# La IA aún no puede con el trabajo real: un benchmark revela sus límites > Un nuevo estudio de Scale AI y CAIS, el Remote Labor Index (RLI), puso a prueba a las mejores IA del mundo en 240 proyectos laborales reales. Los resultados, de hace nueve meses, fueron contundentes: el mejor modelo apenas completó el 2,5% de las tareas, evidenciando que la capacidad agéntica de la IA sigue siendo extremadamente limitada. - Autor: Juan José Do Olmo (Docente) - Publicado: 2026-08-24 - Actualizado: 2026-08-24 - Idioma: es - Categoría: noticias - Etiquetas: IA, Automatización, Mercado Laboral, Evaluación de IA, AGI - Fuente canónica: https://aprenderia.es/blog/ia-agentes-trabajo-real-rli/ ![La IA aún no puede con el trabajo real: un benchmark revela sus límites](https://aprenderia.es/_astro/ia-agentes-trabajo-real-rli.WQCQtYKv.webp) Promesas vacías. La realidad golpea.Hace nueve meses, en **noviembre de 2025**, el debate sobre la automatización masiva por IA recibió un baño de realidad contundente. La empresa **Scale AI**, líder en datos para IA, en colaboración con el prestigioso Center for AI Safety (CAIS), lanzó el **Remote Labor Index (RLI)**. Este benchmark, pionero en su tipo, fue diseñado específicamente para medir la **capacidad real de los modelos de inteligencia artificial** para completar proyectos laborales complejos de principio a fin, simulando un entorno de trabajo remoto auténtico.### La dura verdad del trabajo autónomo con IAEl RLI no es un test teórico ni una simulación simplificada. Representa un desafío práctico sin precedentes, poniendo a prueba a las **mejores IA del mundo** en **240 proyectos reales**. Estos proyectos cubrían un espectro amplio y exigente: desde el **desarrollo de software** y el **diseño gráfico** hasta el **análisis de datos** complejos y la **producción multimedia**. Cada tarea venía con descripciones detalladas, archivos específicos y entregables precisos, replicando fielmente las condiciones de un encargo profesional.¿El resultado? Desalentador para los entusiastas de la automatización total y para quienes preveían una inminente sustitución laboral. El **mejor modelo** evaluado, *Manus*, logró completar satisfactoriamente **apenas el 2,5%** de los proyectos. Otros gigantes de la IA como Grok 4 y Claude Sonnet 4.5 se quedaron en un discreto **2,08%**, mientras que el esperado GPT-5 apenas alcanzó el **1,67%**. Este **bajo rendimiento** sorprendió a muchos expertos del sector, evidenciando que la *capacidad agéntica* de las IA, es decir, su habilidad para realizar tareas complejas de forma autónoma y con iniciativa, sigue siendo **extremadamente limitada**.### Un examen de realidad para los modelos punterosLa evaluación de estos proyectos no fue automática. Se realizó mediante **revisiones humanas expertas**, profesionales cualificados que examinaron los entregables completos con criterios de calidad y funcionalidad estrictamente profesionales. El **principal motivo de rechazo**, que representó un abrumador **45,6%** de los casos, fue la **baja calidad profesional de los resultados**. Esto significa que, aunque las IA intentaban las tareas, el producto final no cumplía los estándares mínimos requeridos en un entorno laboral real. Otros problemas frecuentes incluyeron archivos incompletos o corruptos, fallos técnicos inesperados y una notable falta de coherencia en tareas que requerían múltiples pasos o una comprensión contextual profunda.Scale AI destacó que los modelos mostraron **fortalezas puntuales**, especialmente en **tareas creativas** como la generación de logos o audios desde cero, donde la originalidad prima sobre la precisión. Sin embargo, **fracasaron estrepitosamente** en proyectos que demandaban **edición precisa**, **coordinación de múltiples herramientas** o una **atención detallada** a instrucciones complejas y matizadas. La promesa de una IA que gestione proyectos de principio a fin, con la autonomía y fiabilidad de un humano, por ahora, es solo eso: una promesa lejana.### El futuro de la evaluación de la inteligencia artificialEste benchmark, que se suma al previamente lanzado Humanity’s Last Exam (HLE) también creado por CAIS y Scale, plantea una pregunta fundamental para el futuro de la tecnología: ¿qué tan lejos estamos realmente de que estas herramientas puedan competir con humanos promedio en un entorno laboral complejo y dinámico? La respuesta, según los datos recopilados en noviembre de 2025, era **muy lejos**.No obstante, el RLI marca un **punto de partida crucial** y un avance significativo en la metodología de evaluación. Proporciona un **método riguroso y estandarizado** para medir el avance real en la automatización basada en IA, alejándose de métricas superficiales. Según sus autores, el **RLI se convertirá en uno de los principales estándares** que las futuras **inteligencias artificiales generales (AGI)** tendrán que superar para demostrar su utilidad práctica, su robustez y su verdadera capacidad de integración en el mercado laboral global.***Fuente:***→ [Remote Labor Index (RLI) | Scale AI](https://labs.scale.com/leaderboard/rli)**¿Es este tipo de evaluación el termómetro definitivo para calibrar el verdadero impacto de la IA en el futuro del trabajo?** --- [Leer el artículo original en aprenderIA](https://aprenderia.es/blog/ia-agentes-trabajo-real-rli/)