Volver a la tendencia del día: El jefe de Intel: controlar miles de millones de asistentes de IA será difícil

Ranking Poly · de la tendencia del día

Ranking de fiabilidad de agentes de IA 2026: los 10 agentes en los que puede confiar

El rastreador de la Universidad de Princeton califica a Claude Opus 4.7, más reciente, como más preciso que Opus 4.5 (79,0% frente a 74,6%), pero algo menos fiable (0,86 frente a 0,87): los agentes han ganado capacidad sin volverse mucho más predecibles.

N.º 1: Claude Code (Claude Opus 5.5)
10 puestos
Vigente a 4 de noviembre de 2026, 19:18 EST

01Lista final

Las IA líderes armaron cada una su propia lista de diez, de forma independiente. Aquí hay un resultado fácil de comprobar: cada puesto tiene un motivo, una fuente y la lista de IA que lo incluyeron.

Orden: de mayor a menor acuerdo entre las IA.

Una etiqueta brillante significa que esa IA puso el elemento en su lista. Una tenue, que no.

1
Claude Code (Claude Opus 5.5)
La mayor mejora neta en Arena (20,14%), además de modos de permiso documentados y rebobinado. Pero Auto es ahora el modo inicial, y los registros de auditoría empresariales omiten las llamadas a herramientas.
Lo incluyeron: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. No lo incluyeron: Nemotron, Wenxin.
En sus listas: ChatGPT: 1 · Meta: 4 · Grok: 1 · StepFun: 1 · Kimi: 1 · DeepSeek: 1
Qué señaló cada IA 6
- ChatGPTpuesto 1
  La señal más sólida de finalización de tareas observada llega acompañada de controles humanos poco comunes: 20,75 % de éxito confirmado, además de modos de permiso, diferencias y la opción de rebobinar.
  Fuente ↗
- Metapuesto 4
  #1 general con 21,15 % de éxito confirmado en 2,7 millones de sesiones: 42,91 % de mejora neta positiva, pero $6,79 y 18,7 min
  Fuente ↗
- Grokpuesto 1
  La mayor mejora neta de Arena, 20,14 % en general, y un interruptor de permisos que aún puede hacer que se detenga.
  Fuente ↗
- StepFunpuesto 1
  El único agente que ocupa el #1 en una tabla real de millones de sesiones y que, aun así, le entrega un archivo de permisos que puede leer antes de que toque su disco.
  Fuente ↗
- Kimipuesto 1
  El agente más fiable que midió la Universidad de Princeton (73 % de consistencia de resultados, la mejor puntuación registrada) también incluye los frenos más exigibles: reglas de denegación que se activan antes que cualquier modo de permisos, y listas de comandos permitidos por comando. Están probados, no solo anunciados.
- DeepSeekpuesto 1
  El modelo más fiable de HAL vive aquí, pero su registro de auditoría todavía pierde las llamadas a herramientas de los subagentes.
6 IA lo pusieron aquí
Fuente ↗
2
ChatGPT Work (antes ChatGPT agent)
Pide confirmación antes de comprar, enviar o borrar, y le devuelve los inicios de sesión sensibles. No existe una tasa de éxito a nivel de producto, y el navegador Atlas de OpenAI cayó ante un secuestro sin que el usuario haga nada.
Lo incluyeron: ChatGPT, Meta, Grok, Kimi, DeepSeek. No lo incluyeron: Nemotron, StepFun, Wenxin.
En sus listas: ChatGPT: 4 · Meta: 1 · Grok: 5 · Kimi: 2 · DeepSeek: 3
Qué señaló cada IA 5
- ChatGPTpuesto 4
  La salvaguarda importante es el traspaso: los usuarios pueden tomar el control del navegador para iniciar sesión en lo delicado, en lugar de darle al agente su contraseña.
