto es distinto si el sistema responde una consulta médica o informa erróneamente que un alimento no contiene un ingrediente alérgeno.
“Todavía no estamos en un punto en el que debamos delegarlo todo a la IA sin ninguna supervisión”, asegura.
Martín, de Softtek, propone una regla concreta: cuando una acción compromete dinero, contratos, datos personales, decisiones estratégicas o la relación con un cliente, debe existir una persona identificada que la apruebe. “Se debe tener una persona con nombre y apellido para poder aprobarlo”, recomienda.
Coello resume el criterio en una frase: “La autonomía tiene que ser proporcional al riesgo, no al entusiasmo por automatizar”.
Las empresas suelen otorgar permisos amplios a determinados trabajadores porque confían en su criterio y experiencia. Conceder esas mismas credenciales a un agente representa un riesgo distinto: la IA puede ejecutar acciones a una velocidad y una escala mucho mayores.
Permisos y trazabilidad para controlar a los agentes de IA
Por ello, los agentes deberían acceder únicamente a la información necesaria y dejar evidencia de cada acción realizada. También deberían detenerse cuando detecten datos contradictorios o cuando una decisión exceda su nivel de autorización.
Coello alerta que los permisos corporativos suelen estar diseñados para usuarios humanos. Otorgar esas mismas capacidades a un agente implica permitirle actuar con mayor velocidad, por lo que una equivocación puede multiplicarse antes de que una persona logre intervenir.
“Un piloto debe demostrar que el agente accede únicamente a la información autorizada, que utiliza las fuentes correctas y que cada acción queda registrada”, dice.
Las operaciones irreversibles requieren barreras adicionales y, según su impacto, la aprobación de una persona. OpenAI también recomienda mantener la supervisión cuando GPT-5.6 se utiliza como agente de programación durante procesos prolongados.
La innovación no consiste en retirar a las personas de todos los procesos. Implica ubicar su intervención en los puntos donde una equivocación puede generar consecuencias financieras, legales, reputacionales o humanas.
Para Sakihama, las empresas deberían dejar atrás los pilotos que solo funcionan como demostraciones internas. En su lugar, propone desarrollar productos mínimos viables (MVP, por sus siglas en inglés) que operen en un entorno real, aunque tengan un alcance reducido y controlado.
“Es mejor lanzar un MVP en un entorno de producción controlado y escalar a partir de la evidencia obtenida”, indica.
Solo así se puede determinar cuánto cuesta el sistema, cómo reacciona el usuario cuando recibe una respuesta incorrecta y si seguirá utilizándolo una vez que desaparezca la novedad inicial.
Qué debe demostrar un piloto de inteligencia artificial antes de escalar
Coello recomienda, además, probar al agente en condiciones adversas. En lugar de entregarle únicamente documentos ordenados, también debería enfrentarlo a información incompleta o instrucciones ambiguas. “Un piloto que solo funciona en el escenario ideal no me dice nada”, resalta.
Martín coincide en que el sistema debe demostrar un resultado de negocio medible, respetar los permisos establecidos y continuar siendo utilizado una vez que deja de ser una novedad.
GPT-5.6 y Claude Opus 5 muestran que la inteligencia artificial ya puede asumir bloques de trabajo más extensos. Sin embargo, su verdadero impacto no se demostrará cuando un agente sorprenda durante una presentación.
Quedará en evidencia cuando complete un proceso real, genere un resultado utilizable a un costo justificable y se detenga antes de ejecutar una decisión que aún requiera criterio y responsabilidad humanos.
