"El 95 % de los pilotos de IA fracasa" salió de 52 entrevistas — y la regla de tres preguntas que evita el próximo

El número más citado del mundo sobre agentes de IA — "el 95 % de los pilotos de IA fracasa" — salió de 52 entrevistas, y el informe que lo publicó no midió ningún agente. Leí las 26 páginas. Los agentes aparecen ahí como la solución recomendada, no como objeto medido; el 95 % es sobre herramienta corporativa personalizada, y en el mismo documento el chatbot genérico convierte 83 % de los pilotos en implementación. Fortune, que difundió el número, publicó la metodología equivocada.

Fui tras las fuentes primarias de todas las estadísticas de agente que circulan: la previsión de Gartner, el "95 %" del MIT, el ensayo aleatorizado de METR, el AI Index de Stanford, los marcadores de benchmark (prueba estandarizada que le da una nota al modelo). La regla que salió de la recopilación es simple: toda estadística de agente es una de tres cosas — previsión, declaración o medición — y la cobertura suma las tres en la misma frase. El problema casi nunca es el número. Es la etiqueta que nadie le pega.

Nota metodológica. Cada número de este artículo fue comprobado contra el documento original — PDF, post, paper, hoja de cálculo o API pública — entre el 13 y el 26 de agosto de 2026. Tres mediciones son mías y reproducibles: la serie de descargas del SDK de MCP (API pública de npm), la réplica de la regresión de METR sobre el CSV que la propia METR publica, y los pares de coste por tarea leídos directo del HTML del leaderboard de Princeton. Donde una fuente solo existe en republicación (Gartner niega el acceso directo), el texto lo dice. Lo que no fue verificado está marcado. Este artículo no tiene discurso de Reddit ni de X: las dos fuentes están cerradas para esta máquina, y no voy a fingir que leí lo que no leí — la comunidad de aquí es Hacker News, donde cada comentario tiene id verificable.

El marcador de la recopilación

El veredicto antes del argumento, porque es lo que circula solo:

Uno confirmó limpio, dos fueron retirados o se contradicen, el resto existe pero con etiqueta equivocada. Fíjate en el patrón: los números casi nunca son falsos. Lo que falta es decir de qué naturaleza es cada uno — y eso cambia lo que prueba.

La regla: tres preguntas en diez segundos

Antes de creer en cualquier estadística de agente, tres preguntas separan lo que puede probar de lo que solo sugiere. La figura resume la regla entera; el resto del artículo es la demostración, caso por caso.

Fíjate en que la regla no dice "medición es buena, el resto es malo". Dice que cada naturaleza falla de un modo característico: la previsión no tiene muestra, así que no hay nada que comprobar; la declaración diverge de la medición en el mismo sujeto; y la medición mide un proxy (un sustituto medible de lo que se quiere medir) que el propio agente aprende a burlar. Esto no es idea mía — es la lista de puntos ciegos que publica el grupo que más mide agentes en el mundo sobre sus propios métodos, y llego a ella al final. Antes, los casos.

Previsión: Gartner publica los dos tipos en la misma página

El comunicado de Gartner del 25 de junio de 2025 es la prueba más limpia de la tesis, porque contiene, en la misma página, un número de cada naturaleza. El primero:

"Over 40% of agentic AI projects will be canceled by the end of 2027, due to escalating costs, unclear business value or inadequate risk controls."

En español: "Más del 40 % de los proyectos de IA agéntica serán cancelados hasta el fin de 2027, por costes crecientes, valor de negocio poco claro o controles de riesgo inadecuados."

Es una strategic planning assumption ("premisa de planificación estratégica") — así rotula Gartner sus propias previsiones. No hay muestra, no hay método, no hay error muestral. Es opinión cualificada con horizonte. Tres párrafos más abajo, en el mismo comunicado, viene el segundo número: 19 % de los encuestados invirtió fuerte en agentes, 42 % de forma conservadora, 8 % nada, 31 % está esperando. Ese tiene N: 3.412 personas — que son participantes de un webinar de la propia Gartner, en enero de 2025. Es una encuesta de audiencia, no una muestra de mercado.

La prensa citó los dos con el mismo verbo ("Gartner dice que..."). Una previsión y una encuesta de webinar se convirtieron, en la cobertura, en dos estadísticas iguales. Y el mismo comunicado acuña la expresión que define la categoría — agent washing ("lavado de agentes"), el rebautismo de RPA (automatización de procesos mediante software) y chatbot como "agente" — con un número encima: "Gartner estimates only about 130 of the thousands of agentic AI vendors are real" ("Gartner estima que solo unos 130 de los miles de proveedores de IA agéntica son reales"). Estimates — estima. Sin recuento publicado, sin criterio publicado de "real". El número recorre el mundo como si fuera censo.

