RespuestasPublicado19 fuentes
El 90,2% de InAgent en OSWorld pone el foco en la ingeniería del «harness»
Intelligence Indeed informó que su Z Agent, también citado como InAgent, alcanzó un 90,2% de éxito en la configuración de 361 tareas de OSWorld: el primer resultado reportado por encima del 90%. OSWorld prueba agentes en entornos informáticos reales y comprueba el estado final mediante ejecución; no evalúa únicament...
Publicado porEditado con GPT-5.6 TerraImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Intelligence Indeed informó que su Z Agent, también citado como InAgent, alcanzó un 90,2% de éxito en la configuración de 361 tareas de OSWorld: el primer resultado reportado por encima del 90%.
- OSWorld prueba agentes en entornos informáticos reales y comprueba el estado final mediante ejecución; no evalúa únicamente respuestas de texto o predicciones de clics.
- Un 90,2% de éxito aún dejaría sin completar el 9,8% de tareas comparables. En procesos sensibles hacen falta verificaciones deterministas, permisos limitados, colas de excepciones y supervisión humana.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Chinese company Intelligence Indeed’s InAgent become the first computer-use agent to exceed 90% on the OSWorld benchmark—achieving 9. Article summary: The reported result is best understood as a system-level achievement, not evidence that InAgent has a uniquely superior foundation model. InAgent reportedly combined model reasoning with an execution “harness” that plans. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Intelligence Indeed comunicó en agosto de 2026 que su producto de uso de ordenadores —denominado Z-Agent en el anuncio de la empresa e InAgent en otras coberturas— había alcanzado un 90,2% de éxito por tarea en OSWorld. Según la compañía, fue el primer participante reportado que superó el 90% y además lideró una subclasificación de marcos agénticos. 18
22
La lectura relevante no es que un único modelo haya resuelto la automatización de escritorios. Es que el rendimiento de un agente depende cada vez más del harness —la capa de ejecución que rodea al modelo—: el software que convierte un plan en acciones controladas, comprueba el resultado y gestiona fallos habituales en flujos de trabajo reales.
Qué resultados reportó InAgent
La cobertura disponible atribuye a InAgent estas cifras en la evaluación OSWorld:
- 90,2% de éxito global;
- 84,7% en tareas entre varias aplicaciones;
- 92,3% en tareas de GIMP;
- 100% en tareas de nivel de sistema.
22
Son resultados comunicados, no conclusiones auditadas de forma independiente. Las fuentes facilitadas no incluyen un informe técnico público que separe la contribución del modelo base, las herramientas de acción, los prompts, la configuración de evaluación y los componentes del harness. Es una distinción importante: una puntuación de benchmark mide una configuración de modelo y sistema, no la inteligencia del modelo aislada.
También conviene no confundir un liderazgo puntual con una posición permanente. Una captura de un ranking de terceros de septiembre de 2026 situaba a otro sistema, Qwen3.8 Max, en el 86,1% de OSWorld-Verified. Esto ilustra que las clasificaciones y sus configuraciones de evaluación cambian con el tiempo. 3
Por qué OSWorld es una prueba exigente
OSWorld fue concebido para evaluar agentes que operan en entornos informáticos reales, no para responder preguntas sobre capturas de pantalla o páginas web simuladas. El benchmark original reúne 369 tareas reales en aplicaciones como Chromium, LibreOffice, GIMP, Thunderbird, VLC y Visual Studio Code, además de tareas del sistema operativo y flujos entre aplicaciones. Las tareas parten de estados de entorno configurados y se califican mediante comprobaciones de ejecución. 2
14
La configuración de uso más habitual tiene 361 tareas, al excluir ocho tareas de Google Drive que pueden requerir preparación manual. 14
Por eso OSWorld es más difícil que una prueba de predicción de clics. Para completar una tarea, el agente debe orientarse en interfaces, mantener el progreso a lo largo de varios pasos, manipular archivos o estados de aplicaciones y dejar el equipo en la condición final esperada.
