Mueve el punto de control del final de la ejecución de un agente a su mitad, y el tiempo de finalización de la tarea cae un 13,54 %. Ese es el resultado principal de un estudio intrasujeto con 48 participantes que supervisaban agentes de IA y reparaban sus errores, publicado en la Conferencia CHI 2026 (Zhou et al., CHI 2026). El ochenta y uno por ciento de esos participantes prefirió el diseño de confirmación intermedia frente al ajuste por defecto de confirmar-al-final que hoy viene de serie en la mayoría de las herramientas agénticas.
Vuelve a leerlo, porque la sorpresa está en la dirección. Más supervisión no costó rendimiento. Lo compró. Las revisiones del agente a mitad de tarea fueron más rápidas que dejarlo correr limpio hasta el final.
Eso invierte el argumento que la mayoría de los responsables de operaciones viene sosteniendo desde hace dos años. La posición estándar en el mid-market es que el humano en el bucle es un gasto de seguridad que se paga con cargo al presupuesto de velocidad: real, defendible, pero un impuesto. Este estudio dice que la premisa es falsa en sus propios términos, y que dónde se sitúa un punto de control respecto a los pasos irreversibles de un agente es una variable de planificación que ahora mismo estás dejando sin definir.
Confirmar al final es una decisión de diseño que no tomaste tú
La mayoría de los productos agénticos ejecuta una tarea de varios pasos de forma autónoma y presenta una única aprobación al final. Los autores son directos sobre por qué eso es frágil: durante la ejecución el usuario tiene poco control, así que un solo error se propaga en cascada y obliga a reiniciar por completo. No te enteras en el paso tres de que el agente leyó mal la entrada. Te enteras en el paso once, después de que otros ocho pasos se hayan construido encima.
La corrección obvia — confirmar cada paso — elimina la cascada pero, en palabras del artículo, impone una sobrecarga tediosa. Así que el campo se ha instalado en un binario falso: poner compuertas en todo y avanzar a paso de tortuga, o no poner ninguna y apostar. Ninguna de las dos es una decisión. Ambas son valores por defecto.
La aportación del artículo es dejar de tratar esto como un dial de seguridad y modelarlo como un problema de planificación de tiempo mínimo. La pregunta ya no es cuánta supervisión, que es sobre la que discute todo equipo de operaciones en una reunión de presupuesto. Es dónde, y esa pregunta casi nadie la está formulando en voz alta.
Qué hicieron realmente 48 participantes
La investigación se desarrolló en dos etapas. Un estudio formativo con ocho participantes reveló un patrón de comportamiento recurrente en cómo las personas supervisan los errores de un agente, que los autores denominan Confirmation–Diagnosis–Correction–Redo (CDCR). Cuando un usuario detecta un problema, confirma que algo falla, diagnostica qué salió mal, corrige y rehace el trabajo afectado. Cada una de esas cuatro fases consume tiempo medible, y la fase de rehacer escala con cuántos pasos se han ejecutado desde que se introdujo el error.
Ese patrón es el motor del resultado. Como los costes CDCR son predecibles, pueden estimarse por adelantado paso a paso. El equipo construyó un modelo de teoría de la decisión que coloca los puntos de confirmación usando el tiempo esperado de interacción del usuario, decidiendo paso a paso si el agente continúa solo o pide a una persona que supervise.
Luego lo probaron: 48 participantes, diseño intrasujeto, supervisando agentes y reparando errores durante la ejecución en vivo. El tiempo de finalización bajó un 13,54 % frente a confirmar-al-final. La preferencia se situó en el 81 % a favor (Zhou et al., CHI 2026).
Dos salvedades deben acompañar cualquier lectura operativa. La muestra son 48 personas en un estudio controlado de interacción persona-ordenador, no un despliegue en producción sobre una función: trata el 13,54 % como orientativo para tus propios flujos, no como una previsión. Y ambas cifras se miden específicamente contra confirmar-al-final. El artículo no afirma que la confirmación intermedia gane en tiempo a la confirmación paso a paso. Afirma que el ajuste por defecto cargado al final pierde frente a uno planificado.
