Agentes de IA en el móvil: por qué lo que Google llama autonomía es automatización de pantalla con traje de gala

El año de los agentes, según quien te vende el chip

En Computex 2026, Cristiano Amon, CEO de Qualcomm, declaró que 2026 es "el año de los agentes". La frase suena bien en una keynote. El problema es que las keynotes no tienen que pasar por QA.

Según Qualcomm, la demanda global de tokens se multiplicará por 40 antes de 2030, impulsada por agentes autónomos que actúan en nombre del usuario sin supervisión constante. Para gestionar ese volumen, proponen una arquitectura de "continuo computacional distribuido" que reparte la carga entre dispositivos locales y la nube. También anunciaron Dragonfly, una nueva línea de chips para centros de datos que, según sus propias proyecciones, recortaría el consumo energético entre un 35 y un 70% respecto a las GPUs tradicionales. Son proyecciones de Qualcomm, no cifras verificadas de forma independiente. Los chips no están en el mercado todavía.

La visión de Qualcomm para el hardware del futuro es llamativa: dispositivos con "dos personalidades", una controlada por el usuario y otra ejecutando un agente de IA de forma independiente en segundo plano. Suena a ciencia ficción productiva. El detalle que no mencionaron en el escenario es que esa arquitectura crea un problema de gestión de batería y energía que nadie ha resuelto todavía.

Mientras tanto, Google ya ha puesto agentes en tu bolsillo. O eso dice el marketing.

Lo que Gemini Intelligence hace de verdad

Gemini Intelligence es el agente que Google ha integrado en Pixel 10 y Galaxy S26. El análisis del código interno de Gemini Spark publicado por Yahoo News lo describe con bastante precisión: el sistema no usa APIs para comunicarse con las apps. Toma capturas de pantalla, interpreta lo que ve y simula toques y deslizamientos humanos para ejecutar acciones.

Eso tiene un nombre técnico: automatización de pantalla. Y tiene un límite muy concreto: si la app cambia su interfaz, si aparece un modal inesperado, si la pantalla está bloqueada, el agente se queda ciego. No hay integración profunda. No hay acceso a los datos internos de la aplicación. Es como intentar operar un quirófano a través de una webcam apuntando al monitor.

El sistema de control de pantalla se llama Bonobo y requiere Android 16 como mínimo. El agente de voz, Robin, funciona en Pixels más antiguos. Dos piezas del mismo agente con requisitos distintos desde el primer día, lo que fragmenta la experiencia antes de que el usuario haya hecho nada.

Los requisitos de hardware no son más generosos: 12 GB de RAM o más, modelo Nano v3 o superior, chipset de gama alta y Android 16. Eso excluye al Pixel 9, que solo tiene Nano v2. El teléfono que Google vendió hace menos de un año ya no es suficiente para su propio agente. No es un detalle de compatibilidad menor: es una decisión de producto que convierte en papel mojado la promesa de autonomía para la mayoría de usuarios Android.

Y luego está la pieza que más me llama la atención: el código revela un task scheduler, un planificador de tareas que teóricamente permitiría al agente ejecutar tareas programadas en segundo plano. Si funcionara de verdad, sería el componente más cercano a la autonomía real que tiene este sistema. El problema es que esa función no está activa. Existe en el código. Si aguanta batería, si requiere pantalla encendida o desbloqueo del dispositivo, si puede ejecutarse mientras el usuario hace otra cosa... no hay datos confirmados sobre ninguna de esas preguntas. Solo inferencias a partir de lo que hay escrito.

Un agente que necesita verte para actuar no es un agente. Es un macro con buenas relaciones públicas.

Claude y el control de ordenador: mismo problema, arquitectura distinta

Anthropic tiene su propia apuesta en este espacio: Dispatch, su sistema que permite a Claude observar la pantalla, mover el cursor, hacer clic y escribir texto para completar tareas. El nombre viene de la idea de "despachar" acciones concretas sobre una interfaz gráfica: el modelo recibe una instrucción, la descompone en pasos y los ejecuta uno a uno sobre lo que ve en pantalla.