El contexto histórico hace llamativa la cifra del 90,2%. La referencia original publicada para OSWorld indicó que las personas completaban más del 72,36% de las tareas, mientras que el mejor modelo lograba 12,24%. 14 Pero esa comparación no debe tomarse como una medida universal de competencia laboral: el resultado depende de la selección de tareas, la preparación del entorno, el presupuesto de acciones, las herramientas y el harness del agente.
Del prompt al sistema de ejecución
Un prompt indica al modelo qué debe hacer. La ingeniería de contexto decide qué información recibe. La ingeniería del harness diseña el sistema de ejecución que determina cómo el agente observa, actúa, conserva el estado, verifica que ha terminado y se recupera de los errores.
Una revisión sobre el diseño de sistemas de agentes describe el execution harness como la infraestructura que condiciona la percepción del agente, sus acciones y su capacidad para detectar y corregir errores. Incluye aspectos como el diseño de observaciones, los espacios de acción, el aislamiento de la ejecución, la gestión del contexto y los bucles de verificación. 28
En un agente que usa un ordenador, un harness sólido suele asumir seis tareas esenciales:
- Dividir el trabajo en subobjetivos comprobables. En vez de ordenar «actualiza un pedido», el sistema puede exigir localizar el registro, validar los campos, efectuar el cambio, adjuntar una evidencia y confirmar que se guardó.
- Elegir la interfaz adecuada para cada acción. Una API, un comando o una herramienta estructurada puede ser preferible a un clic si está disponible y autorizado; el control por interfaz gráfica sirve para pasos sin una interfaz legible por máquina.
- Mantener un estado persistente. El agente necesita saber qué ha terminado, cuál es el estado de la aplicación, qué entidad o archivo está seleccionado y si es seguro reintentar una acción.
- Verificar el resultado en el sistema de referencia. Que el modelo afirme haber tenido éxito no es una prueba. El harness puede comprobar una respuesta de API, un valor en una base de datos, un archivo guardado o el estado de la aplicación.
- Recuperarse sin causar daños. Debe tener políticas para páginas obsoletas, clics fallidos, ventanas emergentes, tiempos de espera, envíos parciales e interrupciones de autenticación.
- Aplicar permisos y trazabilidad. Los registros, trazas de acciones, aprobaciones y credenciales restringidas hacen que las operaciones con consecuencias sean auditables y más seguras.
Hay indicios empíricos de que esta capa puede cambiar de manera sustancial el rendimiento. Un estudio informó de que diez iteraciones de ingeniería del harness elevaron el pass@1 de Terminal-Bench 2 del 69,7% al 77,0%, por encima de la referencia del 71,9% para un harness diseñado por humanos. Es otro benchmark, por lo que no valida el resultado de InAgent en OSWorld; sí respalda la idea de que el diseño del entorno de ejecución puede aportar mejoras relevantes sin limitarse a sustituir el modelo. 29
El atractivo de combinar API e interfaz gráfica
El atractivo estratégico atribuido a InAgent es un enfoque híbrido: usar interfaces programáticas fiables cuando existen y conservar el control de interfaz gráfica, similar al de una persona, para aplicaciones que no ofrecen APIs adecuadas. 22
Ese planteamiento responde a un problema frecuente en las empresas. Muchos procesos atraviesan servicios modernos con APIs utilizables y, a la vez, programas de escritorio antiguos, portales de proveedores o sistemas internos donde la única vía práctica es la pantalla que utiliza un empleado.
En principio, el agente puede usar la opción más fiable en cada paso:
- una API o un comando para consultas y actualizaciones estructuradas;
- interacción gráfica para una interfaz cerrada o heredada;
- una comprobación determinista en el sistema de referencia cuando sea posible.