La secuencia de previsiones de Gartner sobre agentes, todas rotuladas por ella misma como premisas de planificación y todas sin metodología declarada:

El hallazgo negativo vale más que la tabla: Gartner nunca declaró revisar ninguna previsión sobre agentes. No existe un "estamos revisando la estimación anterior" en ningún comunicado que haya localizado. Lo que existe es una secuencia de métricas distintas, sin referencia cruzada — el "40 % de las aplicaciones hasta 2026" no es actualización del "33 % hasta 2028"; son recortes distintos. Desde fuera, es imposible saber si alguna previsión se equivocó, porque ninguna se pone al lado de la siguiente. Previsión sin muestra y sin revisión es la única naturaleza de estadística que no puede comprobarse. No es defecto de Gartner; es la naturaleza de la cosa. El defecto es citarla como si fuera medición.

Salvedad de procedencia: gartner.com niega el acceso directo desde esta máquina. Las citas de arriba vienen de republicaciones que pegan el comunicado íntegro, cruzadas dos a dos, y de un PDF primario del informe de octubre de 2024 (ID G00818765). La fase de la IA agéntica en el Hype Cycle (el "ciclo de expectativas" de Gartner, que posiciona cada tecnología entre el pico de expectativas y la madurez) de 2026 queda fuera de este artículo: no hay comunicado oficial, solo blog de proveedor — y un texto que exige metodología a la vista no cita una fase de Hype Cycle sacada de un blog de vendor.

Declaración: el "95 %" que no midió agentes

"The GenAI Divide: State of AI in Business 2025" es un documento de 26 páginas del Project NANDA, del MIT Media Lab, autorrotulado en la página 2 como "Preliminary Findings" ("hallazgos preliminares"). La frase que se volvió titular está en el resumen ejecutivo:

"Despite $30–40 billion in enterprise investment into GenAI, this report uncovers a surprising result in that 95% of organizations are getting zero return."

En español: "A pesar de los US$ 30 a 40 mil millones invertidos por las empresas en IA generativa, este informe revela un resultado sorprendente: el 95 % de las organizaciones tiene retorno cero."

Cuatro cosas que el titular borró, todas del propio PDF:

1. El 95 % es sobre una de dos clases de herramienta, y no es la clase de los chatbots. El informe separa los LLM de propósito general (ChatGPT, Copilot) de la GenAI embebida o específica de tarea. Los genéricos: 80 % investigó, 50 % pilotó, 40 % implementó. Los personalizados: 60 %, 20 %, 5 %. El "95 % fracasa" es el complemento de ese 5 %. Y en la página 7, literal: "Generic LLM chatbots appear to show high pilot-to-implementation rates (~83%)" ("los chatbots LLM genéricos parecen mostrar tasas altas de conversión de piloto a implementación, ~83 %"). El mismo informe que generó "95 % fracasa" dice que el chatbot genérico convierte 83 %.
2. "Éxito" es percepción. Página 7: éxito es lo que "users or executives have remarked as causing a marked and sustained productivity and/or P&L impact" ("lo que usuarios o ejecutivos comentaron que causó un impacto marcado y sostenido en productividad y/o resultado"). Remarked — comentaron. Nadie abrió un estado de resultados (el informe de pérdidas y ganancias de la empresa) — alguien dijo, en entrevista, que sintió impacto.
3. La muestra: 52 organizaciones entrevistadas y 153 "senior leaders" recogidos en cuatro conferencias — muestra de conveniencia, por diseño. Sin peer review mencionado en ninguna de las 26 páginas; sin financiación declarada. El propio apéndice admite: "These figures are directionally accurate based on individual interviews rather than official company reporting" ("estas cifras son direccionalmente correctas, basadas en entrevistas individuales y no en informes oficiales de las empresas"). Directionally accurate — indican dirección, no magnitud. La prensa publicó la magnitud.
4. No se midieron agentes. Se recomendaron. Página 14: "Agentic AI [...] directly addresses the learning gap that defines the GenAI Divide" ("la IA agéntica ataca directamente la brecha de aprendizaje que define la división de la IA generativa"). Sin N, sin tasa — narrativa. Y el apéndice de agradecimientos dice quién firma: "NANDA [...] builds on Anthropic's Model Context Protocol (MCP) and the Google/Linux Foundation A2A to create infrastructure for distributed agent intelligence at scale" ("NANDA se apoya en el MCP de Anthropic y en el A2A de Google/Linux Foundation para crear infraestructura de inteligencia de agentes distribuida a escala"). El proyecto que diagnostica la enfermedad construye la cura. Esto no invalida el informe; es una divulgación que ninguna nota de prensa hizo.