  Fuente ↗
- Metapuesto 1
  20,77 % de éxito confirmado en chat, $3,68 y 10,4 min de mediana: el primer agente más seguro, que pide permiso antes de los pasos clave; probado
- Grokpuesto 5
  El antiguo modo Agente ya no existe; el reemplazo se describe como uno que pide confirmación antes de una compra, un envío o un borrado.
- Kimipuesto 2
  Ejecuta todo en una máquina virtual desechable en la nube y está entrenado para pedir confirmación antes de cualquier acción con consecuencias reales. Además, los modelos de OpenAI ocupan los cinco primeros puestos del Índice de Alineación de Arena por no realizar acciones no autorizadas.
  Fuente ↗
- DeepSeekpuesto 3
  17/20 en pruebas de navegador, pero su registro de auditoría más sólido es un complemento empresarial, no el predeterminado.
  Fuente ↗
5 IA lo pusieron aquí
Fuente ↗
3
Agentes de Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)
La mejor capacidad de ser guiado en Arena (19,32%), a $1,69 por tarea. Pero las comprobaciones contra instrucciones ocultas en las capturas de pantalla vienen desactivadas, y el entorno aislado (sandbox) de Gemini CLI debe configurarlo el usuario.
Lo incluyeron: ChatGPT, Meta, Grok, StepFun, Kimi. No lo incluyeron: Nemotron, DeepSeek, Wenxin.
En sus listas: ChatGPT: 3 · Meta: 3 · Grok: 4 · StepFun: 3 · Kimi: 3
Qué señaló cada IA 5
- ChatGPTpuesto 3
  Solo $1,69 por tarea mediana y 18,04 % de éxito confirmado. La advertencia clave es que algunas protecciones de seguridad locales requieren configuración.
  Fuente ↗
- Metapuesto 3
  Mejor capacidad de corrección, 19,32 %, y menor alucinación, 0,51 %, entre los 5 primeros, con 16,72 % de éxito confirmado por $1,69
  Fuente ↗
- Grokpuesto 4
  La mejor capacidad de corrección de la tabla en vivo, 19,32 %, mientras que las comprobaciones de inyección en capturas de pantalla vienen desactivadas.
  Fuente ↗
- StepFunpuesto 3
  Carbon ocupa el tercer puesto en éxito confirmado, con 18,02 %, por $1,69–$1,80 por tarea, y es el único agente de consumo que se detiene a pedir confirmación antes de enviar mensajes o comprar cosas.
  Fuente ↗
- Kimipuesto 3
  Empató en la mejor puntuación de fiabilidad que midió la Universidad de Princeton (85 %). Sin embargo, el mismo estudio encontró que evita errores catastróficos solo el 25 % de las veces, justo por eso su agente de navegador le obliga a mirarlo trabajar.
  Fuente ↗
5 IA lo pusieron aquí
Fuente ↗
4
OpenAI Codex
Su entorno aislado (sandbox) lo aplica el sistema operativo: red desactivada por defecto y aprobación necesaria para salir del espacio de trabajo. Sus modelos van por detrás en Arena: GPT-6 Astra con 14,70% frente al 20,14% de Opus 5.5.
Lo incluyeron: ChatGPT, Grok, StepFun, DeepSeek. No lo incluyeron: Meta, Nemotron, Kimi, Wenxin.
En sus listas: ChatGPT: 7 · Grok: 2 · StepFun: 2 · DeepSeek: 2
Qué señaló cada IA 4
- ChatGPTpuesto 7
  La tarea observada mediana cuesta $0,98 en lugar de los $6,16 de Astra, mientras que el mismo producto de Codex puede imponer límites de espacio de trabajo y de red.
  Fuente ↗
- Grokpuesto 2
  El sandbox es una barrera del sistema operativo, así que un modelo que quiera acceder a la red igualmente puede ser rechazado.
  Fuente ↗
- StepFunpuesto 2
