State of AI 2026, el informe de Nathan Benaich y Air Street Capital, puso el foco en una barrera concreta para aprovechar la Inteligencia Artificial. La dificultad está en saber elegir, configurar y usar las herramientas. Su autor considera que esa capacidad humana explica buena parte de la diferencia entre quienes obtienen mucho valor y quienes obtienen poco.
En la presentación de la 9.ª edición, Benaich resumió su visión como un “problema de habilidades humanas, no de tecnología de IA”. El inversor también describió capacidades irregulares entre modelos y diferencias de desempeño entre versiones de una misma familia.
El autor propone un servicio parecido a una mesa de ayuda especializada, donde las personas reciban capacitación práctica para escoger herramientas y ajustarlas a tareas cotidianas. El enfoque abarca instrucciones, acceso al contexto necesario, controles, validación y formas de recuperar el trabajo cuando una ejecución falla.
State of AI apoya ese planteamiento con datos de OpenAI sobre Codex. Entre agosto de 2025 y comienzos de junio de 2026, los usuarios semanales no desarrolladores crecieron 137 veces entre cuentas individuales, 189 veces en organizaciones y 12 veces dentro de OpenAI. La comparación sigue la evolución de los usuarios semanales de esa herramienta desde bases distintas.
State of AI muestra cuánto cambia un agente según su configuración
El informe cita una investigación de Yunbei Zhang y colegas sobre la infraestructura que rodea a los modelos. Con GLM-5.1 fijo, la tasa de resolución subió de 52,5% a 65,5% al pasar de una configuración mínima a una completa en 100 tareas de SWE-bench Verified, una diferencia de 13 puntos porcentuales.
Esas tareas consisten en corregir problemas reales de software y comprobar los cambios mediante pruebas automáticas. El equipo comparó herramientas disponibles, manejo del contexto, reintentos, controles y recuperación ante errores. Cada combinación tuvo 2 ejecuciones con el mismo límite de 50 pasos y 120 segundos por paso.
La configuración completa resumía pasos antiguos, recuperaba información útil, revisaba cada avance, detectaba repeticiones anómalas, validaba el resultado y podía volver a un estado anterior. El experimento muestra que el entorno de ejecución puede modificar mucho el resultado en esa prueba de programación. El alcance del resultado se limita a ese conjunto de tareas y configuraciones.
Los no desarrolladores amplían los usos de Codex
El estudio de OpenAI indica que ingeniería adoptó Codex antes dentro de la empresa. Cerca de abril de 2026, las áreas legal, finanzas y selección pasaron a generar la mayoría de sus tokens de salida con Codex frente a ChatGPT. Los tokens son las unidades de texto producido que se utilizan para medir el uso de los modelos.
En finanzas y operaciones empresariales, 31% de los tokens correspondió a ingeniería o código. En producto, marketing y operaciones, la proporción fue 25%. OpenAI describe usos como automatización, transformación de datos, análisis estructurado, depuración y creación de herramientas internas. El análisis de estas tareas combinó información de uso de Codex con categorías ocupacionales y tipos de actividad.
El documento económico de OpenAI señala que delegar tareas también exige supervisión, verificación y coordinación. Los resultados dependen del acceso a archivos y sistemas, de las habilidades del equipo y de procesos de revisión que permitan detectar errores. Para una empresa, configurar la herramienta y rediseñar el flujo de trabajo forman parte de la adopción, junto con la capacidad del modelo.