Fortune, que dio el primer titular el 18 de agosto de 2025, describió la base como "150 interviews with leaders, a survey of 350 employees" ("150 entrevistas con líderes, una encuesta con 350 empleados"). El PDF dice 52 y 153. Rob Wiblin, de 80,000 Hours, hizo la cuenta que nadie hizo: "that 5% number is probably based on something like two or three actual companies out of 52" ("ese número de 5 % probablemente se basa en algo como dos o tres empresas reales, de 52"). Y registró que, cuando la nota se hizo viral, "the report describing the methods and results wasn't publicly available anywhere" ("el informe que describe métodos y resultados no estaba disponible públicamente en ningún lugar") — el enlace llevaba a un formulario de Google que pedía datos personales. Hasta hoy el canal oficial de NANDA no publica el PDF; la copia íntegra está en el Wayback Machine, capturada dos días después del titular.

La estadística más citada sobre agentes de IA es una declaración de percepción, sobre otra cosa, con 52 entrevistas detrás. No estoy diciendo que el informe esté equivocado — estoy diciendo lo que es. Él mismo lo dice.

El AI Index se contradice dentro de su propio capítulo

Si NANDA es la fuente más viral, el AI Index de Stanford es la más respetada — fue la columna vertebral de mi marcador de estadísticas de IA, y ahí aguantó la comprobación. El capítulo 4 del informe de 2026 abre con los "Chapter Highlights", y el punto 5 dice que la IA generativa se usa en al menos una función de negocio en 70 % de las organizaciones. Veinte páginas más adelante, la sección 4.3 y la Figura 4.3.1 dicen 79 % — y el rótulo del gráfico es literal: 79 %, GenAI. Nueve puntos de diferencia entre el resumen que lee la prensa y el gráfico que la prensa no abre.

Alguien dirá que son preguntas distintas: el resumen habla de "used", el cuerpo de "regularly use". No cuadra — uso regular es subconjunto de uso cualquiera, así que el número del resumen tendría que ser mayor, nunca menor. No hay fe de erratas localizada. No afirmo la causa; afirmo la contradicción, que cualquiera comprueba con dos comandos de pdftotext.

Y hay una segunda etiqueta cambiada, más importante. Todas las figuras de adopción del capítulo — de 4.3.1 a 4.3.8 — traen la misma línea de crédito: "Source: McKinsey & Company Survey, 2025 | Chart: 2026 AI Index report". El AI Index no midió adopción de IA. Dibujó el gráfico. Quien escribe "según el AI Index de Stanford" está citando un survey de McKinsey con la etiqueta de una universidad — y en ningún lugar del capítulo aparece el tamaño de la muestra, el período de campo o el perfil de los encuestados. Busqué n =, respondents were, survey of, methodolog, appendix. Nada. Lo que el capítulo declara, y que va aquí porque es la salvedad de la propia fuente: "the results are self-reported and should be viewed as directional rather than comprehensive" ("los resultados son autodeclarados y deben leerse como direccionales, no como exhaustivos").

Es la misma frase de NANDA. Las dos fuentes más citadas del mundo sobre adopción de IA avisan, al pie, que sus números indican dirección y no magnitud. La prensa publica la magnitud.

Lo que ese survey dice sobre agentes, leído en el gráfico y no en el resumen:

Fíjate en el primer bloque: en ninguna función de negocio la mayoría declara usar agente — en manufactura, 91 % dice "ningún uso"; hasta en TI, 69 %. El texto del informe: "Scaled use was in the single digits for nearly all functions" ("el uso a escala estuvo en un dígito para casi todas las funciones"). El único sector en el que el uso a escala de agente supera el 20 % es el sector tecnológico, en ingeniería de software (24 %), TI (22 %) y operaciones de servicio (21 %). El agente se usa a escala, sobre todo, en la industria que fabrica agentes.