  Astra ocupa el cuarto puesto en éxito confirmado, mientras que Sol hace un trabajo casi idéntico por $0,56 por tarea; ambos están detrás de un sandbox que se puede sellar y de un control de aprobación de tres niveles.
  Fuente ↗
- DeepSeekpuesto 2
  Se entrega con la red desactivada y un precio de tarea de $1,92: control y costo en un mismo agente de programación.
4 IA lo pusieron aquí
Fuente ↗
5
Devin (Cognition AI)
Se ejecuta en máquinas virtuales aisladas con aprobación para desplegar. Pero los permisos de GitHub son para toda la organización, no hay registro de auditoría externo documentado, y las puntuaciones de programación de terceros van del 61,7% al 70,4% según el tablero.
Lo incluyeron: Meta, StepFun, Kimi, DeepSeek. No lo incluyeron: ChatGPT, Grok, Nemotron, Wenxin.
En sus listas: Meta: 5 · StepFun: 6 · Kimi: 7 · DeepSeek: 7
Qué señaló cada IA 4
- Metapuesto 5
  75,8 % en SWE-bench Verified oficial y 96,4 % en vals.ai neutral; Pro cuesta $20 al mes, con perfiles de seguridad en una máquina virtual gestionada
- StepFunpuesto 6
  Autonomía con marcha atrás: máquinas aisladas que se pueden guardar como instantánea. Pero la aritmética de terceros pone una tarea fusionada cerca de $9–$10; el control es bueno y la factura no.
  Fuente ↗
- Kimipuesto 7
  El «ingeniero de software con IA» original aparece ahora en bancos de pruebas de terceros con 61,7 % en tareas reales de ingeniería, a $7,90 por tarea: aceptable, pero su autonomía aún necesita que una persona revise cada fusión.
  Fuente ↗
- DeepSeekpuesto 7
  70,4 % en DeepSWE a $1,40, pero con permisos a nivel de organización y sin registro de auditoría público.
4 IA lo pusieron aquí
Fuente ↗
6
Agentes de Microsoft Copilot Studio y Microsoft 365 Copilot
El rastro de gobernanza más sólido (auditoría de Purview, Entra ID por agente), pero ZDNet vio que sus agentes premium son «muy seguros de sí mismos y malos», y Copilot en Edge sufrió el mismo secuestro sin clic.
Lo incluyeron: ChatGPT, Meta, StepFun, DeepSeek. No lo incluyeron: Grok, Nemotron, Kimi, Wenxin.
En sus listas: ChatGPT: 6 · Meta: 10 · StepFun: 7 · DeepSeek: 9
Qué señaló cada IA 4
- ChatGPTpuesto 6
  Un agente empresarial puede ser más fácil de gobernar que de evaluar: Purview registra los eventos administrativos y de interacción, pero eso no demuestra que la tarea se haya ejecutado con éxito.
  Fuente ↗
- Metapuesto 10
  25.000 créditos de Copilot por $200 al mes: $2 por conversación o $0,10 por acción, registro de auditoría empresarial y aprobación humana
  Fuente ↗
- StepFunpuesto 7
  La historia de gobernanza empresarial más sólida del grupo, y uno de los tres agentes de navegador vulnerados por el secuestro «PleaseFix», que no requiere ningún clic.
  Fuente ↗
- DeepSeekpuesto 9
  Identidad y auditoría de primer nivel, y una prueba práctica en la que el resultado fue malo, aunque se presentó con total seguridad.
4 IA lo pusieron aquí
Fuente ↗
7
Manus
Usted autoriza cada sesión del navegador y la detiene cerrando la pestaña. En tareas web difíciles resuelve por completo el 8,0% de las veces, y su cifra de 86,5% en GAIA, medida de forma independiente, fue 73,4%.
Lo incluyeron: Meta, StepFun, Kimi, DeepSeek. No lo incluyeron: ChatGPT, Grok, Nemotron, Wenxin.
En sus listas: Meta: 6 · StepFun: 4 · Kimi: 6 · DeepSeek: 10
