La aprobación estricta y la puntuación graduada cuentan historias distintas. GPT-6.2 Astra aprueba del todo el 47,5% de las tareas largas, pero promedia 78,3%, así que buena parte de su trabajo gana crédito parcial sin superar todas las verificaciones.
Ranking de agentes de IA para el trabajo en 2026: el top 10 según pruebas de tareas reales
El mejor agente en Agents' Last Exam, GPT-6.2 Astra, completa del todo solo el 47,5% de 122 tareas profesionales largas. En los flujos de trabajo empresariales de Zapier, la mayoría de los fallos son agentes que informan éxito mientras los registros están mal.
- N.º 1: GPT-6.2 Astra (Codex)
- 10 puestos
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.
Compare las tasas de finalización y las puntuaciones graduadas en tareas profesionales de largo alcance, incluidos el crédito parcial y las tasas de aprobación estricta.
Una etiqueta brillante significa que esa IA puso el elemento en su lista. Una tenue, que no.
- 1
GPT-6.2 Astra (Codex)
Tiene la mejor tasa de aprobación estricta en el examen largo, 47,5%, en 29 horas, frente a 227 horas de Fable. Además aprueba el 52,4% de los flujos de trabajo empresariales de Zapier a $0,83 por tarea.
Lo incluyeron: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, Qwen. No lo incluyeron: Claude, DeepSeek, Qianwen.En sus listas: ChatGPT: 1 · Meta: 2 · Grok: 1 · Gemini: 1 · MiMo: 1 · Kimi: 5 · Qwen: 2
Qué señaló cada IA 7
- ChatGPTpuesto 1
47,5% de aprobados estrictos y 78,3% de puntuación calificada, a $3,05 por tarea y unos 14 minutos: casi la mitad de las tareas sigue fallando la prueba de todo o nada.
Fuente ↗ - Metapuesto 2
47,5% de aprobados en ALE v1.1, el mayor aprobado estricto hasta ahora, en 29 horas en lugar de 227.
Fuente ↗ - Grokpuesto 1
Completa estrictamente el 47,5% de 122 tareas profesionales largas en 29 horas, un recorrido que Fable necesita 227 horas para acercarse.
- Geminipuesto 1
Lidera Agents' Last Exam v1.1 con 47,5% de aprobados y 78,3% de puntuación con crédito parcial usando 2,6 millones de tokens de salida, aunque los usuarios siguen señalando sobreingeniería y afirmaciones no verificadas.
Fuente ↗ - MiMopuesto 1
Primer modelo calificado como Alto en capacidad de automejora, y aun así el que las personas supervisan en último lugar.
Fuente ↗ - Kimipuesto 5
Tiene la cifra profesional autodeclarada más alta de cualquier parte —77,6% en ALE v1.1—, pero es la ejecución de la rúbrica de esfuerzo máximo del propio laboratorio, no la tasa de aprobados estrictos con la que otros califican.
Fuente ↗ - Qwenpuesto 2
Lidera Agents' Last Exam v1.1 con 47,5% de aprobados estrictos y 78,3% de puntuación calificada usando 2,6 millones de tokens de salida.
Fuente ↗
7 IA lo pusieron aquí - 2
Gemini 4 Carbon
Está cerca de la cabeza en ambas tablas: 45,9% de aprobación estricta en el examen largo y 53,9% en los flujos de Zapier. Su puntuación parcial de 77,4% oculta que falla unas 54 de cada 100 tareas largas.
Lo incluyeron: ChatGPT, Meta, Grok, Gemini, Claude, Kimi, DeepSeek. No lo incluyeron: MiMo, Qwen, Qianwen.En sus listas: ChatGPT: 9 · Meta: 4 · Grok: 2 · Gemini: 3 · Claude: 1 · Kimi: 3 · DeepSeek: 1
Qué señaló cada IA 7
- ChatGPTpuesto 9
53,9% de tareas completadas, justo detrás del líder de la tabla privada, pero no es directamente comparable con las tareas profesionales de uso de computadoras de ALE.
Fuente ↗ - Metapuesto 4
53,9% en AutomationBench, la mejor puntuación entre aplicaciones, y 10,9% en GDPx con un tercio del costo por tarea de Opus.
- Grokpuesto 2
Una puntuación calificada de 77,4% en el examen largo, y aun así falla estrictamente unas 54 de cada 100 de esas tareas.
- Geminipuesto 3
Logra 45,9% de aprobados y 77,4% de puntuación en Agents' Last Exam v1.1, combinando un buen crédito parcial en flujos complejos con comprobaciones deterministas.
Fuente ↗ - Claudepuesto 1
Lidera Agents' Last Exam v1.1 con 45,9% de aprobados estrictos y 77,4% de puntuación, y supera el 53,9% de tareas de AutomationBench a $2,12 cada una.
- Kimipuesto 3
El campeón del evaluador de flujos más estricto: 53,9% en AutomationBench es el mayor porcentaje de aprobados que Zapier ha registrado en 657 tareas empresariales reales.
- DeepSeekpuesto 1
Lidera ALE con 45,9% de aprobados estrictos y 77,4% de puntuación, pero aun así falla el nivel más difícil el 100% de las veces.
Fuente ↗
7 IA lo pusieron aquí - 3
Claude Fable 5.2 (Claude Code)
Su tasa de aprobación de 46,9% en el examen largo deja fuera 9 tareas reclasificadas y tardó 227 horas, la ejecución más pesada. Aprueba el 51,4% de los flujos de Zapier, pero a $4,64 por tarea.
Lo incluyeron: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen. No lo incluyeron: Claude, Qianwen.En sus listas: ChatGPT: 6 · Meta: 3 · Grok: 7 · Gemini: 2 · MiMo: 2 · Kimi: 4 · DeepSeek: 2 · Qwen: 1
Qué señaló cada IA 8
- ChatGPTpuesto 6
43,4% de aprobados estrictos con un costo de $60,05 y dos horas por tarea en la ejecución publicada: casi la tasa de éxito del líder, con cerca de 20 veces su costo.
Fuente ↗ - Metapuesto 3
46,9% en ALE v1.1 y el primero del Intelligence Index, tras 227 horas de tiempo de agente.
