El estudio "The Adoption and Usage of AI Agents: Early Evidence from Perplexity" analiza millones de interacciones reales con Comet Assistant. La escala del análisis permite entender cómo los agentes se integran en el trabajo diario de personas de distintos países, niveles educacionales y sectores productivos. También permite observar un patrón transversal: la calidad del desempeño de los agentes depende del estado del conocimiento al que acceden. Cuando ese conocimiento está desordenado o incompleto, el agente responde mal, incluso si el modelo es avanzado.
Patrones generales de uso
Distribución de temas según participación en el total de consultas
| Tema | Participación |
|---|---|
| Productividad y flujo de trabajo | 36.2% |
| Aprendizaje e investigación | 20.8% |
| Medios y entretenimiento | 15.8% |
| Compras y comercio | 10.0% |
| Carrera y empleos | 7.1% |
| Viajes y ocio | 6.7% |
Esta tabla resume cómo las personas se relacionan con agentes en términos amplios y permite visualizar cómo se concentran los esfuerzos en tareas de mayor carga cognitiva.
El estudio muestra que el uso se concentra en dos grandes áreas que definen la relación entre personas y agentes: productividad por un lado, y aprendizaje por el otro. Juntas representan 57% de todas las consultas. Las personas delegan actividades que consumen tiempo, como editar documentos, organizar correos, consolidar información y analizar materiales de estudio. La adopción no se distribuye de manera uniforme. Tiende a ser más alta en sectores donde el trabajo depende de información estructurada, como tecnología digital, academia, marketing, finanzas y emprendimiento. Estos sectores concentran más del 70% de los usuarios que adoptan agentes y también quienes más los usan.
Un punto relevante es la diferencia entre adoptar y usar de forma intensiva. Los usuarios que accedieron antes del lanzamiento global realizan hasta 9 veces más consultas que quienes ingresaron más tarde. La mitad de todas las consultas del periodo ocurre tras la apertura global de Comet, lo que confirma un patrón de aceleración cuando la tecnología llega a un público más amplio.
Adopción por país y desarrollo
Correlaciones entre adopción y variables estructurales
| Variable | Correlación (r) |
| PIB per cápita | 0.85 |
| Años promedio de educación | 0.75 |
Estas métricas ayudan a contextualizar la brecha global de adopción y explican por qué algunos países generan más volumen de uso.
El análisis evidencia correlaciones significativas entre adopción de agentes y variables socioeconómicas. Los países con mayor ingreso y mayor escolaridad muestran una adopción más alta y un uso más intensivo. La correlación entre adopción y PIB per cápita alcanza 0.85, mientras que con años promedio de educación llega a 0.75. Esto sugiere que el uso de agentes no depende solo de disponibilidad tecnológica, sino también de capacidades previas, infraestructura digital y familiaridad con herramientas basadas en información.
Evolución de temas y hábitos de uso
El estudio muestra una transición clara de temas recreativos a temas cognitivos.
Tareas más ejecutadas por los agentes
| Tarea | Participación |
| Asistir ejercicios | 9.41% |
| Analizar investigación | 6.71% |
| Crear documentos | 6.58% |
| Buscar productos | 6.43% |
Estas tareas explican la lógica de delegación: tareas estructuradas, repetitivas o que requieren análisis rápido.
El estudio revela una progresión en el tipo de tareas. Las primeras interacciones suelen enfocarse en actividades recreativas o de baja exigencia cognitiva, como revisar videos, planear viajes o buscar información ligera. Con el tiempo, el uso se desplaza hacia tareas más complejas, como edición de documentos, análisis de información y apoyo para estudios o trabajo. Más del 70% de las interacciones se mantienen dentro del mismo tema, lo que indica que las personas tienden a usar agentes para resolver bloques completos de trabajo, no tareas aisladas.
En términos de tareas específicas, el estudio identifica 90 funciones, aunque solo diez concentran 55% de todo el uso. Entre ellas destacan asistir ejercicios (9.41%), analizar investigación (6.71%), crear documentos (6.58%) y buscar productos (6.43%). La preferencia es clara: los usuarios recurren a agentes para procesar información y convertirla en acciones concretas.
Dónde operan los agentes
Entornos donde se ejecutan más tareas
| Entorno | Participación |
| docs.google.com | 11.97% |
| Servicios de correo | 11.23% |
| linkedin.com | 9.42% |
| youtube.com | 7.03% |
| amazon.com | 3.46% |
La tabla evidencia que los agentes se insertan en herramientas ya dominantes dentro de flujos laborales o personales.
Los agentes funcionan dentro de entornos externos como sitios web o aplicaciones. El estudio identifica una fuerte concentración en pocas plataformas. Google Docs concentra cerca de 12% de todas las interacciones, los servicios de correo cerca de 11%, LinkedIn 9.4%, YouTube 7% y Amazon 3.46%. Esta distribución refleja que los agentes se usan principalmente para trabajar con contenido, comunicar, investigar o comprar.
Cuando se analizan subcategorías aparecen concentraciones aún más marcadas. En educación, Coursera y Netacad superan 33% del uso. En redes sociales, Instagram y X suman más de 39%. En productividad, Google Workspace domina prácticamente todas las tareas de edición. Esto indica que los agentes se integran en los flujos reales de trabajo, no en espacios artificiales.
Contextos de uso
Distribución por contexto
| Contexto | Participación |
| Personal | 55% |
| Profesional | 30% |
| Educativo | 16% |
Estos datos muestran que el uso personal aún lidera, pero el uso profesional ya representa una proporción relevante.
El estudio clasifica las consultas en tres contextos: personal, profesional y educativo. La mayoría corresponde a uso personal (55%), donde destacan actividades cotidianas como compras, mensajes o búsquedas generales. El 30% corresponde a uso laboral, donde predominan documentos, flujos de trabajo y trámites profesionales. El 16% restante es uso educativo, principalmente en ejercicios, resúmenes y navegación por materiales de estudio. La distribución muestra que los agentes ya se integran en actividades diarias y no se limitan a tareas especializadas.
El desafío estructural: el conocimiento distribuido
Aunque el estudio se centra en datos de uso, sus resultados apuntan a un problema que afecta directamente la calidad de los agentes en entornos empresariales: la falta de orden en el conocimiento interno. Un agente funciona bien cuando opera sobre información clara, estructurada y accesible. Cuando la información está dispersa, contradictoria o incompleta, el agente improvisa, rellena vacíos o entrega respuestas inconsistentes.
Este problema suele aparecer en organizaciones donde abundan documentos duplicados, versiones distintas de un mismo proceso, criterios que no están escritos y contenido repartido entre correos, carpetas y chats. La tecnología del agente no corrige esta desorganización. Solo la hace más evidente. El estudio confirma que la utilidad real del agente depende tanto del modelo como de la calidad del conocimiento al que accede.
Recomendaciones basadas en los hallazgos
Para integrar agentes en procesos reales, las empresas necesitan preparar primero su conocimiento. Ordenar la información es un prerrequisito. Esto implica definir taxonomías internas, estandarizar plantillas, documentar criterios de decisión, mantener control de versiones y entrenar equipos en redacción operativa clara. Cada una de estas acciones aumenta la precisión de los agentes y reduce fricción en los flujos.
El estudio muestra que las personas ya usan agentes para tareas profundas que antes tomaban horas. Para que ese mismo valor llegue a entornos empresariales, se requiere que el conocimiento esté completo y estructurado. Cuando eso ocurre, los agentes no solo funcionan. Aceleran.
Referencia
"The Adoption and Usage of AI Agents: Early Evidence from Perplexity", 2025.
