Un nuevo estudio de Harvard y Perplexity, "How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope" (Jeremy Yang de Harvard con Kate Zyskowski, Noah Yonack y Jerry Ma de Perplexity, arXiv 2606.07489), hace algo que el discurso de agentes mayormente skip: mide, desde datos de producción, cuánto tiempo los agentes realmente corren de forma autónoma. El número headline es 26 minutos de tiempo de ejecución de máquina por sesión para Perplexity Computer, el orquestador agentic, contra 33 segundos para Perplexity Search, el motor de respuesta conversacional, un gap de 48x. Las medianas son más ajustadas pero cuentan la misma historia, 9 minutos versus 14 segundos, un gap de 40x. El valor aquí no es el conteo de minutos específico, es que la medición viene de los mismos users golpeando dos productos sobre la misma ventana de 90 días (27 de febrero al 27 de mayo de 2026), matcheados en 10.000 pares de sesiones con cosine similarity sobre 0,99, así que la comparación aísla la diferencia agentic-versus-conversational en vez de confundirla con quién pregunta o sobre qué preguntan. Las sesiones Computer fueron gated en la invocación real de "do" tools, ejecución de código, acciones de browser, escrituras de archivo, connector calls, así que los 26 minutos son trabajo de máquina, no user think-time.
La metodología es la parte que los builders deberían tomar en serio, porque es un template para medir tus propios agentes honestamente. La mayoría de los claims de autonomía de agente son vendor demos: un solo run impresionante, una sesión de 35 horas cherry-pickeada, un benchmark diseñado para ser pasado. Este estudio en cambio toma el counterfactual en serio. Estima que un profesional usando Search solo necesita 269 minutos por tarea, mientras que Computer-más-humano necesita 36 minutos, un ahorro de 87% de tiempo y 94% de costo, y luego nombra el breakeven honestamente: un profesional que puede completar todos los pasos manuales en menos de 20 minutos no se beneficia, porque el overhead del agente no vale la pena debajo de ese umbral. Ese es un framing útil e inusualmente cándido, el agente gana en tareas suficientemente largas para amortizar su costo de setup y oversight, y pierde en las cortas, que es exactamente el cálculo que un builder debería correr antes de agentificar un workflow. La señal de calidad apunta en la misma dirección: las sesiones Computer mostraron una tasa de dissatisfaction de 1,3% contra 2,9% para Search, una reducción de 55%, así que los runs autónomos más largos no estaban comprando velocidad al costo de la correctness en agregado.
El finding que abre una pregunta más grande que el benchmark es sobre el scope, y es la parte que vale sentarse con ella. Cuando los users tenían un agente disponible, no hacían solo el mismo trabajo más rápido, intentaban trabajo diferente. 76% de las queries agentic alcanzaron cognición Bloom de orden superior (analizar, evaluar, crear) contra 55% para el conversacional, y 59% cruzaron fronteras ocupacionales contra 50%, significando que la gente alcanzaba más allá de su propio dominio hacia tareas que no intentarían normalmente. Este es el efecto de segundo orden que el número de 26 minutos undersell. La autonomía no meramente comprime el tiempo que una tarea conocida toma, cambia el conjunto de tareas que una persona considera worth starting, porque el costo de intentar algo ambicioso o fuera de tu expertise baja cuando un agente puede cargar los 26 minutos de ejecución. La curva de adopción debajo es steep, las queries Computer acumulativas crecieron a 84x su total de primera semana a través de la ventana de estudio, así que el cambio de comportamiento no es un artefacto de lab, es lo que la gente hizo cuando la capability estaba realmente en sus manos. Eso reframe toda la conversación agent-autonomy de "cuánto tiempo puede correr" a "qué hace la autonomía barata a la shape del trabajo que la gente elige," y esa segunda pregunta es la que tiene la cola más larga.
Lunes por la mañana, si decides si agentificar un workflow: el breakeven bajo-20-minutos es el número a internalizar, los agentes ganan su overhead en tareas long-horizon multi-step y pierden en lookups rápidos, así que apunta a las primeras y deja las últimas como plain calls. Si mides tus propios agentes: este paper es una metodología a copiar, matchea sesiones agentic y conversacionales de los mismos users, gate en la invocación real de tool, mide el tiempo de ejecución de máquina en vez del wall-clock o vendor demos, y estima el costo counterfactual del camino human-only, porque eso es lo que transforma "nuestro agente es impresionante" en "nuestro agente ahorra X minutos sobre un umbral de Y minutos." Si trackeas los threads agent-runtime, este es el floor empírico debajo del eje persistence-in-time que hemos watcheado a los vendors asertar (los runs autónomos de 35 horas, las tareas scheduleadas always-on), ahora grounded en lo que los users de producción realmente obtuvieron, decenas de minutos por sesión, no horas, pero suficiente para cambiar qué tareas intentaron. Y si piensas más allá de la build sheet, el finding de scope es el que hay que guardar: la consecuencia interesante de los agentes autónomos puede no ser el trabajo que hacen, sino el trabajo más ambicioso que la gente empieza a intentar una vez que el costo de ejecución de la ambición cae.