La objeción: Stanford encontró que las compuertas cuestan 31 puntos
Existe un hallazgo muy difundido que parece contradecir todo esto. El Stanford Digital Economy Lab estudió 51 despliegues empresariales de IA en producción y reportó una brecha mediana de 31 puntos porcentuales atribuible a una sola decisión arquitectónica: los despliegues en los que la IA era dueña de la tarea de extremo a extremo sin una compuerta de aprobación humana entregaron una ganancia de productividad mediana del 71 %, mientras que aquellos que exigían aprobación humana en cada acción significativa se quedaron en el 40 % — en empresas que ejecutaban los mismos modelos de frontera (Stanford Digital Economy Lab, 2026).
¿Entonces qué? ¿Las compuertas te cuestan 31 puntos o te dan un 13,54 %?
Ambas cosas, y los dos resultados no chocan. Stanford midió la presencia de la compuerta: aprobación en cada acción significativa frente a ninguna. El estudio de CHI midió la ubicación de la compuerta: el mismo presupuesto de supervisión, planificado de otra manera. La condición perdedora de Stanford es confirmar-en-cada-paso. La condición perdedora del estudio de CHI es confirmar-al-final. Son dos modos de fallo distintos, y la reconciliación es la instrucción operativa real: no pongas compuerta en cada acción significativa, y no la pongas solo al final.
El reflejo del mid-market es leer la cifra de Stanford, quitar las compuertas y llamarlo delegación de autoridad. Eso te deja exactamente en la condición que el artículo de CHI superó por 13,54 %.
La revisión tardía es también la revisión débil
La ubicación afecta a más que al reloj. Afecta a si la revisión detecta algo en absoluto.
Otro estudio intrasujeto de 2026 sometió a 36 participantes a tareas de programación agéntica en las que el agente producía una salida correcta, un fallo visible o un defecto silencioso. En las tareas con defecto silencioso la tasa de detección global fue del 39 % — pero variaba casi diez veces según la tarea, del 8 % al 75 %, mientras la confianza autodeclarada del revisor se mantenía casi plana entre 3,83 y 4,50 sobre 5 (Dissanayake et al., 2026). Entre las tareas con defecto silencioso fallidas y con valoración de confianza válida, el 79 % recibió un 4 o un 5 sobre 5 del mismo revisor que no vio el defecto.
Tus revisores no pueden notar la diferencia entre una tarea en la que detectan tres defectos de cada cuatro y otra en la que detectan uno de cada doce. La confianza no sigue a la exactitud. Lo que significa que una única aprobación al final de la ejecución no es solo una revisión tardía: es una revisión sin medir, y quien la firma no tiene ninguna señal interna que le diga ante qué tipo de tarea está.
La ubicación de los puntos de control te da algo que la confianza no: un defecto detectado en el paso tres es atribuible al paso tres. Un defecto detectado al final es atribuible a toda la ejecución.
El coste de reinicio es la variable que no has valorado
Si la ubicación es la palanca, el dato que la fija es el coste de reinicio por paso: cuánto trabajo ya ejecutado te obligaría a rehacer un error detectado tarde en ese punto.
Dos números ayudan a calibrar dónde se concentra ese coste. El Agent Delegability Index, que evalúa las 18.796 descripciones de tarea de O*NET y las pondera por el empleo en 146 países, halló que el 35,2 % del tiempo de tarea mundial es al menos parcialmente delegable a agentes, pero solo el 2,5 % puede cederse por completo, concentrado en unos pocos grupos administrativos. Su resultado más útil en lo operativo es que la delegación total alcanza su máximo en tareas que a una persona le llevan unos doce minutos (Espinal Maya & Jiménez Londoño, 2026). Las tareas cortas son baratas de rehacer; las ejecuciones largas de varios pasos son donde se acumula el coste de reinicio, y son exactamente las que tus herramientas confirman solo al final.