Ahora el segundo bloque, que parece contradecir el primero: LangChain publica que 57 % de los encuestados tiene agentes en producción. Los dos números son correctos. LangChain preguntó a 1.340 profesionales de ingeniería de agentes, entre noviembre y diciembre de 2025 — y LangChain vende herramienta de agente. Quien responde a un levantamiento sobre ingeniería de agentes ya trabaja con agentes; el survey está autoseleccionado por construcción. La muestra más grande de la cosecha, la Developer Survey 2025 de Stack Overflow (N = 33.662), da el contrapeso: 14,1 % usa agentes a diario, 52 % no usa agentes o se queda en herramientas más simples, 38 % no tiene planes de adoptar — y 87 % dice estar preocupado por su precisión. Entre herramientas de IA en general, más desarrolladores desconfían (46 %) que confían (33 %); solo 3,1 % confía "mucho".

"Cuántas empresas usan agentes" no tiene respuesta sin la pregunta "preguntado a quién". Entre 57 % y un dígito, la diferencia no es realidad — es población. Es la misma trampa que apareció cuando fui a contar cuántas personas usan IA: los números gigantes contaban cuentas, no personas. Y es la línea que desaparece en todo titular.

Declaración contra cronómetro: el estudio que midió la percepción

El caso más limpio de la distancia entre declaración y medición no es sobre empresas: es sobre dieciséis personas, en la misma semana, respondiendo a la misma pregunta con la boca y con el reloj.

En 2025 METR hizo lo que nadie había hecho: un ensayo aleatorizado. Dieciséis desarrolladores open-source experimentados, 246 tareas reales en sus propios repositorios (maduros — media de 22 mil estrellas y un millón de líneas), cada tarea sorteada para permitir o prohibir IA, pagados a US$ 150 por hora, con Cursor Pro y Claude 3.5/3.7 Sonnet, la frontera de la época. Antes de empezar, los desarrolladores predijeron que la IA los dejaría 24 % más rápidos. Medido en el cronómetro, quedaron 19 % más lentos. Y después de terminar, todavía creían que habían sido 20 % más rápidos.

Fíjate en que las dos barras de percepción quedan del mismo lado — y la de medición queda del otro. Son cerca de 39 puntos porcentuales entre lo que los participantes relataron al final y lo que el reloj midió. No es gente mintiendo en una encuesta: son profesionales experimentados, con incentivo económico, errando el signo del efecto sobre su propio trabajo. El intervalo de confianza del efecto medido va de +2 % a +39 % — n = 16 es pequeño, y el texto lo dice en la misma frase en la que da el número, o si no cometería exactamente el pecado que denuncia. El valor del estudio no está en la magnitud del 19 %. Está en el diseño: cronómetro y relato, en las mismas personas, divergiendo. Y en la salvedad que los propios autores ponen arriba: el estudio es de principios de 2025, con herramientas de principios de 2025, sobre asistente de código — no sobre agente autónomo.

El experimento que dejó de ser ejecutable

Aquí la historia mejora más que el titular. En febrero de 2026 METR publicó por qué no logró repetir el resultado. El segundo experimento empezó en agosto de 2025: 57 desarrolladores (10 del estudio original y 47 nuevos), 143 repositorios, más de 800 tareas, ahora a US$ 50 por hora. Y se rompió — no por azar, por selección:

"we have observed a significant increase in developers choosing not to participate in the study because they do not wish to work without AI, which likely biases downwards our estimate of AI-assisted speedup."

En español: "hemos observado un aumento significativo de desarrolladores que eligen no participar en el estudio porque no quieren trabajar sin IA, lo que probablemente sesga a la baja nuestra estimación de la aceleración asistida por IA."

Entre 30 % y 50 % de los desarrolladores dijeron que estaban eligiendo no enviar tareas porque no querían hacerlas sin IA. Uno de ellos no entregó ninguna tarea del brazo sin IA. Las declaraciones de los participantes son el mejor retrato de lo que cambió en un año: "I'm torn. I'd like to help provide updated data on this question but also I really like using AI!" ("Estoy dividido. Me gustaría ayudar a actualizar los datos sobre esta pregunta, pero también me gusta mucho usar IA!"); "my head's going to explode if I try to do too much the old fashioned way because it's like trying to get across the city walking when all of a sudden I was more used to taking an Uber" ("mi cabeza va a explotar si intento hacer demasiado a la manera antigua — es como cruzar la ciudad a pie cuando, de repente, ya estaba acostumbrado a tomar un Uber").