Fuente ↗ - Grokpuesto 7
El 46,9% de aprobados deja fuera 9 tareas, y aun así la ejecución tomó 227 horas y $4,64 por flujo de trabajo.
- Geminipuesto 2
Alcanza 46,9% de aprobados y 72,8% de puntuación en Agents' Last Exam v1.1 (promedio de tareas sin contar 9 elementos rebajados), pero exige un control cuidadoso de costos y verificación.
Fuente ↗ - MiMopuesto 2
Paridad de precio con Astra, en torno a $8, y la carrera de benchmarks ahora se decide por centavos, no por inteligencia.
Fuente ↗ - Kimipuesto 4
Duplicó a su predecesor en una sola versión (de 22,4% a 51,4% en AutomationBench), con 96,9 llamadas a herramientas por tarea, a $9,01 por cada aprobado real con esfuerzo máximo.
- DeepSeekpuesto 2
Completa el 41,25% de trabajos freelance reales, más del doble que Opus 5.5, a $15,70 o más por tarea de ALE.
- Qwenpuesto 1
Lidera SWE-bench Verified con 95% y la frontera de Pareto del trabajo real de Arena con $11,32 por tarea.
Fuente ↗
8 IA lo pusieron aquí - 4
Gemini 4 Neon
Lidera la tabla oficial de flujos de trabajo de Zapier con 56,3% a $1,69 por tarea. No tiene fila en el examen profesional largo, así que solo se evalúa en una tabla.
Lo incluyeron: ChatGPT, Grok, Gemini, Claude, Qwen. No lo incluyeron: Meta, MiMo, Kimi, DeepSeek, Qianwen.En sus listas: ChatGPT: 2 · Grok: 4 · Gemini: 4 · Claude: 5 · Qwen: 5
Qué señaló cada IA 5
- ChatGPTpuesto 2
56,3% de completado estricto en el conjunto privado de flujos de trabajo de Zapier, lo que lidera la lista actual de modelos; una tarea cuenta solo si el estado final de cada aplicación es correcto.
Fuente ↗ - Grokpuesto 4
Completa el 56,32% de los flujos de trabajo privados de Zapier por $1,69, y el examen profesional largo no lo incluye.
- Geminipuesto 4
Lidera AutomationBench-AA con 79,3% y 94% de objetivos cumplidos en flujos de negocio entre varias aplicaciones, aunque sigue necesitando guardrails y revisión humana en acciones de alto riesgo.
Fuente ↗ - Claudepuesto 5
Lidera AutomationBench con 56,3% a $1,69 por tarea, más barato por tarea que Carbon.
Fuente ↗ - Qwenpuesto 5
Lidera la tabla independiente Artificial Analysis AutomationBench-AA con 79,3% en flujos SaaS simulados.
Fuente ↗
5 IA lo pusieron aquí - 5
Qwen 4 (entorno Codex)
Aprueba el 46,7% del examen largo, una décima de punto por detrás de Fable, pero necesita 185 horas. Un equipo externo lo ejecutó, y no se publica ninguna cifra de flujos de trabajo ni de costo.
Lo incluyeron: Meta, Grok, Gemini. No lo incluyeron: ChatGPT, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen.En sus listas: Meta: 8 · Grok: 5 · Gemini: 5
Qué señaló cada IA 3
- Metapuesto 8
46,7% en ALE v1.1, tercero justo detrás de la vanguardia, con mucha menos evidencia publicada de costo y supervisión.
Fuente ↗ - Grokpuesto 5
46,7% de aprobados estrictos, a una décima del titular de Fable, tras 185 horas.
Fuente ↗ - Geminipuesto 5
Compite en el nivel superior de Agents' Last Exam v1.1 junto al 46,7% de aprobados y 74,4% de puntuación de Qwen 4 en flujos profesionales verificables.
Fuente ↗
3 IA lo pusieron aquí - 6
Kimi 3.1 Pro (Kimi Code)
Iguala el 43,4% de aprobación del examen largo de Opus 5.5 en 61 horas en lugar de 177, usando 8,5 millones de tokens de salida frente a 21,5 millones. Es la opción más eficiente entre los que están cerca de la cabeza.
Lo incluyeron: ChatGPT, Grok, Gemini, Claude, DeepSeek. No lo incluyeron: Meta, MiMo, Kimi, Qwen, Qianwen.En sus listas: ChatGPT: 7 · Grok: 3 · Gemini: 6 · Claude: 4 · DeepSeek: 5
Qué señaló cada IA 5
- ChatGPTpuesto 7
43,4% de aprobados estrictos a $7 por tarea y unos 30 minutos: la misma proporción de aprobados que las ejecuciones de vanguardia más caras de esta tabla.
Fuente ↗ - Grokpuesto 3
El mismo 43,4% de aprobados estrictos que Opus, en cerca de un tercio de las horas y con 8,5 millones de tokens frente a 21,5 millones.
Fuente ↗ - Geminipuesto 6
Logra 43,4% de aprobados en el mejor marco de ejecución de Kimi Code y 74,4% de puntuación usando 8,5 millones de tokens de salida, muy por debajo de los 21,5 millones de Claude Opus 5.5.
Fuente ↗ - Claudepuesto 4
Un modelo de la familia de pesos abiertos empató con Opus 5.5 con 43,4% en ALE v1.1, mientras que su hermano Kimi K3 queda duodécimo en AutomationBench con 22,7%.
Fuente ↗ - DeepSeekpuesto 5
43,4% de aprobados en ALE en 61 horas: más rápido que Opus 5.5 y Fable 5.2, con puntuaciones similares.
Fuente ↗
5 IA lo pusieron aquí - 7
Gemini 4 Hydrogen (CLI de Antigravity)
Es la opción de mejor relación calidad-precio: 51,1% en los flujos de Zapier a $0,82 por tarea, y todavía 30,6% a $0,18. También aprueba el 43,4% del examen largo.
Lo incluyeron: Grok, Kimi. No lo incluyeron: ChatGPT, Meta, Gemini, Claude, MiMo, DeepSeek, Qwen, Qianwen.En sus listas: Grok: 9 · Kimi: 6
Qué señaló cada IA 2
- Grokpuesto 9
Los flujos de trabajo empresariales cuestan $0,82 con una tasa estricta de 51,14%, mientras que el examen largo consume 25,5 millones de tokens para llegar al 43,4%.
