OpenAI, Claude y OpenClaw: ¿ya son rentables los agentes de IA?
Publicado no IA Dots ·
Agentes de IAAI SignalAssistente pessoaldot-ai_agentsdot-artificial_intelligencedot-claudedot-dotsdot-openaiEspanholidioma-esyt-a-o4RCcTgSE
Vídeo em Espanhol, publicado pelo canal Rodrigo De La Torre | Vibe Coding & SaaS .
Sobre este contenido: El resumen, los puntos principales y los temas que aparecen a continuación se generan automáticamente a partir de la transcripción del vídeo. Reflejan el contenido, las opiniones, afirmaciones y predicciones presentadas en el vídeo y no representan una posición, validación o verificación de hechos por parte de IA Dots.
Resumen del vídeo
El video analiza el uso actual de los agentes de inteligencia artificial en las empresas, contrastando su alta adopción con los desafíos de seguridad, medición de costos y retorno de inversión. Se presentan datos sobre el rendimiento, la caída en los precios de los modelos, la dificultad de calcular los gastos por tokens y la necesidad de rediseñar los procesos internos para obtener beneficios económicos reales.
Puntos principales
- El uso de agentes de IA ha crecido notablemente en las empresas, aunque muchas organizaciones todavía los prohíben por motivos de seguridad.
- Las encuestas muestran un aumento en la adopción de agentes a escala, pero los datos precisos sobre su retorno de inversión son difíciles de cuantificar.
- El costo por unidad de rendimiento y los precios de los modelos de IA han disminuido drásticamente, aunque el consumo elevado de tokens a menudo incrementa la factura final.
- Medir el rendimiento y el costo real por tarea resulta complejo debido a la falta de estandarización, procesos repetibles y equipos de TI internos.
- El verdadero impacto económico positivo se concentra en las empresas que rediseñan sus procesos por completo para adaptarlos a la era de la inteligencia artificial.
Temas
Agentes de IARetorno de inversiónCostos de tokensRendimiento de modelosProcesos empresarialesAutomatizaciónDesarrollo de software
Transcripción del vídeo
Texto de los subtítulos disponibles; puede contener errores.
Empezó el año pasado como un proyecto de fin de semana, [música] un agente de IA que trabaja por ti desde WhatsApp. Hoy lo conoces como Open Cloud. Y a mediados de este año, según [música] la fundación, nacían 4.5 millones de agentes cada semana. Pero el propio proyecto [música] admite que la mayoría de las empresas las prohíbe por defecto. ¿Adivinas por qué? Exacto. Temas de seguridad. Y ese contraste es el tema del día de hoy. Te traigo datos. ¿Cuántas empresas utilizan agentes de verdad? ¿Cuánto trabajan? ¿Cuánto tiempo aguantan realmente solos? ¿Cuánto cuestan? ¿Y si es que realmente dejan dinero? ¿Cómo podemos cuantificar eso? Bueno, al final te voy a dar tres conclusiones de negocio que en mi experiencia he estado adquiriendo en [música] los últimos años, implementando soluciones de inteligencia artificial. Empiezo con una encuesta de [música] septiembre a unos 300 directivos de empresas de los Estados Unidos que facturan 1,000 millones de dólares o más. El 62% dice que ya construye, desarrolla o pone a trabajar agentes. Un trimestre antes eran 53%. Y otra encuesta, esta vez global con cerca de 2,000 personas de casi 100 países, preguntó [música] algo parecido. Y mira esta gráfica. En las empresas grandes, las que ya utilizan agentes escala, más allá de las pruebas, pasaron del 27% al 40% en un año. En las más pequeñas se quedaron en solo 22%, pero ojo, son [música] encuestas lo que la gente responde, no mediciones reales. Y es que aquí viene [música] un punto importante, cómo cuantificamos algo traiga un retorno de inversión cuando estamos en una etapa de estandarización de la inteligencia [música] artificial que afortunadamente ha llegado. Los arneses, el pront engineering, el context engineering y todos los parámetros deización para crear estos rieles para los agentes. Pero entonces falta la parte de medición, de cuantización porque no ha pasado el suficiente tiempo para dejar que estos sistemas traigan un retorno de inversión real. y pasa en todos los niveles, [música] en altas, medianas y pequeñas empresas. Un pronóstico del año pasado [música] dice que para finales de este año, el 40% de las aplicaciones de empresas tendrán agentes para tareas [música] específicas. Cuando lo publicaron eran menos del 5%. Pero la misma fuente también pronosticó que antes que termine el 2027, [música] más del 40% de los proyectos de agentes se van a cancelar. por costos [música] que crecen, por valor poco claro o controles de riesgo que no alcanzan. Y es que mucho uso, sí, pero mucho abandono también. [música] Y es que lo que separa a uno del otro está en los datos que siguen. Ojo, cuidado. Para medir lo que un solo agente hace, uso los datos de una organización de investigación sin fines de lucro. y es que pone a los agentes a resolver tareas de software y las compara con lo que tardaría un experto humano dentro de la categoría. Su medida principal es la duración de la tarea que un agente completa bien la mitad de las veces. [música] En 2023, GPT4 llegaba a tareas de unos 