A diferencia de Bonobo, Dispatch no está atado a un sistema operativo concreto ni a hardware específico. Cualquier suscriptor de los planes Pro o Max puede usarlo desde Claude Cowork: mandas una tarea y Claude la ejecuta en tu Mac usando "uso de computadora" (clics, navegación, apps). Anthropic lo tiene marcado como research preview, que es su forma de decir "está en beta pero ya lo puedes tú, no solo desarrolladores". No es una waitlist de acceso restringido para quien programa contra la API.

Eso lo distingue de Claude Managed Agents, que sí es una función diferente, lanzada en beta pública el 8 de abril de 2026 y limitada a desarrolladores que trabajan contra la API. Son dos cosas distintas con nombres distintos y audiencias distintas: Dispatch para usuarios normales con suscripción Pro o Max, Managed Agents para quien construye sobre la API.

El enfoque técnico de Dispatch también es diferente al de Google: en lugar de un sistema propietario integrado en el sistema operativo, Anthropic expone una API que los desarrolladores pueden usar para construir agentes que controlan interfaces gráficas. Eso le da más flexibilidad que Bonobo, que está atado a Android 16 y a hardware específico.

Pero el mecanismo subyacente es el mismo: el modelo interpreta capturas de pantalla y genera acciones de ratón y teclado. Las limitaciones estructurales no desaparecen por cambiar quién firma el modelo. Si la interfaz cambia, si aparece un diálogo inesperado, si la app no tiene el elemento donde el modelo espera encontrarlo, el agente se pierde exactamente igual. La automatización de pantalla es automatización de pantalla, con independencia de si la ejecuta Gemini o Claude a través de Dispatch.

Anthropic es explícita en que Dispatch está en research preview y que el modelo comete errores que un humano no cometería: puede hacer clic en el sitio equivocado, malinterpretar un elemento de la interfaz o ejecutar una acción irreversible sin pedir confirmación. Su propia documentación recomienda supervisión humana, permisos mínimos y sandboxing, exactamente los principios que la investigación de Gong et al. (2025) señala como imprescindibles para el despliegue responsable de agentes.

Y los riesgos no son solo teóricos. Según CyberScoop citando a DTEX, agentes como Claude Cowork con acceso remoto y conector a Salesforce pueden exfiltrar datos en 10-30 minutos, cuando hace seis meses ese proceso tomaba horas. Eso comprime la ventana de detección de amenazas internas de forma dramática. DTEX lo llama la "trifecta letal": combinar acceso a datos sensibles, ingesta de contenido no confiable y comunicación externa en un solo flujo agéntico multiplica el riesgo de exfiltración inadvertida. No es un problema de Anthropic en concreto; es un problema estructural de cualquier agente con acceso a herramientas reales.

En móvil, Dispatch no está disponible como producto de consumo. Los problemas de batería, latencia y seguridad que afectan a cualquier agente que ejecuta acciones en un dispositivo móvil siguen ahí, sin resolver.

El punto relevante no es que Claude sea mejor o peor que Gemini en este espacio: es que ambos están usando el mismo mecanismo de fondo, y ese mecanismo tiene límites estructurales que no se resuelven con un modelo más grande. Y si quieres ver hasta qué punto esas promesas de autonomía chocan con la realidad del día a día, Sol, Terra y Luna, los agentes de OpenAI, ilustran exactamente el mismo patrón: mucho vocabulario de autonomía, bastante mano del usuario debajo.

La diferencia entre automatización de pantalla y agencia real

Vale la pena ser preciso aquí porque el marketing mezcla los términos de forma deliberada.

Un agente de IA real planifica, ejecuta y valida resultados sin supervisión constante. Tiene acceso a herramientas, puede encadenar acciones, detectar errores intermedios y corregir el rumbo. Puede recibir una instrucción como "reserva un vuelo para el martes que cueste menos de 300 euros, confírmalo con mi tarjeta guardada y mándame el boarding pass" y ejecutarla de principio a fin sin que el usuario tenga que estar mirando la pantalla.

La automatización de pantalla hace algo distinto: interpreta lo que ve, simula interacciones humanas y reza para que la interfaz no haya cambiado. Es útil. No es lo mismo.