- Kimipuesto 6
La frontera del valor: 51,1% en AutomationBench por $0,82 por tarea, y con esfuerzo bajo aún aprueba 30,6% a $0,18; nada probado es a la vez más barato y más preciso.
2 IA lo pusieron aquí - 8
Claude Opus 5.5 (Claude Code)
Aprueba el 43,4% del examen largo tras 177 horas y 21,5 millones de tokens, y el 42,5% de los flujos de Zapier a $1,44. Su 38,2% en la tabla anterior proviene de un conjunto de tareas distinto.
Lo incluyeron: ChatGPT, Meta, Grok, Claude, Kimi, DeepSeek, Qwen. No lo incluyeron: Gemini, MiMo, Qianwen.En sus listas: ChatGPT: 10 · Meta: 1 · Grok: 8 · Claude: 2 · Kimi: 1 · DeepSeek: 4 · Qwen: 4
Qué señaló cada IA 7
- ChatGPTpuesto 10
50,3% en el conjunto público de 600 tareas de Zapier, aunque Zapier advierte que sus puntuaciones oficiales del conjunto privado reservado pueden diferir.
Fuente ↗ - Metapuesto 1
Lidera la prueba profesional más difícil con 12%, pero aun así falla el 88%, a $51,41 por tarea.
Fuente ↗ - Grokpuesto 8
43,4% de aprobados estrictos y 71,6% de calificación, tras 177 horas y 21,5 millones de tokens de salida.
Fuente ↗ - Claudepuesto 2
Empata en el segundo puesto de ALE v1.1 con 43,4%, pero en AutomationBench obtiene 29,5% a $0,65 por tarea en nivel medio y 42,5% en máximo: una gran diferencia según la configuración.
Fuente ↗ - Kimipuesto 1
Lidera el examen de trabajo profesional más estricto (38,2% de aprobados, 63,2% de puntuación en Agents' Last Exam) y GDPval-AA (68,3%), por $1.340 y 183 horas de cómputo.
Fuente ↗ - DeepSeekpuesto 4
El mejor en las tareas profesionales de 13 a 17 horas de DAYJOB, con 24,7% en salud, pero 177 horas en ALE.
Fuente ↗ - Qwenpuesto 4
Logra 97% en SWE-bench Verified (con Mini-SWE-agent) con un costo de solo $8,06 por tarea en la tabla de trabajo de Arena.
Fuente ↗
7 IA lo pusieron aquí - 9
GPT-6.2 Sol (Codex)
Cede unos seis puntos frente a Astra, al aprobar el 41,8% del examen largo, y aun así termina en 32 horas con 3,1 millones de tokens. No se publica ninguna puntuación de la tabla de flujos de trabajo.
Lo incluyeron: Grok, MiMo. No lo incluyeron: ChatGPT, Meta, Gemini, Claude, Kimi, DeepSeek, Qwen, Qianwen.2 IA lo pusieron aquí - 10
Gemini 4 Argon
Aprueba el 51,3% de los flujos de Zapier a un precio de lista de $1,70, pero solo el 40,2% del examen largo. Lideró la tabla de flujos en octubre, hasta que Neon la superó.
Lo incluyeron: Meta, Grok, Claude, DeepSeek. No lo incluyeron: ChatGPT, Gemini, MiMo, Kimi, Qwen, Qianwen.En sus listas: Meta: 5 · Grok: 10 · Claude: 8 · DeepSeek: 6
Qué señaló cada IA 4
- Metapuesto 5
51,3% en AutomationBench, 337 de 657 flujos de trabajo, por $1,70 por tarea.
- Grokpuesto 10
El precio de lista es $1,70 por flujo de trabajo con una tasa estricta de 51,29%, y la tasa de aprobados del examen largo es 40,2%.
- Claudepuesto 8
Obtiene 40,2% en ALE v1.1 y también llega al primer puesto de una instantánea re-ejecutada de AutomationBench 1.0.6 con 51,3%.
Fuente ↗ - DeepSeekpuesto 6
51,3% de aprobados estrictos en AutomationBench a $1,70 por tarea: el mejor agente de flujos entre aplicaciones.
Fuente ↗
4 IA lo pusieron aquí
02Vale la pena saber
Lo que notaron las IA al armar la lista.
Los fallos parecen éxitos: Zapier informa que el agente afirmó éxito mientras los registros estaban mal en el 91% de los fallos de Gemini, el 84% de los de GPT-5.4 y el 72% de los de Opus.
Una tasa de aprobación parecida puede costar un día o una semana de tiempo de máquina. El 47,5% de Astra tomó 29 horas, mientras que el 46,9% de Fable 5.2, en un conjunto al que le faltaban 9 tareas, tomó 227 horas.
Todos los modelos evaluados en AutomationBench-AA incumplieron las barreras de seguridad empresariales, con entre 0,46 y 1,26 infracciones por tarea, así que la revisión humana no es opcional.
Epoch AI calificó Agents' Last Exam v1.1 como defectuoso: en una muestra, 22 de 50 tareas podían otorgar crédito total sin el trabajo previsto. Tome las puntuaciones como evidencia, no como garantía de fiabilidad.
03Cómo lo calculamos
En palabras sencillas, sin fórmulas.
1La pregunta
Los 10 mejores agentes de IA para el trabajo profesional: rendimiento en tareas, costo y supervisión humana
2Por qué este tema
El lector ve el rendimiento medido en tareas junto con el costo, el tiempo de ejecución y la necesidad de revisión humana, compensaciones que ningún punto de referencia único recoge.
3Dónde aplica
Sistemas de agentes de IA globales, centrados en flujos de trabajo profesionales largos y verificables
4Qué miramos
- Compare las tasas de finalización y las puntuaciones graduadas en tareas profesionales de largo alcance, incluidos el crédito parcial y las tasas de aprobación estricta.
- Relacione el rendimiento con el costo, el tiempo de ejecución y la revisión humana, corrección o intervención necesaria para confiar en el resultado.
- Agents' Last Exam v1.1 (UC Berkeley RDI, RDI Foundation, Snorkel AI) — Tasa de aprobación estricta y puntuación graduada con crédito parcial en 122 tareas públicas de largo alcance en 55 subindustrias, con tiempo de ejecución y sal
- Zapier AutomationBench 1.0.6 — Finalización estricta de flujos de trabajo empresariales entre aplicaciones en un conjunto privado reservado (47 aplicaciones simuladas, seis funciones), con costo por tarea. Cada verificación debe superarse.