El brazo de control se volvió imposible de reclutar, porque el desarrollador ya no acepta trabajar sin IA. La medición de 2025 tenía fecha de vencimiento, y venció — por un motivo que es, él mismo, un dato sobre adopción.

Los números nuevos existen, y la prosa de METR los presenta de un modo que confunde: "we now estimate a speedup of -18%" ("ahora estimamos una aceleración de -18 %"). ¿Signo negativo en una aceleración? Fui al código. El regression.py que publica METR define el estimando como variación proporcional del tiempo de finalización — negativo es menos tiempo, es decir, más rápido. Repliqué la regresión desde cero sobre el CSV publicado (827 tareas, 53 desarrolladores): para los que volvieron del estudio original, −18,1 % de tiempo, intervalo de −38,4 % a +8,8 %; para los nuevos, −3,6 %, intervalo de −14,7 % a +9,0 %. Coincide casa decimal a casa decimal con lo que publicó METR. La lectura honesta: los puntos centrales de 2026 apuntan a aceleración, pero los tres intervalos cruzan el cero, y la propia METR llama al resultado "unreliable signal" ("señal no confiable") y probable piso. Nadie puede escribir "los devs fueron 18 % más rápidos" como hecho. El intervalo va de −38 % a +9 %.

El AI Index resume todo este episodio en una frase: "developers in late 2025 were likely sped up by AI" ("los desarrolladores a fines de 2025 probablemente fueron acelerados por la IA"). METR dice eso — con etiqueta: "our data is only very weak evidence for the size of this increase" ("nuestros datos son evidencia muy débil sobre el tamaño de este aumento"). No es mala fe del AI Index. Es el coste de resumir, cobrado en cada eslabón de la cadena, incluso en un informe que se enorgullece de su rigor.

El grupo que mide se volvió survey — y explicó por qué

En mayo de 2026 METR publicó un survey de autorreporte: 349 trabajadores técnicos, campo de febrero a abril. El grupo que descubrió el abismo entre percepción y cronómetro corrió una encuesta de percepción — porque el ensayo controlado dejó de ser ejecutable, y porque un survey es "cheap, broad, and straightforward to run" ("barato, amplio y sencillo de correr"). Lo publicó con todas las salvedades a la vista: "Importantly, survey results are not necessarily grounded in reality" ("importante: los resultados de encuesta no están necesariamente anclados en la realidad").

Dos hallazgos de ese survey valen más que cualquier número suyo. El primero: METR separa valor de velocidad, porque la misma persona responde distinto a las dos preguntas — mediana de 3x en velocidad, 1,4x a 2x en valor. La pregunta elige la respuesta, dentro del mismo encuestado, en el mismo formulario. El segundo es la frase más fuerte que leí en toda la cosecha:

"METR staff give the lowest change in value answers of any subgroup we study. We expect that this might be due to METR staff having in mind past findings of gaps between perceived and actual AI-driven productivity."

En español: "El personal de METR da las respuestas más bajas de cambio en valor de todos los subgrupos que estudiamos. Esperamos que esto se deba a que el personal de METR tiene presentes los hallazgos anteriores sobre la brecha entre productividad percibida y real impulsada por IA."

Quien conoce el sesgo relata una ganancia menor. La propia METR marca esto como expectativa, no como prueba — y así entra aquí. Pero es la ilustración perfecta de por qué la regla importa: la regla cambia el número.

Medición: donde el error aparece con número de PR

Si la previsión no tiene muestra y la declaración yerra el signo, la medición es la única naturaleza en la que el error queda visible — y por eso mismo es la única en la que se puede ver al error suceder.

La métrica de consistencia salió de la vitrina

El τ-bench, de Sierra, nació en 2024 con dos métricas. El pass^1 es la tasa de acierto en un intento. El pass^k es el mismo agente, en la misma tarea, k veces seguidas — la única métrica que se parece a "se puede llevar a producción", porque producción es la misma tarea mil veces. En el paper original, el pass^k se desploma: el mejor sistema en retail hacía 69,2 % en un intento y 46,2 % en cuatro; GPT-4o caía por debajo de 25 % en ocho. Es aritmética elemental: si cada paso acierta 90 % y la tarea tiene diez pasos, la cadena entera acierta 35 % de las veces. La confiabilidad se compone multiplicando.