4 minutos y a principios de este año Cloud Opus 4.6 llegó a unas 12 horas. Y es que desde 2023 esa cifra se duplica más o menos cada 4 meses, que es la curva exponencial que ya hemos venido viendo. Pero ese número tiene una letra pequeña y es que la mitad de las veces es casi echar una moneda al aire. Y es que si le pides acertar ocho de cada 10 veces el mismo cloud, baja unas de unas 12 horas a unos 70 minutos. Y son tareas de software bien definidas. Sus autores advierten que ese trabajo, mientras más desordenado es que los agentes rinden peor. Y es que mi lectura es la siguiente: No delegues a un agente un día entero de trabajo. Pártelo en bloques de alrededor de una hora con una persona que revise entre bloque y bloque. Y cuando alguien te venda un agente, pregúntale por esa cifra del 80%, no por lo que te venden del agente de IA mágico que te va a resolver todos tus problemas. De hecho, el 49% de los directivos de la primera encuesta ya definió casos de alto riesgo donde no dejan decidir a un solo agente. Y si el agente trabaja por bloques, la siguiente pregunta es el precio de cada bloque. Es decir, estamos metiendo procesos de cuantificación para ver el retorno real, no en una tarea larga, en bloques y secciones concretas. El precio por unidad se está desplomando. Según el siguiente estudio, [música] el costo de alcanzar un mismo nivel de desempeño cae alrededor del 47% cada trimestre de [música] desde el 2023, unas 13 veces por año. Y es que su ejemplo, a principios del año pasado, el modelo O3 de Open AI sacaba el 75% en un examen de ciencia de nivel doctorado por unos 30 centavos de dólar por pregunta. En menos de un año y medio después, GPT5 Luna también de Open AI sacó lo mismo por 4 milésimas de centavos de dólar, 725 [música] veces menos. Pero la factura no baja igual. Uno de los autores [música] del estudio global advierte que en el desarrollo de software con agentes, aunque el coste [música] por token bajó, la cantidad de tokens que consumen creció todavía más rápido. Y es que uno de los cada cinco encuestados dice que [música] su empresa ya limita su uso de IA por los costes de operación de tokens incluidos. ¿Ves el patrón? Bueno, en otra encuesta a directivos, solo el 26% dijo saber completo y en tiempo real cuánto cuesta operar su día. Y es que meter estas mediciones es algo que también está en proceso de estandarización. es por eso que se vuelve algo complicado. Pero yo he estado probando Dots, el agente de Open AI que lanzó en septiembre y en mi experiencia no consume tokens más que por las funciones que invoca. Es decir, el realtime boys realmente no te lo están cobrando en la suscripción de $100. Lo que te cobran es las funciones que invoca en sí, por ejemplo, el llamado a una herramienta, búsqueda en internet, etcétera. Así que en lo que he probado, lo que pesa en la cuenta es lo que el agente hace, no la conversación. ¿Y por qué es tan difícil saber si un agente te deja dinero? Yo he estado ahí y te lo digo, medir el coste por tarea y por hora y ver un retorno de inversión es realmente complicado. Primero, en lo que he visto, las empresas apenas están creando procesos estándares para que la gente haga bien el trabajo, como ya lo vimos al principio. Sin eso no hay una tarea fija que medir y otro estudio apunta a lo mismo. Aún entre los usuarios más avanzados, uno de cada cuatro dice que en su empresa el trabajo con agentes está documentado y es repetible y en los otros pues no lo es. Segundo, el coste de una tarea. No es solo el intento, también cuentan los intentos en los que falla y el tiempo de quién está revisando. Para mí, un presupuesto que solo mide tokens se queda corto y un modelo más barato por token puede salirte más caro por tarea si es que gasta más tokens. Y es que ya lo hemos visto, no sé si han estado escuchando el desempeño de Opus 5. [música] Un modelo espectacular que lanzó Cloud últimamente versus la recién salida de Sonet, el modelo más reciente. Podría decirse que es más económico, pero cuando lo pero cuando lo comparamos en los benchmarks reales, el coste por tarea se eleva. ¿Por qué? Porque realmente el coste por tarea realmente aumenta porque utiliza muchísimos más tokens para llegar a la resolución, mientras que el otro modelo está más optimizado para con menos tokens llegar a una solución concreta y normalmente mejor. Entonces, imagínense con los modelos también open source, la vara con la cual medimos la optimización para resolver una tarea específica [música] entre coste por token y tokens utilizados para resolverla, nos podemos dar una idea. Por eso es complicado medirlo. Tercero, en lo que he visto, sin un equipo de ti interno, medir es todavía más difícil. No hay quien conecte a la gente a sus sistemas. internos ni que registre cada uno de los intentos. Así que mi consejo es si tienes un negocio antes de medir a la gente [música] escribe el proceso y define una tarea determinada. Para medirlo al principio te basta con una hoja de cálculo y si el coste se mide por tarea, el cobro también está cambiando. [música] Y es que una estimación de este año calcula que de aquí a 2030 hasta 234 