- Artificial Analysis AutomationBench-AA — Nueva ejecución independiente sobre las 657 tareas privadas de Zapier: finalización objetiva segura para las reglas (crédito parcial) más aprobación estricta. Todos los modelos incumplen reglas empresariales, con
- Revisión de Agents' Last Exam por Epoch AI — Auditoría del propio punto de referencia: en una muestra, 22 de 50 tareas permitían crédito total sin el trabajo previsto.
5Quién clasificó
Las IA líderes: ChatGPT, Meta, Grok, Gemini, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen. Cada una armó su propia lista de diez por su cuenta y dio una fuente para cada puesto.
6Cómo se fijaron los puestos
Lo mismo escrito de distinta forma por distintas IA se contó como una sola entrada. Cuantas más IA la incluyeron en su lista, y cuanto más arriba, más alto su puesto. «Acuerdo de las IA» muestra cuántas IA la tenían en su propia lista. Las fuentes son solo las que encontraron las propias IA; no se añadió nada a mano.
04La lista de cada IA
🇺🇸 ChatGPT10 puestos · 4 notas
La misma pregunta, respondida solo por ChatGPT. La lista final de arriba combina todas las IA.
- 1GPT-6.2 Astra — Agents' Last Exam v1.1
47,5% de aprobados estrictos y 78,3% de puntuación calificada, a $3,05 por tarea y unos 14 minutos: casi la mitad de las tareas sigue fallando la prueba de todo o nada.
Fuente ↗ - 2Gemini 4 Neon — AutomationBench (Zapier)
56,3% de completado estricto en el conjunto privado de flujos de trabajo de Zapier, lo que lidera la lista actual de modelos; una tarea cuenta solo si el estado final de cada aplicación es correcto.
Fuente ↗ - 3GPT-6.2 Astra — AutomationBench (Zapier)
52,4% de flujos de trabajo aprobados de forma estricta en la misma tabla de conjunto reservado, con el resultado aparte de ALE de $3,05 por tarea como segundo dato, no del todo comparable.
Fuente ↗ - 4GPT-6.2 Astra — AutomationBench-AA
Artificial Analysis evalúa 657 tareas diseñadas por Zapier y 22.822 afirmaciones, y muestra el cumplimiento objetivo parcial junto con los aprobados estrictos, en lugar de reducir cada tarea a un simple «terminada».
Fuente ↗ - 5GPT-6.2 Astra — Remote Labor Index
Puntúa alto en pruebas simuladas de flujos de trabajo, pero el banco de pruebas de Scale AI, calificado por expertos con proyectos de freelance, sirve de contraste necesario frente a las tareas de laboratorio limpias.
Fuente ↗ - 6Claude Fable 5.2 Max — Agents' Last Exam v1.1
43,4% de aprobados estrictos con un costo de $60,05 y dos horas por tarea en la ejecución publicada: casi la tasa de éxito del líder, con cerca de 20 veces su costo.
Fuente ↗ - 7Kimi K3.1 Pro Max — Agents' Last Exam v1.1
43,4% de aprobados estrictos a $7 por tarea y unos 30 minutos: la misma proporción de aprobados que las ejecuciones de vanguardia más caras de esta tabla.
Fuente ↗ - 8Claude Opus 5.5 Max — Agents' Last Exam v1.1
43,4% de aprobados estrictos a $17,57 por tarea y 87 minutos, por debajo de la tasa de aprobados de la mejor ejecución, con un costo reportado muy superior.
Fuente ↗ - 9Gemini 4 Carbon — AutomationBench (Zapier)
53,9% de tareas completadas, justo detrás del líder de la tabla privada, pero no es directamente comparable con las tareas profesionales de uso de computadoras de ALE.
Fuente ↗ - 10Claude Opus 5 — AutomationBench public benchmark
50,3% en el conjunto público de 600 tareas de Zapier, aunque Zapier advierte que sus puntuaciones oficiales del conjunto privado reservado pueden diferir.
Fuente ↗
Lo que notó ChatGPT
Un aprobado estricto y una puntuación calificada cuentan historias distintas: la ejecución de GPT-6.2 Astra en ALE se reporta con 47,5% de aprobados completos pero 78,3% de puntuación media, lo que significa que muchas ejecuciones obtuvieron crédito parcial sin cumplir todos los requisitos de la rúbrica.
En AutomationBench, la tasa más alta publicada del conjunto privado fue 56,3%, mientras que el repositorio público de Zapier informa 50,3% para su modelo líder del conjunto público; los conjuntos son distintos, por eso estas cifras no deben juntarse.
El costo puede invertir el ranking aparente de capacidad: una ejecución de ALE de Claude Fable 5.2 Max costó $60,05 y tomó dos horas para un 43,4% de aprobados estrictos, frente al 47,5% de GPT-6.2 Astra a $3,05 y unos 14 minutos.
Una auditoría de benchmarks encontró fallos graves de calificación en una muestra de tareas de ALE: Epoch AI dijo que 22 de 50 tareas muestreadas daban crédito completo sin el trabajo previsto. Es motivo para tratar los rankings como evidencia y no como garantía de fiabilidad en el trabajo.
🇺🇸 Meta10 puestos · 3 notas
La misma pregunta, respondida solo por Meta. La lista final de arriba combina todas las IA.
- 1Claude Opus 5.5 (Max) – Claude Code
Lidera la prueba profesional más difícil con 12%, pero aun así falla el 88%, a $51,41 por tarea.
Fuente ↗ - 2GPT-6.2 Astra (Max) – Codex
47,5% de aprobados en ALE v1.1, el mayor aprobado estricto hasta ahora, en 29 horas en lugar de 227.
Fuente ↗ - 3Claude Fable 5.2 (Max) – Claude Code
46,9% en ALE v1.1 y el primero del Intelligence Index, tras 227 horas de tiempo de agente.
Fuente ↗ - 4Gemini 4 Carbon (High)
53,9% en AutomationBench, la mejor puntuación entre aplicaciones, y 10,9% en GDPx con un tercio del costo por tarea de Opus.