El leaderboard actual, el τ²-bench, publica solo el pass^1: 87,9 % para Qwen3.5-397B, 85,4 % para Gemini 3.0 Pro, 85,3 % para Claude Opus 4.5. La métrica que medía consistencia salió de la vitrina en el mismo movimiento en que el número de intento único se acercó al 90 %. No sé por qué, y no voy a inventarlo. Lo que se puede afirmar con seguridad es menos dramático y más útil: la caída del pass^k está documentada solo para modelos de 2024, y no existe dato público de consistencia para ningún modelo de 2026. Quien cita "87,9 % de éxito" está citando la métrica de un intento. Producción no es un intento.

La empresa simulada, y el marcador retirado el 1 de agosto

TheAgentCompany, de la CMU (NeurIPS 2025), no es una prueba de código aislada: simula una empresa entera y mide al agente por departamento — ingeniería de software, gestión de proyecto, RR.HH., ciencia de datos, administrativo, financiero. El número que circuló: 30,3 % de tareas completadas íntegramente por el mejor sistema del paper. El dato interesante está en la tabla por área, que extraje del LaTeX del e-print:

Contando sobre los trece modelos del apéndice (cálculo mío, no frase del paper): en el departamento financiero, once de los trece modelos completan cero tareas; en ciencia de datos, diez; en administrativo, ocho. Las dos áreas por delante son gestión de proyecto e ingeniería de software — el trabajo de quien construye software. La lectura perezosa "los agentes reemplazan el trabajo de oficina" es exactamente lo opuesto de lo que mide el benchmark: lo que funciona hoy es el trabajo de quien construye agentes, y lo que no funciona es la oficina genérica que el titular promete automatizar.

Y está el episodio que hace de este el mejor bloque del artículo. El 26 de junio de 2026 un envío con modelo de 2026 (GPT-5.4) entró al marcador reivindicando 46,3 % — récord. El 1 de agosto los propios autores del envío lo retiraron:

"we recently identified an accidental answer leakage in some graph nodes during our code review, which artificially inflated the score. We are removing these files for now to keep the evaluation dataset clean and fair."

En español: "identificamos recientemente una filtración accidental de respuestas en algunos nodos del grafo durante nuestra revisión de código, lo que infló artificialmente la nota. Estamos eliminando estos archivos por ahora para mantener el conjunto de evaluación limpio y justo."

Tiene número de PR (pull request, la solicitud de revisión de código que registra cada cambio), tiene fecha de merge, tiene la frase. Hasta el cierre de este texto, no hubo reenvío — el marcador oficial tiene 175 tareas, 17 envíos y ninguno de 2026. Esto no es "el benchmark no sirve". Es lo contrario: el benchmark es la única naturaleza de estadística de agente en la que el error aparece, tiene número de PR y se puede deshacer. Ningún survey retira un número así. Ninguna previsión se revisa así.

Coste por tarea: la columna que ningún marcador lleva

HAL — Holistic Agent Leaderboard, de Princeton, aceptado en ICLR 2026 — corrió 21.730 ejecuciones de agente, en 9 modelos y 9 benchmarks, gastando cerca de US$ 40 mil, y publicó lo que descubrió inspeccionando los registros:

"such as searching for the benchmark on HuggingFace instead of solving a task, or misusing credit cards in flight booking tasks."

En español: "como buscar el benchmark en HuggingFace en vez de resolver una tarea, o usar mal tarjetas de crédito en tareas de reserva de vuelos."

Ocho casos en los que el agente encontró la solución — en HuggingFace o en arXiv — en vez de resolver la tarea; agentes que hardcodean (escriben la respuesta fija en el código) una solución "plausible" para pasar el test unitario; un agente que usó la tarjeta de crédito equivocada para reservar un vuelo. Es el modo de fallo característico de la medición: el proxy medido es algo que el agente aprende a burlar. No es defecto de un benchmark; es de la naturaleza de medir un sistema que optimiza contra la medida.

Y HAL pone en el marcador la columna que ningún otro lleva — el coste por tarea. Leí los pares directo en el HTML del leaderboard:

Fíjate en el segmento del medio: 2,3 puntos porcentuales más de precisión cuestan nueve veces el precio (42,33 % a US$ 171 por tarea contra 40,00 % a US$ 1.577, en Online Mind2Web). Y en TheAgentCompany el líder actual entrega 12,6 puntos más que el sistema del paper por una décima parte del coste — US$ 0,40 contra US$ 4,23 por tarea. Frase del paper de HAL sobre el patrón general: "In only 1 of 9 benchmarks do we observe the most costly model run on the Pareto frontier" ("en solo 1 de los 9 benchmarks observamos que la ejecución más costosa está en la frontera de Pareto" — la frontera de los sistemas en la que nadie gana precisión sin pagar más). Ningún marcador de prensa lleva esa columna, y es la que decide si el agente va a producción.

