Agente de uso de computadora (computer use)

Un agente de uso de computadora controla una interfaz gráfica igual que una persona. Toma capturas de pantalla, las interpreta con un modelo multimodal, decide la siguiente acción (mover el cursor, hacer clic, teclear, desplazarse) y repite el ciclo hasta terminar la tarea. Su ventaja es que puede usar programas y sitios que no tienen API.

Anthropic lanzó la primera versión pública de esta capacidad en octubre de 2024, como función beta de su API; en enero de 2025, OpenAI presentó Operator, basado en su modelo Computer-Using Agent, y luego integró esa capacidad en el modo agente de ChatGPT; Google también ofrece un modelo de uso de computadora en la API de Gemini. A noviembre de 2026, estas funciones están disponibles en productos y API de los principales proveedores, con distintas restricciones según la plataforma.

Su desempeño se mide con pruebas como OSWorld (2024), que evalúa tareas reales en sistemas operativos. Han mejorado mucho, pero siguen siendo más lentos y menos confiables que una integración directa, y fallan ante interfaces cambiantes, ventanas emergentes o captchas.

Riesgos importantes: un agente que navega puede leer instrucciones maliciosas escondidas en una página (inyección de prompts) y actuar sobre ellas. Los proveedores recomiendan usarlo en entornos aislados, sin sesiones abiertas de banca o correo, y con un humano en el circuito que confirme compras, envíos o borrados.