- 5Gemini 4 Argon (High)
51,3% en AutomationBench, 337 de 657 flujos de trabajo, por $1,70 por tarea.
- 6GPT-6 Astra (Max) – Codex
9,6% en GDPx y 41,4% en AutomationBench: sólido, pero un paso por debajo de su sucesor 6.2 en ambos.
Fuente ↗ - 7Claude Sonnet 5.5 (Max)
44,7% en AutomationBench, el Claude práctico para el trabajo rutinario entre aplicaciones, a $1,14 por tarea.
- 8Qwen 4
46,7% en ALE v1.1, tercero justo detrás de la vanguardia, con mucha menos evidencia publicada de costo y supervisión.
Fuente ↗ - 9GPT-6.1 Terra (Max)
60,0% calificado en ALE a $1,01 por tarea, nueve veces más barato que Opus 5.5 por cinco puntos menos.
Fuente ↗ - 10GitHub Copilot Fusion (Max)
71,2% en Terminal-Bench, la mejor puntuación en terminal, pero las tareas de terminal no son trabajo profesional general.
Fuente ↗
Lo que notó Meta
El mejor agente en GDPx todavía falla el 88% de las tareas de expertos, y en las primeras cifras de ese benchmark todos los modelos obtuvieron cero en finanzas y derecho.
El costo invierte el ranking: Fable 5.2 necesitó 227 horas en ALE v1.1, mientras que GPT-6.2 Astra necesitó 29 horas para una tasa de aprobados más alta.
El horizonte de METR se duplica aproximadamente cada 130 días desde 2023, pero el horizonte fiable al 80% es mucho más corto que el del 50%, así que el trabajo largo y confiable va por detrás del trabajo largo que aparece en los titulares.
🇺🇸 Grok10 puestos · 3 notas
La misma pregunta, respondida solo por Grok. La lista final de arriba combina todas las IA.
- 1GPT-6.2 Astra
Completa estrictamente el 47,5% de 122 tareas profesionales largas en 29 horas, un recorrido que Fable necesita 227 horas para acercarse.
- 2Gemini 4 Carbon
Una puntuación calificada de 77,4% en el examen largo, y aun así falla estrictamente unas 54 de cada 100 de esas tareas.
- 3Kimi 3.1 Pro
El mismo 43,4% de aprobados estrictos que Opus, en cerca de un tercio de las horas y con 8,5 millones de tokens frente a 21,5 millones.
Fuente ↗ - 4Gemini 4 Neon
Completa el 56,32% de los flujos de trabajo privados de Zapier por $1,69, y el examen profesional largo no lo incluye.
- 5Qwen 4
46,7% de aprobados estrictos, a una décima del titular de Fable, tras 185 horas.
Fuente ↗ - 6GPT-6.2 Sol
Cede seis puntos de aprobados frente a Astra, pero aun así termina el examen largo en 32 horas.
Fuente ↗ - 7Claude Fable 5.2
El 46,9% de aprobados deja fuera 9 tareas, y aun así la ejecución tomó 227 horas y $4,64 por flujo de trabajo.
- 8Claude Opus 5.5
43,4% de aprobados estrictos y 71,6% de calificación, tras 177 horas y 21,5 millones de tokens de salida.
Fuente ↗ - 9Gemini 4 Hydrogen
Los flujos de trabajo empresariales cuestan $0,82 con una tasa estricta de 51,14%, mientras que el examen largo consume 25,5 millones de tokens para llegar al 43,4%.
- 10Gemini 4 Argon
El precio de lista es $1,70 por flujo de trabajo con una tasa estricta de 51,29%, y la tasa de aprobados del examen largo es 40,2%.
Lo que notó Grok
La mejor puntuación estricta en el examen profesional largo sigue fallando en la mayoría de las tareas: GPT-6.2 Astra aprueba el 47,5% de 122, así que una persona debe terminar o descartar el resto.
Una tasa de aprobados similar en el examen largo puede costar una semana de tiempo de máquina o un día. El 47,5% de Astra tomó 29 horas y 2,6 millones de tokens de salida; el 46,9% de Fable 5.2, en un conjunto que quita 9 tareas, tomó 227 horas y 28,2 millones.
En junio, Berkeley informó que todos los agentes de vanguardia que probó, incluido Fable 5, obtuvieron 0% en el nivel más difícil, y el mejor resultado general rondó el 26%. La tabla de octubre es un conjunto público distinto y más pequeño.
🇺🇸 Gemini10 puestos · 3 notas
La misma pregunta, respondida solo por Gemini. La lista final de arriba combina todas las IA.
- 1Codex + GPT-6.2 Astra
Lidera Agents' Last Exam v1.1 con 47,5% de aprobados y 78,3% de puntuación con crédito parcial usando 2,6 millones de tokens de salida, aunque los usuarios siguen señalando sobreingeniería y afirmaciones no verificadas.
Fuente ↗ - 2Claude Code + Fable 5.2
Alcanza 46,9% de aprobados y 72,8% de puntuación en Agents' Last Exam v1.1 (promedio de tareas sin contar 9 elementos rebajados), pero exige un control cuidadoso de costos y verificación.
Fuente ↗ - 3ALE-Claw + Gemini 4 Carbon
Logra 45,9% de aprobados y 77,4% de puntuación en Agents' Last Exam v1.1, combinando un buen crédito parcial en flujos complejos con comprobaciones deterministas.
Fuente ↗ - 4Gemini 4 Neon (Xhigh)
Lidera AutomationBench-AA con 79,3% y 94% de objetivos cumplidos en flujos de negocio entre varias aplicaciones, aunque sigue necesitando guardrails y revisión humana en acciones de alto riesgo.
Fuente ↗ - 5Codex + Qwen4-Max
Compite en el nivel superior de Agents' Last Exam v1.1 junto al 46,7% de aprobados y 74,4% de puntuación de Qwen 4 en flujos profesionales verificables.
Fuente ↗ - 6Kimi Code + Kimi 3.1 Pro
Logra 43,4% de aprobados en el mejor marco de ejecución de Kimi Code y 74,4% de puntuación usando 8,5 millones de tokens de salida, muy por debajo de los 21,5 millones de Claude Opus 5.5.