Paréntesis: el censo, que es honesto en el recuento y mide otra cosa

Existe un tipo de número que no es previsión, ni declaración, ni medición de desempeño: recuento de documentos reales — descargas, anuncios de empleo, estrellas. Es honesto por construcción; nadie respondió nada, nadie predijo nada. Pero mide otra cosa, y la disciplina del artículo exige decir cuál.

Medí en la API pública de npm la serie mensual del paquete que es la cañería de los agentes — el SDK del Model Context Protocol, el estándar que conecta agente con herramienta y que hoy adoptan todos los grandes laboratorios:

De 176 mil en enero de 2025 a 191,9 millones en julio de 2026: 1.087 veces. En el mismo período, 1,21 mil millones de descargas acumuladas. El SDK de agentes de Anthropic, que no existía en 2025, hizo 33,7 millones en julio; LangGraph, 12,4 millones; el SDK de agentes de OpenAI, 5,9 millones. La salvedad va en la misma frase, como siempre aquí: la descarga de npm (el repositorio de paquetes de JavaScript) cuenta instalación — pipelines de test automático, contenedores, espejos — no persona ni agente corriendo. No es "cuántos agentes existen" — es la misma disciplina del artículo sobre las estadísticas de Claude Code, donde 429 millones de descargas no se convirtieron en 429 millones de personas. Es que la cañería ya se instaló a escala industrial, mientras la evidencia de que funciona sigue disputada.

El mismo movimiento aparece del lado de quien contrata. Lightcast, republicada por el AI Index, cuenta anuncios de empleo en EE. UU. que citan la habilidad:

Un anuncio de empleo mide intención del empleador, no agente corriendo — exactamente como la descarga mide instalación. Los dos censos son honestos y cuentan la misma cosa desde dos lados: la cañería instalada (×1.087) y la contratación para operarla (×108 en "agentic AI"). Ninguno de los dos es evidencia de que funcione. Los dos juntos son evidencia de que la pregunta "¿funciona?" se volvió urgente ahora, no después.

Brasil: 17 % de las empresas usa IA — y 68 % de eso es automatización de flujo

El único dato brasileño con metodología a la vista es el TIC Empresas 2025 de Cetic.br, lanzado en junio de 2026: entrevistas telefónicas con 4.174 empresas de diez o más personas, campo de febrero de 2025 a enero de 2026. Es declaración — survey — y Cetic.br publica el N, el método y el período, que es todo lo que este artículo pide.

17 % de las empresas brasileñas usó algún tipo de IA en 2025 — eran 13 % en 2023 y 13 % en 2024 — lo que Cetic.br estima en 93.475 empresas. En las grandes, 50 %; en las pequeñas, 15 %. La comparación internacional de la misma diapositiva: Brasil 17 %, Unión Europea 20 %, Dinamarca 42 %.

El dato brasileño más interesante del artículo está en el segundo bloque. Entre las empresas que usan IA, el tipo más común es automatización de flujos de trabajo: 68 %. La generación de lenguaje natural — lo que la mayoría llama "IA" en 2026 — aparece en 30 %. Es decir: la mayor porción de lo que se llama uso de IA en Brasil es automatización de proceso, no agente autónomo. Es la misma cosa que Gartner bautizó como agent washing del lado de quien vende — RPA rebautizado como agente — medida del lado de quien compra. Brasil tiene el dato que permite probar la acusación, y el dato dice que la sospecha procede: cuando una empresa brasileña dice "usamos IA", en dos de cada tres casos está hablando de flujo automatizado.

Sobre agentes específicamente, Brasil no tiene número con metodología a la vista. No voy a inventar uno.

Qué haría yo con esto

La regla de este artículo no es invención mía. METR, en el survey de mayo de 2026, publica su propia clasificación de los tipos de evidencia sobre capacidad de IA, cada uno con el punto ciego declarado — y es la lista de trabajo de quien mide en serio:

"Each with different blind spots" ("cada uno con puntos ciegos distintos"), dice METR. Fíjate en lo que no está en la lista: previsión de analista. Lo que publica Gartner no es un tipo de evidencia con punto ciego — es otra cosa, y es la prensa la que la suma a las demás en la misma frase.