millones de dólares gastos [música] en aplicaciones de empresas que quedan expuestos a los agentes hacia 2030 serían cerca del 20% de lo que las empresas gastan en aplicaciones de software. Y es que [música] como servicio, la razón es, según el mismo análisis, si un agente hace el trabajo en varios sistemas, ya no faltan tantas personas entrando [música] a cada uno y cobrar por usuario deja de funcionar. Entonces, ya se veen los precios. Intercom cobra desde $19 al mes por asiento y su agente fin unos 0.99 9 por cada resultado. Y del lado de quien cobra, el 32% de quienes respondieron la encuesta global dice que su empresa decidió no comprar algún software porque pudo construirlo con agentes de programación. Importante también lo que esto significa para un negocio en mi lectura es que la unidad que importa ya es la tarea terminada. ¿Cuánto cuesta cada una? y ponle un presupuesto a cada agente, como ya hace el 43% de las empresas encuestadas en los Estados Unidos, con presupuesto de uso o de tokens. Y si vendes software por usuario, yo empezaría a probar un precio por resultado antes de que el cliente lo pida. Es decir, queda la pregunta más incómoda de todo. ¿Todo esto ya deja dinero realmente? Bueno, para ir finalizando, en el estudio global, el ocho de cada 10 encuestados dicen que la IA mejoró su productividad personal, pero solo el 37% de los que ya usaía aporta algo de utilidad operativa a la empresa, casi igual que hace un año, las que de verdad ganan, las que ya atribuyen a la Ien que su impacto es realmente significativo son apenas El 6% de los encuestados, ¿qué hacen? Distinto, casi tres de cada cuatro que rediseñaron a fondo sus procesos por la IA, entre los demás solo uno de cada cuatro realmente lo hacen. Entonces, mi lectura. Repartir licencias de IA no basta. El dinero aparece cuando rediseñas el proceso por completo. AI native, ¿recuerdas ese término? Bueno, se refiere a las empresas que están transformando sus procesos internos para adaptarlos a la era géntica. Ejemplo, una página web, ¿no? Ya no la creas para que un humano la vea y la lea durante horas. lo haces para que los algoritmos de investigación o de búsqueda, el GPO, que es la búsqueda por agentes, encuentre más fácilmente. Es decir, internet ahora va a ser consumido por algoritmos que no toman en cuenta aspectos visuales, sino clasificación [música] reseñas, ponderaciones, métricas de evaluación dentro de la plataforma que hacen mucho más asequible para ellos. Entonces, transformar tus procesos internos para hacerlos adaptables a la IA es lo que está haciendo que realmente se pueda optimizar y utilizar IA de mejor manera. Y eso se mide en dinero, no en las horas que alguien siente que ahorró. Y es que si te quedas con una sola idea de este video, que sea esta. Los agentes son cada vez más baratos por tarea y más capaces. Y en mi lectura lo escaso es saber diseñar el trabajo para ellos. Por eso mis tres conclusiones y las tareas alrededor de una hora con revisión humana, presupuesto y precio por tarea terminada. [música] Procesos diseñados, no solo herramientas nuevas. Una salvedad honesta es la siguiente. La mayoría de estas cifras vienen de encuestas y de pronósticos. Las mediciones de capacidad y de costo son en tareas de software y en exámenes, no en el trabajo de tu empresa. Yo creo que la ventaja no la va a tener quien use más agente, sino quien sepa cuánto le cuesta y cuánto le deja cada tarea. Y haz una pregunta esta semana. Elige una tarea de tu trabajo de alrededor de una hora. Dásela a un agente y anota cuánto te cobró y cuánto tuviste que corregir para llegar al resultado que esperabas. Cuéntame, por favor, en los comentarios qué tarea elegiste y qué número obtuviste. Y sin más, nos veremos en un próximo [música] video. Espero que les haya gustado y este video fue editado completamente por inteligencia artificial. En videos posteriores les traeré el proceso de cómo lo he estado creando mi experiencia a lo largo de estos dos ya casi 3 años de implementaciones de inteligencia artificial en empresas como consultor de negocios en IA. Y bueno, realmente eh creo que estamos atravesando un momento muy importante porque [música] realmente ya tenemos modelos de frontera que son buenos para cualquiera de las tareas humanas que realizamos y rediseñar estos procesos de repente puede salir caro, no tanto por costo, sino por criterio. Realmente, ¿desde dónde estamos fundamentando este proceso de transformación? ¿Estamos midiendo? ¿Cuánto estamos convirtiendo? ¿Cuántos mensajes hay que mandarle a nuestros [música] clientes? para establecer esta relación comercial y no abromarlos. Desde ahí empieza esta clasificación de cómo implementar correctamente ya y cómo no hacerlo. Así que si quieres mantenerte a la vanguardia, recuerda de suscribirte al canal [música] y mantenerte al pendiente porque vamos a traer muchos más videos como este. Así que sin más, nos vemos en una siguiente. Coau.
Assistir ao vídeo original no YouTube
Assuntos: Agentes de IA, Assistente pessoal. Publicado no YouTube em 2026-10-14.
Seleção automática por assunto e idioma. O vídeo pertence ao canal de origem.