Qué señaló cada IA 4
- Metapuesto 6
  Agente general autónomo en una máquina virtual Ubuntu en la nube: 300 créditos gratis al día, SOC 2 Tipo 2, pero el secuestro «SilentBridge», CVSS 9,8, de febrero de 2026
- StepFunpuesto 4
  Usted autoriza cada sesión del navegador y detiene al agente cerrando la pestaña: es el raro agente de consumo cuyo botón de parada es real, no un ajuste.
  Fuente ↗
- Kimipuesto 6
  Afirma una puntuación de 86,5 % en GAIA que ningún banco de pruebas independiente ha reproducido. Las pruebas de terceros la sitúan en 73,4 %, y sus controles de agente van por detrás de sus ambiciones.
  Fuente ↗
- DeepSeekpuesto 10
  Una ventana de deshacer de 10 segundos es útil; el 8 % de éxito total en tareas web difíciles no basta para confiar en él por sí solo.
  Fuente ↗
4 IA lo pusieron aquí
Fuente ↗
8
Agente de Cursor
Programa muy bien, pero una inyección de instrucciones hizo que escribiera un archivo .cursor/mcp.json malicioso sin pedir aprobación. Dos fallos de seguridad de 2026 (CVE): una omisión crítica de autenticación y una salida del entorno aislado.
Lo incluyeron: Meta, StepFun, DeepSeek. No lo incluyeron: ChatGPT, Grok, Nemotron, Kimi, Wenxin.
En sus listas: Meta: 7 · StepFun: 10 · DeepSeek: 6
Qué señaló cada IA 3
- Metapuesto 7
  El de uso diario para el 57 % de los equipos de producción: agente en segundo plano por $20 al mes, edición rápida en línea y modo de permisos «Preguntar»
  Fuente ↗
- StepFunpuesto 10
  Una inyección de prompt hizo que su agente escribiera un .cursor/mcp.json malicioso sin ningún aviso de aprobación: la razón más clara de que el control importe más que la capacidad en este ranking.
- DeepSeekpuesto 6
  69,3 % a $0,44, pero dos CVE de 2026 demuestran que la velocidad barata puede ampliar la superficie de ataque.
3 IA lo pusieron aquí
Fuente ↗
9
Perplexity Comet
Navegación autónoma dentro de sus sesiones iniciadas, sin una puerta de confirmación firme. Trail of Bits la auditó, Brave la secuestró a mitad de una tarea, y el ataque sin clic PleaseFix funcionó contra ella.
Lo incluyeron: Meta, StepFun. No lo incluyeron: ChatGPT, Grok, Nemotron, Kimi, DeepSeek, Wenxin.
En sus listas: Meta: 9 · StepFun: 9
Qué señaló cada IA 2
- Metapuesto 9
  Agente de investigación muy citado: aparece como el mejor para tareas de investigación en una mezcla de 26,5% de atención al cliente y 24,4% de investigación
- StepFunpuesto 9
  Trail of Bits lo analizó con modelado de amenazas y Brave lo secuestró: es navegación agéntica que actúa dentro de sus sesiones iniciadas, sin una barrera de confirmación firme.
  Fuente ↗
2 IA lo pusieron aquí
Fuente ↗
10
GitHub Copilot, agente de programación
Marca cada entrada de auditoría con actor_is_agent y guarda los registros durante 180 días; se aceptó el 68,0% de 2.194 solicitudes de cambio de código (PR) estudiadas. Solo una de las IA lo cubrió.
Lo incluyeron: DeepSeek. No lo incluyeron: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.
En sus listas: DeepSeek: 4
Qué señaló cada IA 1
- DeepSeekpuesto 4
  El agente que registra en nombre de quién actúa (actor_is_agent en cada entrada de auditoría), pero la aceptación de sus PR se queda en 68 %, no en el primer lugar.
  Fuente ↗
1 IA lo pusieron aquí
Fuente ↗