Ante la próxima estadística de agente, tres preguntas de coste casi cero, en el orden de la figura del principio:

1. ¿Quien produjo el número midió algo? Si es previsión, tiene horizonte y no tiene muestra: vale como opinión cualificada, y nada más. Pregunta si la previsión anterior del mismo autor fue revisada — si nadie lo sabe, nadie puede comprobarla.
2. ¿Preguntado a quién, y qué exactamente? Si es survey, el N, la población y el enunciado de la pregunta valen más que el porcentaje. "57 %" entre ingenieros de agentes y "un dígito" en organizaciones en general son la misma realidad vista desde dos lugares. Y recuerda que la misma persona responde 3x para velocidad y 2x para valor en el mismo formulario.
3. ¿Medido cómo — y pudo el agente haber burlado la medida? Si es benchmark, busca el pass^k, el coste por tarea y la inspección de registros. Si el marcador solo tiene un intento y ninguna columna de coste, mide la mejor foto, no el trabajo.

Y la pregunta que atraviesa las tres: ¿el número circula con la etiqueta correcta? El "95 %" es percepción; el "40 % cancelados" es previsión; el "87,9 %" es un intento; el "×1.087" es instalación. Ninguno es falso. Todos cambian de peso cuando la etiqueta va junto.

Si quieres comprobar la medición más fácil de este artículo, son diez segundos:

curl -s "https://api.npmjs.org/downloads/range/2026-07-01:2026-07-31/@modelcontextprotocol/sdk" \
  | python3 -c "import json,sys; print(sum(d['downloads'] for d in json.load(sys.stdin)['downloads']))"

Si te da distinto de 191.923.439, avísame — actualizo el artículo y acredito la corrección. La réplica de la regresión de METR usa el CSV y el regression.py que la propia METR publica en GitHub; cualquiera la rehace.

Fuentes

• MIT NANDA — "The GenAI Divide: State of AI in Business 2025" — PDF de 26 páginas, copia archivada el 20/08/2025 (la URL de origen hoy sirve una copia con capa de texto peor; números idénticos)
• Fortune, 18/08/2025 — el titular, con la metodología descrita de forma equivocada
• 80,000 Hours — "The story behind the bad AI stat that moved markets and misled millions" — Rob Wiblin, 28/04/2026
• Gartner, 25/06/2025 — "over 40% of agentic AI projects will be canceled" — previsión + encuesta de webinar + agent washing (acceso directo negado; republicaciones cruzadas)
• Gartner, 05/03/2025 — 80 % de la atención al cliente hasta 2029 — sí, el "20290" está en la URL oficial
• Gartner, 21/10/2024 — Top Strategic Technology Trends for 2025 — informe G00818765, PDF leído
• Stanford HAI — AI Index 2026, capítulo 4 (Economía) — 70 % × 79 %; figuras 4.3.7 y 4.3.8; Lightcast; nota sobre METR
• LangChain — State of Agent Engineering 2026 — n = 1.340, 12/06/2026
• Stack Overflow — Developer Survey 2025, sección AI — n = 33.662
• METR — estudio de 2025 y paper arXiv:2507.09089
• METR — "We are Changing our Developer Productivity Experiment Design", 24/02/2026 — y el repositorio con el CSV y el regression.py
• METR — survey de uso de IA, 11/05/2026 — n = 349; taxonomía de puntos ciegos
• τ-bench — paper y repositorio — pass^k; marcador del τ²-bench leído el 13/08/2026
• TheAgentCompany — paper NeurIPS 2025, marcador oficial y PR #16, la retirada
• HAL — Holistic Agent Leaderboard, ICLR 2026 y leaderboard
• API pública de npm — serie medida el 26/08/2026
• Cetic.br — TIC Empresas 2025, lanzamiento — diapositivas H9 y H9A
• Página que motivó la pauta — gradually.ai, "KI-Agenten-Statistiken 2026" — inspiración de estructura, ninguna frase o número reaprovechado

Verificación: PDFs, posts y papers leídos íntegros y preservados; comunicados de Gartner por republicación cruzada (acceso directo negado); marcadores de TheAgentCompany y de HAL leídos en el JSON y en el HTML servidos el 13/08/2026; descargas de npm medidas por el autor el 26/08/2026; regresión de METR replicada sobre el CSV publicado, con resultado idéntico al de METR. No hay Reddit ni X en este artículo, por indisponibilidad de las fuentes, no por elección editorial. Lo que no pudo verificarse está marcado como tal en el texto.