La diferencia no es semántica. Un chatbot puede estar equivocado. Un agente puede hacer algo equivocado. Y cuando un agente actúa sobre el mundo real, los errores se amplifican a través del uso de herramientas y pueden generar fallos en cascada.

Esto lo documenta el trabajo de Debenedetti et al. (2024), citado por la Universidad de las Naciones Unidas: la naturaleza del riesgo cambia radicalmente cuando pasas de sistemas conversacionales a sistemas agénticos. No es solo una cuestión de precisión; es una cuestión de consecuencias. Hay un caso reportado de un agente llamado OpenClaw que, al gestionar una bandeja de entrada de correo, borró mensajes e ignoró instrucciones de parada. Un incidente aislado, sí, pero ilustrativo de lo que pasa cuando un sistema ejecuta acciones en entornos reales sin los controles adecuados.

En un móvil, ese problema se amplifica. El dispositivo tiene acceso a datos personales, cuentas bancarias, comunicaciones privadas y credenciales de todo tipo. Delegar acciones autónomas en ese entorno sin una arquitectura de privilegios mínimos, sandboxing y permisos explícitos no es innovación: es un vector de ataque con pantalla AMOLED.

La investigación de Gong et al. (2025) es directa al respecto: el despliegue responsable de agentes debería empezar con el mínimo privilegio necesario, sandboxing, permisos explícitos y bloqueo pasivo por defecto, en lugar de depender de que el agente solicite aprobación cuando considera que la necesita. El problema es que ese nivel de arquitectura de seguridad es costoso de implementar y difícil de vender en una keynote.

Por qué la orquestación desde el móvil sigue siendo una utopía

Llevo tiempo queriendo poder orquestar agentes desde el móvil como se hace desde un IDE de escritorio: ver qué está ejecutando cada agente, intervenir, redirigir, encadenar tareas, pausar una ejecución y reanudarla con contexto. Algo parecido a lo que permite Cursor en entornos de desarrollo, pero en el bolsillo.

Cada vez que sale un anuncio de agentes móviles pienso que quizás esta vez. Cada vez me encuentro con lo mismo.

El problema no es solo técnico, aunque los técnicos son suficientemente gordos. Es estructural. Los móviles son dispositivos diseñados para interacción humana directa: pantalla encendida, usuario presente, batería finita. La agencia real requiere lo opuesto: ejecución en segundo plano, acceso persistente a herramientas, tolerancia a la latencia y un modelo de seguridad completamente distinto al que tienen los sistemas operativos móviles actuales.

Google Antigravity, la plataforma de desarrollo basada en agentes que presentaron con Gemini 3, se acerca más a lo que debería ser un entorno de orquestación real. Pero está pensada para PC y para desarrolladores, no para el usuario que lleva el teléfono en el bolsillo. Lo que llega al móvil es una versión recortada que usa el mismo vocabulario de marketing pero no la misma arquitectura.

El sistema de habilidades modulares, los skills, sugiere que el agente irá ganando capacidades mediante módulos adicionales. Puede tener sentido como estrategia de despliegue incremental. Pero Google no ha especificado qué habilidades concretas ofrecerá, qué aplicaciones serán compatibles con la automatización de pantalla, ni si el sistema funcionará con apps de terceros o solo con las propias. Sin esos detalles, el roadmap de skills es una promesa vacía.

La barrera de seguridad multicapa que verifica modelo de dispositivo, flag de servidor e idioma del usuario antes de dar acceso al agente completo tiene sentido desde el punto de vista de la estabilidad del sistema. También significa que la gran mayoría de usuarios con Android no verán esto en mucho tiempo, si es que llegan a verlo.

La promesa de Qualcomm y el problema que no resuelve

Volvamos a Qualcomm, porque su visión del futuro es relevante aquí, aunque por razones que no son las que ellos destacan.

La idea del "continuo computacional distribuido" que reparte carga entre dispositivo y nube es técnicamente razonable. Tiene lógica: los modelos grandes viven en la nube, los modelos pequeños y eficientes viven en el dispositivo, y el sistema decide dónde ejecutar cada parte según latencia, privacidad y consumo energético. Es la dirección correcta.

