Víctor Coimbra ha sido reconocido en la lista Forbes Under 30 Brasil por sus destacadas contribuciones a la innovación en IA. Es cofundador de las operaciones latinoamericanas de Artefact, que ahora funciona como un centro tecnológico global con 200 empleados. Aporta una profunda experiencia en la ampliación de soluciones de IA y en la creación de equipos tecnológicos de alto rendimiento en mercados internacionales.

Hemos tratado el problema (Parte 1) y los enfoques (Parte 2). Ahora la pregunta más difícil: ¿qué significa todo esto para el funcionamiento real de las organizaciones?

He aquí mi sincera lectura. La tecnología es real pero inmadura. La trayectoria está clara pero la línea de tiempo no lo está. La mayoría de las organizaciones que desplieguen la IA a largo plazo en 2026 aprenderán lecciones caras. Unas pocas obtendrán auténticas ventajas.

La diferencia se reducirá a tres cosas: dónde se despliegan, cómo gobiernan y si entienden lo que significa “autónomo” en la práctica.

El paso de asistente a trabajador

Ésta es la transición fundamental. Hemos tenido asistentes de IA durante años: sistemas que ayudan a los humanos a hacer el trabajo más rápido. La IA de larga duración representa algo diferente: sistemas que completan el trabajo de forma independiente.

La distinción es importante para el diseño organizativo.

Las tareas de menos de quince minutos son territorio maduro. Borradores, sugerencias, búsquedas rápidas. Las cosas que los asistentes de IA han hecho bien desde 2023. La supervisión humana está implícita porque los humanos están presentes en todo momento.

La zona de interés es de una a ocho horas. Entregas completas. Implementaciones completas. Trabajos que antes requerían que un humano se sentara durante una mañana o una tarde. Las estimaciones actuales sitúan la fiabilidad en esta franja entre 50 y 70%. Lo suficientemente buena para ser útil. No lo suficientemente buena para confiar ciegamente.

Más allá de las 24 horas, estamos en territorio experimental. Autonomía a nivel de proyecto. Investigación sostenida. Trabajo que abarca días. Esa frontera puede estar llegando, pero aún no está aquí. Cualquiera que afirme lo contrario está vendiendo algo.

El cincuenta y siete por ciento de las empresas encuestadas tienen ahora IA funcionando en producción. Esa cifra parece impresionante hasta que se observa lo que están haciendo en realidad: 68% requieren la intervención humana en diez pasos. La mayor parte de la “IA de producción” es asistencia glorificada con correas ligeramente más largas.

Su interfaz se convierte en una interfaz de delegación

Si la IA de larga duración funciona, la forma en que las personas interactúan con ella cambia fundamentalmente.

Una interfaz de asistente supone una colaboración en tiempo real. Usted pregunta, él responde, usted afina, él itera. El humano está presente en todo momento. Esto funciona bien para tareas cortas.

Una interfaz de delegación supone un traspaso asíncrono. Se especifica un objetivo, se revisan los progresos periódicamente y se reciben los entregables. El humano está ausente durante la ejecución.

Piense en lo que esto significa para la gestión del trabajo:

  • El seguimiento del progreso sustituye a la conversación. Los usuarios necesitan cuadros de mando que muestren lo que hizo la IA, lo que está haciendo, lo que planea hacer a continuación. La salida no es el chat: es un informe de situación.
  • Los puntos de control sustituyen a las idas y venidas. En lugar de perfeccionar iterativamente, los usuarios aprueban o rechazan en puertas definidas. “Revise el plan antes de empezar a trabajar”. “Apruebe el planteamiento antes de la ejecución”.”
  • Los registros de auditoría se convierten en obligatorios. Cuando algo va mal a las seis horas de una sesión autónoma, es necesario reconstruir lo sucedido. Registrarlo todo no es una paranoia, es una necesidad operativa.
  • La recuperación ante fallos se convierte en una característica. La IA fallará. La cuestión es si falla con elegancia, documenta lo que salió mal y permite a los humanos reanudar desde un estado sensato.

La mayoría de los productos actuales de IA no están diseñados para esto. Asumen que los humanos están mirando. La IA de larga duración requiere productos que asuman que los humanos no lo están.

La gobernanza no es opcional

Una IA que trabaja durante horas también puede cometer errores durante horas. Los errores se acumulan antes de que la revisión humana los detecte. Una empresa de servicios financieros perdió $2M en procesamiento duplicado debido a una mala gestión del estado en su despliegue de IA. Esto no es una hipótesis: ocurrió en 2025.