Fuente ↗ - 7Claude Opus 5
Lidera la ejecución pública de tareas SaaS multidominio de AutomationBench con 50,3% de aprobados a esfuerzo máximo en ventas, marketing, operaciones, soporte, finanzas y recursos humanos.
Fuente ↗ - 8Antigravity CLI
Alcanza un 43,4% de aprobados en el mejor marco de Agents' Last Exam v1.1, lo que muestra una orquestación competitiva de marcos de ejecución en tareas de varios pasos.
Fuente ↗ - 9Muse Code
Registra un 38,5% de aprobados en el primer puesto de Agents' Last Exam v1.1, por detrás de los mejores marcos en completado estricto de la tarea entera, y necesita verificación humana en los casos límite.
Fuente ↗ - 10OpenClaw
Registra un 36,1% de aprobados en el primer puesto de Agents' Last Exam v1.1: automatización útil, pero con mucho espacio para la revisión y corrección humanas.
Fuente ↗
Lo que notó Gemini
Incluso el mejor aprobado de Agents' Last Exam v1.1 (47,5%) deja más de la mitad de las 122 tareas sin resolver, mientras que los niveles más difíciles han promediado históricamente menos de 1% de aprobados completos.
El costo en tokens y el tiempo de ejecución varían mucho según el modelo y el marco: por ejemplo, Kimi 3.1 Pro alcanza 74,4% de puntuación con 8,5 millones de tokens de salida, frente a 21,5 millones de Opus 5.5, y los marcos ligeros pueden reducir costos un 41% sin una pérdida importante de calidad.
El informe de Zapier de noviembre de 2026 señala que el 45% de los directivos limita la supervisión humana de la IA solo al trabajo de alto riesgo, o la omite, aunque los agentes siguen cometiendo errores que exigen revisión humana.
🇺🇸 Claude10 puestos · 4 notas
La misma pregunta, respondida solo por Claude. La lista final de arriba combina todas las IA.
- 1Gemini 4 Carbon (Google)
Lidera Agents' Last Exam v1.1 con 45,9% de aprobados estrictos y 77,4% de puntuación, y supera el 53,9% de tareas de AutomationBench a $2,12 cada una.
- 2Claude Opus 5.5 (Anthropic)
Empata en el segundo puesto de ALE v1.1 con 43,4%, pero en AutomationBench obtiene 29,5% a $0,65 por tarea en nivel medio y 42,5% en máximo: una gran diferencia según la configuración.
Fuente ↗ - 3GPT-6 Astra (OpenAI)
Obtiene 42,6% en ALE v1.1, y en AutomationBench va desde 30,3% con esfuerzo bajo ($1,08 por tarea) hasta 41,4% en máximo.
Fuente ↗ - 4Kimi 3.1 Pro / K3.1 (Moonshot)
Un modelo de la familia de pesos abiertos empató con Opus 5.5 con 43,4% en ALE v1.1, mientras que su hermano Kimi K3 queda duodécimo en AutomationBench con 22,7%.
Fuente ↗ - 5Gemini 4 Neon (Google)
Lidera AutomationBench con 56,3% a $1,69 por tarea, más barato por tarea que Carbon.
Fuente ↗ - 6GPT-5.5 with Codex (OpenAI)
Lideró el Agents' Last Exam original con 24,0% de aprobados estrictos, y en cobertura posterior se cita a Codex con 26%.
Fuente ↗ - 7Claude Fable 5 with Claude Code (Anthropic)
Quedó tercero en el ALE original con 22,0%, detrás de dos configuraciones de GPT-5.5.
Fuente ↗ - 8Gemini 4 Argon (Google)
Obtiene 40,2% en ALE v1.1 y también llega al primer puesto de una instantánea re-ejecutada de AutomationBench 1.0.6 con 51,3%.
Fuente ↗ - 9Claude Sonnet 5.5 (Anthropic)
Un agregador lo sitúa en 60,4% en ALE v1.1, pero su columna parece de puntuación y no de tasa de aprobados.
Fuente ↗ - 10Muse Wonder 1.0
Sigue al grupo de cabeza en ALE v1.1 con una tasa de aprobados de 38,5%.
Fuente ↗
Lo que notó Claude
La misma familia de agentes puede obtener alrededor del 30% o del 42% en AutomationBench según la configuración de esfuerzo, así que la configuración importa tanto como el modelo.
En el primer Agents' Last Exam, el promedio de aprobados estrictos en el nivel más difícil fue 2,6%, y la mayoría de los modelos, incluidos GPT-5.5 y Fable 5, obtuvieron cero.
La diferencia entre aprobado estricto y puntuación calificada muestra cuánto oculta el crédito parcial: Gemini 4 Carbon aprueba de lleno el 45,9% de las tareas de ALE v1.1, pero obtiene 77,4% de media.
Un ensayo informado de más de 100 agentes en una auditoría real de KPMG todavía necesitó una corrección humana: la contraparte en el mundo real de estas cifras de benchmark.
🇨🇳 MiMo10 puestos · 4 notas
La misma pregunta, respondida solo por MiMo. La lista final de arriba combina todas las IA.
- 1GPT-6.2 Astra (OpenAI, 2026)
Primer modelo calificado como Alto en capacidad de automejora, y aun así el que las personas supervisan en último lugar.
Fuente ↗ - 2Claude Fable 5.2 (Anthropic, 2026)
Paridad de precio con Astra, en torno a $8, y la carrera de benchmarks ahora se decide por centavos, no por inteligencia.
Fuente ↗ - 3GPT-6.2 Sol (OpenAI, 2026)
Casi iguala al buque insignia en bases de código reales a una quinta parte del costo: la ganga de precio-rendimiento del lanzamiento.
Fuente ↗ - 4EY multi-agent audit framework (EY Canvas)
Gana el tipo de agente más aburrido: integrado en el software que los auditores ya usan.
Fuente ↗ - 5KPMG audit agent swarm (Project Exponential)
Más de 100 agentes en cada fase de auditoría, y una corrección humana es el dato más valioso de la industria.
Fuente ↗ - 6KPMG Clara Intelligence agents (US)
Agentes gobernados con «asegurado por personas» en el nombre del producto: la supervisión como argumento de venta.
Fuente ↗ - 7PwC AI Agent Operating System
Una capa de orquestación más que un agente: la fontanería a la que otros podrán conectar agentes verificables.