El coste ya está en tus libros, solo que no bajo una partida que reconozcas. En una encuesta a 2.500 trabajadores del conocimiento en cinco países, el 42 % declaró dedicar más tiempo a verificar la salida de la IA del que ahorra al usarla, y el 52 % corrige con regularidad trabajo generado por IA producido por colegas (Adaptavist, 2026). Eso es retrabajo que aterriza aguas abajo de la generación — el bucle CDCR, funcionando sin planificar y sin contar, sobre las horas de otra persona.
Planificar la confirmación es la forma de adelantar ese coste a donde es más barato y visible.
Qué hacer con las revisiones del agente a mitad de tarea este trimestre
Esto no es una compra de herramientas. Es un ejercicio de mapeo, y cabe en un trimestre.
- Elige tus tres flujos agénticos de mayor volumen y escribe sus pasos en orden. Para cada paso, registra un número: cuántos minutos de trabajo ya ejecutado tendría que rehacer una persona si un error introducido en ese paso se detectara solo al final de la ejecución.
- Marca cada paso irreversible — cualquier cosa que envíe, pague, publique, escriba en un sistema de registro o toque a un tercero. El coste de reinicio en un paso irreversible no se mide en minutos; es un proceso de recuperación. Esos son tus puntos de control obligatorios, diga lo que diga el modelo temporal.
- Coloca los puntos de control inmediatamente antes de los pasos en los que el coste de reinicio acumulado da un salto, no a intervalos regulares ni al final. La revisión a intervalo plano es la condición de sobrecarga tediosa que la investigación ya descartó.
- Instrumenta la revisión, no solo la ejecución. Registra la tasa de detección por punto de control y por tipo de tarea. Dado que la confianza del revisor se mantiene plana mientras la tasa de detección oscila del 8 % al 75 %, nadie te va a avisar de un punto de control débil: tienes que medirlo.
- Rehaz el mapa cuando amplíes la autonomía. Conceder a un agente un nuevo tipo de acción cambia el perfil de reinicio de todos los pasos posteriores.
La arquitectura de gobernanza determina cuánto de esto puedes configurar. Los Digital Employees de Scovai operan por defecto con confirmación previa — toda acción visible hacia fuera se convierte en una solicitud de aprobación con el nombre de una persona, una solicitud sin respuesta caduca en lugar de pasar en silencio, y la autonomía se gana por tipo de acción a partir de un registro de aprobaciones auditado, no se concede en bloque por puesto (Scovai Digital Employees). Eso responde a la pregunta de la presencia. El resultado de CHI dice que la pregunta de la ubicación le sobrevive: una vez que sabes qué tipos de acción puede realizar un trabajador digital sin supervisión, todavía tienes que decidir en qué punto de una ejecución de varios pasos caen las revisiones restantes.
La decisión que tienes delante
La mayoría de los equipos de operaciones está manteniendo una discusión de presupuesto — cuántas horas de revisión podemos permitirnos dedicar a la supervisión de agentes, y si acaso podemos justificar revisiones del agente a mitad de tarea. La investigación dice que esa discusión se está celebrando en el eje equivocado. Tu coste de supervisión de agentes ya está fijado; lo que no está fijado es dónde aterriza, y la ubicación vale un 13,54 % del tiempo de finalización antes de cualquier cambio de plantilla, modelo o proveedor.
Así que la decisión concreta para este trimestre es lo bastante estrecha como para tomarla un martes: coge tu flujo agéntico de mayor volumen, encuentra en él el primer paso irreversible y comprueba si algo confirma antes de ese paso. Si no lo hace nada, no estás operando un modelo de supervisión ligero. Estás operando uno caro, con la factura aplazada hasta el reinicio.