Ocho de once intentos terminaron en colisión antes de superar la primera curva. Ese es el resultado de DrivingBench, el experimento diseñado por los investigadores Aditya Ramabadran, Simon Mahns y Tobias Gessler para medir si los principales agentes de propósito general están listos para tareas del mundo físico. El campo de pruebas era un Toyota Corolla equipado con hardware de visión Comma/OpenPilot. El recorrido: un aparcamiento con conos delimitando una ruta corta de punto a punto. Ningún humano resultó herido.
El resultado no es solo que los agentes fallaran. Es que la mayoría ni llegó a enfrentarse al problema real.
¿Cómo funciona DrivingBench y qué mide exactamente?
La arquitectura del experimento es deliberadamente minimalista. Los investigadores instalaron hardware de visión de Comma/OpenPilot en el Corolla y conectaron los agentes de IA a ese flujo visual. Las instrucciones se enviaban por hotspot inalámbrico a centros de datos remotos; las respuestas llegaban como comandos al vehículo. La latencia inherente al proceso obligaba a paradas frecuentes.
Se ejecutaron 11 intentos con 4 agentes distintos. El recorrido incluía una curva inicial seguida de un tramo con conos delimitando el carril. Los 8 intentos fallidos terminaron en colisión dentro del primer 11% del recorrido, en esa primera curva.
Solo un agente completó el recorrido: GPT-6 Astra, y solo en su segundo intento (el primero llegó a la mitad antes de detenerse). El coste del intento exitoso fue de 7,74 dólares (≈ 7,28 euros), casi cuatro veces el coste del intento previo.
¿Qué hizo mal cada agente?
Los modos de fallo son informativos.
Grok interpretó el hueco entre dos conos como si fuera una puerta —un nodo de paso legítimo— y se lanzó directamente contra uno de ellos tras apenas dos comandos. Es un error de representación del espacio: el modelo entiende «hueco entre objetos» como «apertura», sin modelar el contexto de que los conos delimitaban el paso correcto, no lo bloqueaban.
Uno de los agentes de GPT inventó una regla inexistente sobre el significado del color de los conos y ajustó su comportamiento a esa regla fabricada. En texto, inventarse un hecho produce un artículo incorrecto; en un coche, produce un choque.
El error más frecuente en todos los agentes fue subestimar el ángulo de giro necesario en la primera curva. Los modelos de lenguaje tienen una comprensión del espacio físico que viene de descripciones textuales y datos de entrenamiento, no de experiencia motora. Calibrar «girar más pronunciado» en términos de grados de volante desde una cámara con perspectiva inusual es una tarea para la que no están entrenados.
Que 2026 sea el año del agente de IA general es una afirmación que DrivingBench pone a prueba con resultados incómodos. El debate entre plataformas abiertas como OpenClaw y productos integrados como Cowork gira alrededor de qué arquitecturas de agentes son más robustas para tareas del mundo real, pero ambos enfoques comparten el mismo problema subyacente: el anclaje físico.
¿Qué nos dice esto sobre el estado real de los agentes?
La narrativa dominante en el sector presenta los agentes de IA como una evolución natural de los modelos de lenguaje: les das herramientas y acceso a sistemas externos y se vuelven capaces de actuar en el mundo. DrivingBench sugiere que esa transición es mucho más accidentada de lo que los demos de laboratorio hacen creer.
Llevo dos años probando agentes en entornos digitales y la diferencia entre lo que un agente hace bien en texto y lo que hace bien en el mundo físico es abismal. En texto, un error es reversible. En un aparcamiento con un Toyota Corolla, no.
Lo más relevante no es que los agentes fallaran en conducción —nadie esperaba resultados competitivos— sino el tipo específico de fallo. La primera curva no era difícil. Era la tarea física más básica que podrías poner en un banco de pruebas. Los agentes integrados en Word, Excel y PowerPoint son impresionantes porque operan en el dominio simbólico donde fueron entrenados. Sacarlos de ese dominio expone los límites con claridad.
El resultado de GPT-6 Astra completando el recorrido a 7,74 dólares es, en cierta forma, más preocupante que los coches que no arrancaron: completar una tarea de parking a ese coste y con ese nivel de incertidumbre no es un resultado que escale a conducción real. Pero es el primer completion del benchmark, y eso tampoco es irrelevante.