El marco emergente es la autonomía limitada: límites operativos claros, pistas de auditoría y puntos de decisión que desencadenan la intervención humana.

Los elementos prácticos

Alcance del permiso. La IA no debe tener acceso más allá de lo que requiera la tarea. Una IA que investigue a los competidores no debe tener acceso a modificar los registros de los clientes. Esto parece obvio. En la práctica, las organizaciones sobreproporcionan acceso porque es más fácil que averiguar el alcance mínimo necesario.

Registro de decisiones. No sólo los resultados: el camino del razonamiento. Cuando la IA toma una mala decisión, hay que entender por qué. “Cometió un error” no es un análisis de la causa raíz.

Activadores de escalada. Defina de antemano lo que debe requerir la aprobación humana. Gastar por encima de un umbral. Modificar el data del cliente. Comunicarse externamente. Estos desencadenantes deben ser explícitos, no dejarse al juicio de la IA.

Seguimiento de los cambios. Cada modificación es trazable y reversible. El control de versiones no es opcional para la IA que modifica cosas. Es necesario poder deshacer lo que salió mal.

Data La calidad importa más de lo que cree

La IA necesita entradas claras para producir salidas claras. Las organizaciones que carecen de información estructurada de alta calidad tienen dificultades para obtener valor de los sistemas autónomos.

Esta es la parte poco sexy. Antes de desplegar una IA de larga duración, necesita: formatos de información limpios y coherentes; conexiones bien documentadas entre los sistemas; una propiedad clara de la calidad data; y procesos para gestionar los errores.

Basura dentro, basura fuera... pero a escala, durante horas, con errores que se agravan. Data Los problemas de calidad que eran molestos con los cuadros de mando se convierten en catastróficos con la IA autónoma.

Modos de fallo que encontrará

Un análisis de la industria de 2025 identificó 14 patrones de fallo únicos en los sistemas de IA. Estos son los que pillan desprevenidas a las organizaciones:

Errores en cascada. La IA hace una suposición errónea. Actúa basándose en esa suposición. El paso siguiente se basa en un trabajo erróneo. El paso siguiente agrava el error. Para cuando un humano se da cuenta, todo el flujo de trabajo está funcionando sobre premisas defectuosas. Esto no es hipotético. Es habitual.

Mal diseño del traspaso. Las transiciones entre sistemas de IA o entre la IA y los humanos es donde las cosas se rompen. Una empresa de comercio electrónico experimentó un abandono de clientes de 40% porque los usuarios se confundían cuando un sistema de IA pasaba a otro a mitad de la interacción. El traspaso funcionó. La experiencia, no.

Corrupción estatal. Los sistemas de larga duración acumulan problemas. Las decisiones antiguas persisten cuando deberían haber sido invalidadas. Las operaciones concurrentes crean conflictos. La IA pierde la noción de lo que intentaba conseguir.

Vulnerabilidades compartidas. Si toda su IA utiliza las mismas capacidades subyacentes, compartirá debilidades. Fallará en los mismos casos límite. Tendrá los mismos puntos ciegos. Diversificar no es sólo cuestión de capacidad: es cuestión de resiliencia.

El hilo conductor: no se trata de fallos individuales. Son fallos del sistema. No puede detectarlos probando componentes individuales de forma aislada. Tiene que probar todo el flujo de trabajo en condiciones realistas, en plazos realistas.

Dónde están las oportunidades realistas

Teniendo en cuenta todas las advertencias, ¿dónde deberían desplegar realmente las organizaciones la IA de larga duración en 2026?

Comience por la zona de una a ocho horas. Tareas lo suficientemente largas para beneficiarse de la autonomía, lo suficientemente cortas para limitar los daños. Proyectos de ejecución con especificaciones claras. Síntesis de investigación a partir de fuentes definidas. Documentación de procesos a partir de materiales existentes. Generación de informes con entradas estructuradas.

Busque trabajos con una finalización mensurable. Si no puede definir el éxito con claridad, la IA no podrá conseguirlo de forma fiable. Las tareas que requieren el juicio humano para ser evaluadas son malas candidatas para el trabajo autónomo.