La investigación de OSWorld-MCP llega a una conclusión similar: la invocación de herramientas puede mejorar el éxito de agentes de uso de ordenadores en ciertos entornos. En los experimentos reportados, añadir herramientas MCP elevó a OpenAI o3 del 8,3% al 17,6% con 15 pasos, y a Claude 4 Sonnet del 38,9% al 45,0% con 50 pasos. 24
La advertencia es clara: la automatización por interfaz gráfica sigue expuesta a cambios visuales, latencia, ventanas emergentes, objetivos ambiguos, controles de acceso, autenticación multifactor y acciones irreversibles. La ejecución híbrida puede reducir estos riesgos, pero no los elimina.
Qué implica un 90,2% para un despliegue real
Una tasa de finalización del 90,2% implica que el 9,8% de las tareas del benchmark no se completó con éxito. En un escenario hipotético de 10.000 tareas comparables, serían unas 980 excepciones, antes de considerar errores silenciosos: casos que parecen completados pero producen un resultado de negocio incorrecto.
Esto no resta importancia al resultado. Sugiere que los agentes de uso de ordenadores pueden acercarse a una utilidad práctica en flujos acotados, repetitivos y con controles robustos. Pero no justifica automatizar sin supervisión pagos, presentaciones legales, operaciones críticas para la seguridad o cambios que afecten a clientes.
Para un uso en producción, conviene evaluar mucho más que una tasa general de éxito:
- finalización y corrección en los procesos propios;
- modos de fallo y capacidad de recuperación;
- coste, latencia y número de acciones;
- límites de permisos y puntos de aprobación;
- evidencia de que cada acción cambió realmente el estado correcto del sistema;
- tamaño de la cola de excepciones y proceso para gestionarla.
El benchmark más reciente y difícil, OSWorld 2.0, refuerza esta cautela. Incluye 108 flujos de trabajo de largo recorrido y su mejor resultado reportado de finalización binaria fue del 20,6% bajo la métrica principal de 500 pasos. Es una señal de que los agentes aún están lejos de un uso informático ampliamente profesional cuando las tareas se alargan y se aproximan más a situaciones reales. 17
El hito real es la ingeniería de ejecución
El 90,2% reportado por InAgent se entiende mejor como un hito de la ingeniería de sistemas de agentes. Los prompts y el contexto siguen importando, pero la automatización fiable procede cada vez más de la maquinaria que rodea al modelo: descomposición de tareas, elección de herramientas, estado persistente, verificación de resultados, autoridad limitada y rutas de recuperación.
Para las empresas, la pregunta útil no es solo qué modelo encabeza un benchmark. Es si un agente puede ejecutar un proceso específico con una corrección medible, efectos secundarios controlados y una derivación segura a una persona cuando no puede continuar. Una gran puntuación en OSWorld ayuda a orientar esa evaluación, pero por sí sola no la demuestra.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "El 90,2% de InAgent en OSWorld pone el foco en la ingeniería del «harness»"?
Intelligence Indeed informó que su Z Agent, también citado como InAgent, alcanzó un 90,2% de éxito en la configuración de 361 tareas de OSWorld: el primer resultado reportado por encima del 90%.
¿Cuáles son los puntos clave a validar primero?
Intelligence Indeed informó que su Z Agent, también citado como InAgent, alcanzó un 90,2% de éxito en la configuración de 361 tareas de OSWorld: el primer resultado reportado por encima del 90%. OSWorld prueba agentes en entornos informáticos reales y comprueba el estado final mediante ejecución; no evalúa únicamente respuestas de texto o predicciones de clics.
¿Qué debo hacer a continuación en la práctica?
Un 90,2% de éxito aún dejaría sin completar el 9,8% de tareas comparables. En procesos sensibles hacen falta verificaciones deterministas, permisos limitados, colas de excepciones y supervisión humana.
Fuentes
globenewswire.comIntelligence Indeed's Z-Agent Becomes OSWorld's First 90%+
benchlm.aiOSWorld-Verified Leaderboard & Scores — August 2026
arxiv.orgOSWorld-Human: Benchmarking the Efficiency of Computer-Use ...
osworld-v1.xlang.aiOSWorld: Benchmarking Multimodal Agents for Open-Ended ...