adtestbench Higgsfield
ES

Noticias de IA · Investigación · Co-Design Bench

El mejor agente de código completa solo el 26.4% de tareas

Un benchmark creado con 26,314 sesiones reales de programación halla que el mejor de diez modelos cumple en promedio el 69.9% de los criterios de una tarea, pero rara vez todos.

Por Alexandre S. , 04:30 UTC

Los agentes de código con IA hacen la mayor parte del trabajo y dejan algo sin hacer. Co-Design Bench, un benchmark creado por investigadores de Alibaba y varias universidades asiáticas, da a los agentes 273 solicitudes de cambio tomadas de sesiones de programación de usuarios reales, informó The Decoder el domingo 8 de noviembre de 2026. El mejor de diez modelos, GPT-6 Astra, cumple en promedio el 69.9% de los criterios de una tarea, pero completa del todo solo el 26.4% de las tareas, dice el estudio.

Ilustración retrofuturista: un atardecer a rayas sobre un horizonte de cuadrícula bajo un cielo estrellado, con una ventana de software en el horizonte.
Ilustración de adtestbench a partir de “AI coding agents still need human cleanup on nearly three out of four tasks”,

Las tareas salen de 37,463 solicitudes en 26,314 sesiones, elegidas donde el usuario tuvo que reformular una petición o deshacer un cambio. Un trabajo pequeño puede ser leer una cifra en un recibo y corregir todos los totales que dependen de ella, y uno grande implica rehacer un proyecto entero. La evaluación usa dos jueces de IA: uno maneja la app en un navegador y el otro revisa cada intento por si hay maquetas o respuestas escritas a mano en lugar de resueltas.

Claude Opus 5 queda segundo y Qwen3.8-Max tercero, mientras que Grok 4.6 termina décimo de diez. Todos los modelos rinden peor cuando una tarea mezcla tres o cuatro tipos de cambio, como diseño de página, estilo, interacción y contenido. GLM-5.2 usó casi seis veces los tokens de GPT-6 Astra (las unidades de texto con las que se facturan los modelos) en cambios pequeños y aun así puntuó menos.

Nuestra tabla de precios, revisada el 8 de noviembre, muestra Claude Pro a $20 al mes, con Claude Code, el agente de código de Anthropic, incluido.

Si trabajas en marketing y creas landing pages con un agente, la cifra del 26.4% implica una revisión humana en cada cambio. El agente suele acertar la mayor parte de una revisión y pasa por alto al menos un detalle, como un total que ya no cuadra.

Fuentes

  1. The Decoder: AI coding agents still need human cleanup on nearly three out of four tasks. Revisado
  2. arXiv: Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models. Revisado
Retrato de Alexandre S.

Alexandre S.

Alexandre S. es estratega creativo de anuncios y redactor publicitario, con diez años de experiencia en marketing digital en múltiples canales.

Sobre el autorCómo analizamos las herramientas

Más noticias de IA del

Todas las noticias de IA, primero el día más reciente