Más sobre los tres primeros ↓

02Más sobre los tres primeros

El ranking está arriba. Aquí tiene más sobre los tres primeros puestos: qué son, por qué están aquí y qué vale la pena saber.

Los tres se miden de forma distinta: Claude Code tiene una mejora neta en Arena de 20,14%, los agentes de Gemini tienen una capacidad de dirección en Arena de 19,32%, y ChatGPT Work no tiene una tasa de éxito a nivel de producto.

1Claude Code (Claude Opus 5.5)

N.º 1 — Claude Code (Claude Opus 5.5). En las listas de 6 de 8 IA; puesto mediano allí: 1. Las IA lo colocan en primer lugar por la mejor mejora neta en Arena, además de los modos de permiso y la función de volver atrás, que le dan control real.

WOTW2026 · CC0 · Wikimedia Commons

¿Sabía que…?

La función de volver atrás de Claude Code no deshace todo. Solo registra las ediciones hechas con las herramientas de edición de archivos de Claude. Los cambios hechos con comandos de shell, como borrar o mover archivos, no están incluidos. Los puntos de control sí se conservan entre sesiones.
Fuente ↗

Qué es: Un agente de programación que trabaja en su terminal y edita sus archivos.
Su ventaja: Tiene la mayor mejora neta en Arena y modos de permiso claros con la función de volver atrás.
Para quién: Sirve a desarrolladores que lo vigilan; no para dejarlo solo, porque el modo Auto es el inicial.

Wikipedia · Wikidata

Por qué está aquí

Opus 5.5 cuesta $4 por millón de tokens de entrada y $20 por millón de tokens de salida, alrededor de un 20% menos que Opus 5. Un costo de uso más bajo mejora su puntuación de valor práctico.
Fuente ↗

Historia

Claude Code comenzó en febrero de 2025 como una vista previa de investigación limitada, lanzada junto con el modelo Claude 3.7 Sonnet.
Fuente ↗

A tener en cuenta

Si la intención no está clara o falta contexto, el modo automático puede aprobar acciones inseguras y bloquear otras inofensivas. Cada acción pasa por un paso de revisión adicional, que puede añadir demora y gastar más tokens con el tiempo.
Fuente ↗
Anthropic recomienda usar el modo automático en entornos aislados, sobre todo con código sensible. En la práctica, trátelo como un asistente que hay que vigilar, no como algo que se deja solo.
Fuente ↗

Dónde seguir

Abra la página de modos de permiso para ver qué puede hacer Claude Code sin preguntar en cada modo. Lea primero la parte sobre el modo Auto, porque ahora es el modo inicial.
Fuente ↗

Vídeo: Every Claude Code Concept Explained for Normal People (en inglés) · Simon Scrapes

Comparar los tres primeros ↓

2ChatGPT Work (antes ChatGPT agent)

N.º 2 — ChatGPT Work (antes ChatGPT agent). En las listas de 5 de 8 IA; puesto mediano allí: 3. A las IA les gusta que pregunte antes de comprar, enviar o borrar, y que le devuelva a usted el control de los inicios de sesión delicados.

¿Sabía que…?

Cuando el agente de ChatGPT necesita un inicio de sesión, se pausa y le pide a usted que tome el control de su navegador virtual. Mientras usted lo controla, ChatGPT no captura las contraseñas ni los datos sensibles que escribe. Solo su primera solicitud cuenta para el límite de uso.
Fuente ↗

Qué es: El agente de OpenAI que hace tareas en la web por usted, en un navegador en la nube.
Su ventaja: Pregunta antes de los pasos riesgosos y le permite a usted tomar el control para iniciar sesión.
Para quién: Sirve a principiantes cautos que quieren verificaciones; no a quienes necesitan tasas de éxito comprobadas.

Wikidata

Por qué está aquí

Investigadores de seguridad mostraron dos ataques contra el navegador Atlas de OpenAI que no necesitaban ningún clic del usuario. Un solo comentario plantado en X podía secuestrarlo. OpenAI reconoció el informe el 17 de febrero de 2026.
Fuente ↗
Las propias instrucciones de Atlas hacen que se detenga y pregunte antes de enviar un mensaje por usted. Los investigadores pasaron «un par de días» intentando superar su botón final de compra. Por eso figura alto en control por parte del usuario.
Fuente ↗

Historia

El agente Operator de OpenAI salió en enero de 2025. En julio de 2025, OpenAI lanzó ChatGPT agent, que puede realizar tareas de varios pasos.
Fuente ↗

A tener en cuenta

El revisor comprobó que el agente a menudo se atascaba repitiendo acciones y perdía tiempo, por ejemplo cuando los clics tardaban en responder. También seguía las instrucciones al pie de la letra, así que a veces una persona tenía que intervenir.
Fuente ↗