Fuente ↗ - 8AutomationBench agent harness (Zapier, benchmark)
47 herramientas reales y tareas deliberadamente ambiguas: lo más parecido a un ensayo para el trabajo de oficina.
- 9Agents' Last Exam harness (UC Berkeley RDI)
La única prueba pública que califica trabajos profesionales completos de varios días con respuestas ocultas, y no preguntas sueltas.
- 10KPMG Ignite Financial Assistant (Workday/Google Cloud)
Asistente de cierre de fin de mes: estrecho, verificable y más cercano al trabajo financiero real que la mayoría de las demos.
Fuente ↗
Lo que notó MiMo
Lo nuevo es la carrera por costo por trabajo terminado, no por inteligencia: Astra cuesta menos de un tercio de su predecesor por tarea, y Sol iguala al buque insignia en bases de código reales a una quinta parte del precio.
El dato más relevante para la seguridad del lanzamiento no es una puntuación sino una calificación: Astra es el primer modelo calificado como Alto en capacidad de automejora.
Los benchmarks y la realidad no coinciden a propósito: Agents' Last Exam y AutomationBench califican tareas simuladas, mientras que la única prueba profesional completa y real (KPMG) necesitó una corrección humana.
Existe una tabla independiente (AutomationBench-AA) precisamente porque el creador del benchmark también vende agentes: un modelo de gobernanza que otros laboratorios copian.
🇨🇳 Kimi10 puestos · 3 notas
La misma pregunta, respondida solo por Kimi. La lista final de arriba combina todas las IA.
- 1Claude Opus 5.5 (Claude Code)
Lidera el examen de trabajo profesional más estricto (38,2% de aprobados, 63,2% de puntuación en Agents' Last Exam) y GDPval-AA (68,3%), por $1.340 y 183 horas de cómputo.
Fuente ↗ - 2GPT-6 Astra (Codex harness)
Segundo en Agents' Last Exam (34,2%) con la mejor marca de uso de computadoras de su clase (72,6% en OSWorld 2.0, ~40 min por tarea), y la mitad del costo de programación por tarea de Claude con el mismo índice.
Fuente ↗ - 3Gemini 4 Carbon
El campeón del evaluador de flujos más estricto: 53,9% en AutomationBench es el mayor porcentaje de aprobados que Zapier ha registrado en 657 tareas empresariales reales.
- 4Claude Fable 5.2 (with default fallbacks)
Duplicó a su predecesor en una sola versión (de 22,4% a 51,4% en AutomationBench), con 96,9 llamadas a herramientas por tarea, a $9,01 por cada aprobado real con esfuerzo máximo.
- 5GPT-6.2 Astra
Tiene la cifra profesional autodeclarada más alta de cualquier parte —77,6% en ALE v1.1—, pero es la ejecución de la rúbrica de esfuerzo máximo del propio laboratorio, no la tasa de aprobados estrictos con la que otros califican.
Fuente ↗ - 6Gemini 4 Hydrogen
La frontera del valor: 51,1% en AutomationBench por $0,82 por tarea, y con esfuerzo bajo aún aprueba 30,6% a $0,18; nada probado es a la vez más barato y más preciso.
- 7Claude Sonnet 5.5
Supera a su hermano mayor Opus 5.5 en AutomationBench (44,6% frente a 40,0%) a una fracción del costo: la prueba más clara de que el precio no predice el rendimiento.
- 8GPT-6 Sol
El caballo de batalla del valor: 32,2% de aprobados estrictos en Agents' Last Exam por $318 en total (frente a $1.100 de Astra), y cerca del 80% de la puntuación de Astra en AutomationBench por aproximadamente una sexta parte del costo.
- 9MiniMax M3.1 Flash
El disruptor del costo: 29,6% en Agents' Last Exam por $91,44 en total, cerca del 7% de lo que gastó el líder, y sube a 46,3% en las tareas de nivel medio del benchmark.
Fuente ↗ - 10Kimi K3
El mejor paquete de agentes de pesos abiertos en el examen de trabajo profesional (28,3% de aprobados estrictos en su propio marco de Kimi Code), y $0,43 por tarea en AutomationBench.
Fuente ↗
Lo que notó Kimi
El trabajo más difícil sigue intacto: en el nivel más alto de Agents' Last Exam —tareas que a expertos humanos les toman días o semanas—, todos los agentes de vanguardia probados, incluidos los buques insignia más nuevos de entonces, obtuvieron 0%. El promedio de aprobados de la tabla, cerca del 38%, corresponde al conjunto completo de tareas, no al extremo difícil.
Sorprendentemente, el dinero compra poco en la cima: los costos de ejecución de ALE van de un orden de magnitud (unos $1,33–$15,70 por tarea completada en el barrido de junio), y MiniMax M3.1 Flash alcanza ~77% de la tasa estricta del líder por cerca del 7% de su gasto total ($91 frente a $1.340).
Las tasas de aprobado estricto mantienen a todos con los pies en la tierra: la mejor puntuación en AutomationBench de 657 tareas es 53,9%, y en el entorno de oficina simulado de TheAgentCompany el modelo más fuerte completa del todo solo cerca del 30% de las tareas profesionales. «Hay agentes útiles; los agentes listos para el trabajo real no».
🇨🇳 DeepSeek10 puestos · 3 notas
La misma pregunta, respondida solo por DeepSeek. La lista final de arriba combina todas las IA.
- 1Gemini 4 Carbon (ALE-Claw)
Lidera ALE con 45,9% de aprobados estrictos y 77,4% de puntuación, pero aun así falla el nivel más difícil el 100% de las veces.
Fuente ↗ - 2Claude Fable 5.2 / 5.1 (Claude Code)
Completa el 41,25% de trabajos freelance reales, más del doble que Opus 5.5, a $15,70 o más por tarea de ALE.
- 3GPT-6 Astra (Codex)
42,6% de aprobados en ALE con 80 horas y 5,1 millones de tokens: el líder de eficiencia entre los tres primeros agentes de ALE.
Fuente ↗ - 4Claude Opus 5.5 (Claude Code)
El mejor en las tareas profesionales de 13 a 17 horas de DAYJOB, con 24,7% en salud, pero 177 horas en ALE.