Trabajo objetivo que se evita porque requiere una concentración sostenida. Éstas son las verdaderas oportunidades. Las tareas que la gente aplaza porque necesita cuatro horas ininterrumpidas. Las mejoras de los procesos que nunca se producen. La documentación siempre está desfasada. El análisis siempre está incompleto.

Exija puntos de control a intervalos apropiados. Cuatro horas de trabajo autónomo no deben significar cuatro horas sin conciencia humana. Incorpore puntos de revisión. No porque desconfíe de la IA, sino porque los errores se agravan y la detección precoz limita los daños.

Mida las tasas de éxito reales, no el rendimiento de las demostraciones. Esto es importante. El rendimiento de los puntos de referencia no predice el rendimiento en el mundo real. METR descubrió que el cero por ciento del trabajo generado por la IA era utilizable sin limpieza, incluso cuando se superaban las comprobaciones automáticas. Su medición interna debe reflejar estándares de calidad reales, no condiciones idealizadas.

El paralelo histórico, revisitado

La máquina de vapor se inventó décadas antes de que las fábricas se rediseñaran en torno a ella. Los propietarios de las fábricas sabían cómo hacer funcionar los molinos movidos por agua. Tenían flujos de trabajo, experiencia y modelos empresariales enteros construidos sobre el viejo enfoque. La nueva tecnología requería nuevas estructuras, nuevos flujos de trabajo, nuevas formas de pensar sobre dónde se realizaba el trabajo y cómo fluía.

Utilicé esta analogía en la versión original de este artículo, con una advertencia: la máquina de vapor funcionaba de forma fiable. La IA actual de larga duración no lo hace -todavía no, no de forma consistente.

Esa advertencia sigue siendo válida. Pero la dirección de la inversión es inequívoca. Cada empresa importante de IA optimiza para un funcionamiento sostenido. Cada adoptante serio construye soluciones para las limitaciones actuales. Cada plataforma empresarial añade infraestructura para un trabajo de IA de mayor duración.

La cuestión para las organizaciones no es si comprometerse con este cambio. Es cómo comprometerse de forma responsable: construyendo gobernanza antes que capacidad, midiendo la realidad en lugar de demos, y empezando poco a poco antes de escalar.

Las organizaciones que esperan a que la tecnología madure pueden encontrarse rezagadas cuando lo haga. Las organizaciones que la desplieguen prematuramente aprenderán lecciones caras. El camino estrecho es la experimentación deliberada con los guardarraíles adecuados.

Tres preguntas para su organización

¿Qué tareas sostenidas y que requieran mucha atención existen en su ámbito? Busque trabajos que requieran un esfuerzo concentrado durante horas, no minutos. Las tareas que la gente pospone porque requieren una concentración sostenida: ésas son las candidatas para los programas piloto.

¿Puede medir de forma fiable el éxito del trabajo autónomo? No “si produjo resultados”, sino “si produjo resultados que cumplan sus estándares reales”. Si no puede definir y medir el éxito, no podrá evaluar si la IA está funcionando.

¿Está preparada su infraestructura de gobernanza para el trabajo que ocurre mientras nadie está mirando? Registro. Controles de permisos. Activadores de escalada. Mecanismos de recuperación. Registros de auditoría. La infraestructura para la delegación debe existir antes de que la delegación tenga sentido.
2026 no será probablemente el año en que la IA se vuelva fiable en tareas de larga duración. Un 50% de éxito en tareas de dos horas sigue significando un fracaso la mitad de las veces.

Pero puede que la IA de un año de duración se convierta en viable desde el punto de vista operativo para casos de uso específicos, lo suficientemente buenos para su despliegue en producción con la supervisión y la tolerancia al fracaso adecuadas.

La respuesta honesta: nadie sabe exactamente cuándo madurarán estos sistemas. Las señales sugieren que merece la pena averiguarlo.

 

Referencias

Documentos de investigación

Informes y libros blancos del sector

  • Modos de fallo en los sistemas de IA - Microsoft
  • Lecciones de 2025 sobre la IA y la confianza - Google Cloud
  • Estado de la ingeniería de IA - LangChain
  • Evaluación comparativa frente al mundo real - METR

Documentación técnica

  • Cómo construimos nuestro sistema de investigación multiagente - Anthropic
  • Especificación del protocolo de contexto de modelo - modelcontextprotocol.io
  • Documentación sobre ciclismo de iniciación (“Ralph Wiggum”) - Geoffrey Huntley (ghuntley.com/ralph/)