Dónde seguir

Lea cómo el navegador en la nube le pide confirmación antes de comprar, reservar o pagar, y cómo toma usted el control para iniciar sesión. Empiece por esas dos secciones.
Fuente ↗

Meta lo pusieron primero. Qué vieron en él

Meta: 20,77 % de éxito confirmado en chat, $3,68 y 10,4 min de mediana: el primer agente más seguro, que pide permiso antes de los pasos clave; probado

Vídeo: ChatGPT Work Completely Changes How You Use ChatGPT (full guide) (en inglés) · Futurepedia

Comparar los tres primeros ↓

3Agentes de Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

N.º 3 — Agentes de Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI). En las listas de 5 de 8 IA; puesto mediano allí: 3. Las IA le reconocen la mejor capacidad de dirección en Arena a un precio bajo por tarea, pero sus controles de seguridad requieren configuración.

¿Sabía que…?

Gemini CLI es completamente de código abierto con licencia Apache 2.0, así que cualquiera puede leer su código. Su acceso individual gratuito pasó a otra herramienta, Antigravity CLI, el 18 de junio de 2026.
Fuente ↗ ✓ confirmado por varias IA

Qué es: La familia de agentes de Google: un agente para el navegador y una herramienta de línea de comandos de código abierto.
Su ventaja: Tiene la mejor capacidad de dirección en Arena y un costo bajo por tarea.
Para quién: Sirve a quienes experimentan y activarán el entorno aislado (sandbox); no a quienes quieren valores seguros por defecto.

A tener en cuenta

Después de instalarlo, Gemini CLI funciona sin entorno aislado (sandbox) por defecto, y avisa de ello a los usuarios. Activar el sandbox habría bloqueado el ataque que encontró el investigador.
Fuente ↗

Dónde seguir

Abra la guía de aislamiento (sandboxing) de Gemini CLI y aprenda a activar el sandbox con una opción de línea de comandos, una variable de entorno o un archivo de configuración antes de ejecutar comandos.
Fuente ↗

Comparar los tres primeros ↓

Los tres primeros, lado a lado

	Claude Code (Claude Opus 5.5)	ChatGPT Work (antes ChatGPT agent)	Agentes de Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)
En las listas de las IA	6 / 8	5 / 8	5 / 8
Primero para	ChatGPT, Grok, StepFun, Kimi, DeepSeek	Meta	—

Los puestos con el mismo número de IA se ordenan por su puesto medio en las listas de las IA.

03Vale la pena saber

Lo que notaron las IA al armar la lista.

La precisión subió durante dos años mientras la fiabilidad casi no se movió: Claude Opus 4.7 alcanza 79,0% de precisión con 0,86 de fiabilidad; Opus 4.5, 74,6% con 0,87. Una versión anterior del estudio (Fortune, marzo) reportó 85% de fiabilidad y como máximo 73% de consistencia de resultados, en otra escala.

Lo notaron:

Lo incluyeron: Meta, Grok, StepFun, Kimi, DeepSeek. No lo incluyeron: ChatGPT, Nemotron, Wenxin.

01Lista final

Claude Code (Claude Opus 5.5)

ChatGPT Work (antes ChatGPT agent)

Agentes de Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

OpenAI Codex

Devin (Cognition AI)

Agentes de Microsoft Copilot Studio y Microsoft 365 Copilot

Manus

Agente de Cursor

Perplexity Comet

GitHub Copilot, agente de programación

02Más sobre los tres primeros

1Claude Code (Claude Opus 5.5)

¿Sabía que…?

2ChatGPT Work (antes ChatGPT agent)

¿Sabía que…?

3Agentes de Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

¿Sabía que…?

Los tres primeros, lado a lado

Más rankings

03Vale la pena saber

04Cómo lo calculamos

1La pregunta

2Por qué este tema

3Dónde aplica

4Qué miramos

5Quién clasificó

6Cómo se fijaron los puestos

05La lista de cada IA

Lo que notó ChatGPT

Lo que notó Meta

Lo que notó Grok

Lo que notó StepFun

Lo que notó Kimi

Lo que notó DeepSeek

Lo que notó Wenxin