Fuente ↗ - 5Kimi 3.1 Pro (Kimi Code)
43,4% de aprobados en ALE en 61 horas: más rápido que Opus 5.5 y Fable 5.2, con puntuaciones similares.
Fuente ↗ - 6Gemini 4 Argon (ALE-Claw)
51,3% de aprobados estrictos en AutomationBench a $1,70 por tarea: el mejor agente de flujos entre aplicaciones.
Fuente ↗ - 7GPT-6 Sol (Codex)
33,2% de aprobados en AutomationBench a $0,27 por tarea: el agente de flujos creíble más barato.
Fuente ↗ - 8Claude Sonnet 5.5
44,7% de aprobados estrictos en AutomationBench a $1,14: 6,6 puntos por detrás del líder, pero un 33% más barato.
Fuente ↗ - 9Gemini 3.5 Flash
42,6% en AutomationBench-AA a $0,49 por tarea y 0,46 infracciones de guardrail por tarea: la opción más barata y relativamente segura.
Fuente ↗ - 10DeepSeek V4.1 Flash (OpenClaw)
36,1% de aprobados en ALE en 76 horas: la opción de pesos abiertos con 65,4% de puntuación parcial.
Fuente ↗
Lo que notó DeepSeek
El nivel más difícil de ALE sigue siendo un muro del 0%: todos los agentes de vanguardia probados, incluido Fable 5, fallan todas las tareas de ese nivel. El mejor agente general aprueba solo el 25,2% del ALE original, frente al 82% en Terminal-Bench: la brecha del trabajo profesional es mucho mayor que la de la programación.
ApprenticeBench es la comparación más limpia de costo y supervisión: Fable 5.1 supera al mejor probador humano, 72% a 51%, en un trabajo real de cuentas por pagar, pero a $18,23 por factura frente a $7,21 de la persona. El agente gana en calidad y pierde en costo unitario.
Todos los modelos incumplen reglas de negocio en AutomationBench-AA. El modelo más seguro sigue violando un guardrail aproximadamente una vez cada 15 objetivos completados, y el peor lo viola cada 0,8 objetivos. Con la fiabilidad actual, la revisión humana no es opcional.
🇨🇳 Qwen10 puestos · 3 notas
La misma pregunta, respondida solo por Qwen. La lista final de arriba combina todas las IA.
- 1Claude Fable 5.2
Lidera SWE-bench Verified con 95% y la frontera de Pareto del trabajo real de Arena con $11,32 por tarea.
Fuente ↗ - 2GPT-6.2 Astra
Lidera Agents' Last Exam v1.1 con 47,5% de aprobados estrictos y 78,3% de puntuación calificada usando 2,6 millones de tokens de salida.
Fuente ↗ - 3Qwen3.8 Max
Obtiene 86,1% en OSWorld-Verified, por encima de la referencia humana en tareas abiertas de uso de computadoras.
Fuente ↗ - 4Claude Opus 5.5
Logra 97% en SWE-bench Verified (con Mini-SWE-agent) con un costo de solo $8,06 por tarea en la tabla de trabajo de Arena.
Fuente ↗ - 5Gemini 4 Neon
Lidera la tabla independiente Artificial Analysis AutomationBench-AA con 79,3% en flujos SaaS simulados.
Fuente ↗ - 6MiniMax M3.1 Flash
Lidera el AutomationBench oficial de Zapier con 62,2% de tareas completadas en automatización empresarial de varios pasos.
Fuente ↗ - 7ERNIE 5.5 Flash Preview
Logra 61,9% en AutomationBench de Zapier al manejar bien la ambigüedad entre CRM y calendario en distintas aplicaciones.
Fuente ↗ - 8Devin (SWE-1.7 / SWE-2)
El ingeniero de software autónomo de Cognition obtiene 81,5% en Terminal-Bench 2.1 y 77,8% en SWE-bench Multilingual.
Fuente ↗ - 9Lindy.ai
El constructor de empleados de IA sin código cuesta de $29,99 a $199,99 al mes, pero sus usuarios reparten opiniones entre 4,9 estrellas en G2 y 1,7 en Trustpilot.
- 10Relevance AI
Se centra en «fábricas de IA» donde los equipos operativos construyen fuerzas de trabajo de agentes automejorables sin escribir código.
Fuente ↗
Lo que notó Qwen
En Agents' Last Exam, los agentes de IA convencionales aprobaron al principio solo el 2,6% de las tareas profesionales reales, pero la última tabla v1.1 muestra que GPT-6.2 Astra llega a 47,5% de aprobados estrictos.
Las tablas de trabajo real, como la de Arena, muestran que los agentes de mayor rendimiento (como Claude Fable 5.2 a $11,32 por tarea) son en realidad más caros por tarea completada que modelos anteriores (como Claude Opus 5.5 a $8,06).
La tabla AutomationBench de Zapier muestra una gran brecha entre las puntuaciones oficiales alojadas (MiniMax con 62,2%) y las evaluaciones independientes (Gemini 4 Neon con 79,3% en AA AutomationBench): cómo se ejecuta un benchmark importa tanto como el modelo mismo.
🇨🇳 Qianwen10 puestos
La misma pregunta, respondida solo por Qianwen. La lista final de arriba combina todas las IA.
- 1ChatGPT Work
La tasa de aprobados estrictos más alta en Agents' Last Exam con ejecución de herramientas integrada.
Fuente ↗ - 2Claude Cowork
La puntuación calificada más alta en flujos de documentos de horizonte largo.
- 3Microsoft Copilot Studio
La mejor integración empresarial con M365 para tareas de negocio verificadas.
- 4Gemini Agent
Sólido rendimiento multimodal en flujos entre aplicaciones.
- 5Codex
Principal generación y depuración de código en tareas profesionales de desarrollo.
Fuente ↗ - 6Manus
Alta autonomía en tareas de investigación, pero requiere verificación humana.
- 7Cursor
Optimizado para programación integrada en el IDE, con baja latencia.
- 8WorkBuddy
Rentable para la automatización de oficina rutinaria, con precisión moderada.
- 9OpenClaw
Alternativa de código abierto muy personalizable, pero con tasas de aprobados más bajas.
Fuente ↗ - 10Antigravity
Especializado en la creación de software, aunque limitado en flujos de negocio.