El problema es que la visión de Qualcomm de dispositivos con "dos personalidades" (una para el usuario y otra para el agente ejecutando en segundo plano) choca frontalmente con la realidad de la gestión de batería en dispositivos móviles. Un agente que procesa tareas de forma autónoma en segundo plano, que mantiene contexto, que llama a herramientas externas y que valida resultados consume recursos de forma continua. Los chips de bajo consumo que Qualcomm está desarrollando para este caso de uso son parte de la solución, pero no toda. La arquitectura del sistema operativo, el modelo de permisos, la gestión de contexto entre sesiones: todo eso necesita rediseñarse, y no hay señales de que eso esté pasando a la velocidad que los anuncios sugieren.

La proyección de 40 veces más demanda de tokens para 2030 no es descabellada si los agentes autónomos se despliegan a escala. Pero esa misma proyección ilustra el problema: los agentes generan órdenes de magnitud más tokens que los chatbots porque ejecutan múltiples pasos, validan resultados intermedios y mantienen contexto extendido. En un dispositivo móvil con batería finita, eso no es un detalle de implementación. Es la pregunta central que nadie está respondiendo todavía.

Dónde sí funciona la agencia real hoy

Para ser justos con los datos: hay entornos donde los agentes de IA están generando valor medible y demostrable, aunque no sean los que aparecen en los anuncios de teléfonos.

En manufactura, según un análisis de Robotics & Automation News, hay despliegues tempranos donde agentes de IA detectan tasas de defectos crecientes, rastrean el origen hasta un lote de materiales, identifican proveedores alternativos, generan órdenes de compra y ajustan calendarios de producción, todo en menos de un minuto y sin programación explícita para cada escenario. No están generalizados, pero existen y tienen resultados medibles.

La barrera no es la tecnología del agente en sí: es la capa de datos. Sin una integración limpia y en tiempo real entre máquinas, sistemas MES, ERP y cadena de suministro, el agente no tiene información fiable sobre la que actuar y se convierte en un dashboard caro. Los fabricantes que están teniendo éxito empiezan con una decisión específica y de alta frecuencia, despliegan el agente en modo supervisado primero y solo pasan a la autonomía después de demostrar precisión y construir confianza.

Esa secuencia (supervisado primero, autónomo después, con datos limpios debajo) es exactamente lo que falta en el despliegue de agentes móviles. No hay capa de datos limpia porque las apps no exponen APIs. No hay modo supervisado porque el marketing vende autonomía. Y la confianza no se construye con funciones que viven en el código pero no en producción.

En el sector de viajes, el análisis de Let's Data Science sobre interoperabilidad agéntica apunta a algo similar: para que los agentes puedan delegar acciones comerciales de forma segura, hacen falta estándares compartidos de interoperabilidad, comercio y pagos. El Model Context Protocol se menciona como un primer paso, no como una solución completa. Y los indicadores de adopción real (una capa de ejecución neutral, registros de auditoría verificables, marcos de gobernanza para consentimiento) no están implementados todavía.

El patrón es consistente en todos los sectores: la agencia real requiere infraestructura, no solo modelos. Requiere datos limpios, permisos explícitos, supervisión humana en las fases iniciales y mecanismos de auditoría. Lo que el marketing vende como autonomía suele ser automatización con menos fricción y más vocabulario técnico.

Si quieres profundizar en cómo se construye esa infraestructura de control, el artículo sobre por qué el harness controla tu agente mejor que el prompt lo desglosa con más detalle técnico.

Lo que hay y lo que no hay

El estado actual es este: los agentes móviles que existen hoy son automatización de pantalla con capacidades de lenguaje natural encima. Son útiles para tareas simples y lineales. No son agentes autónomos en el sentido técnico del término.

Las funciones que harían la diferencia (ejecución real en segundo plano, integración profunda con apps de terceros, gestión de contexto entre sesiones, planificación multi-paso con validación de resultados) o no están activas, o no están documentadas, o requieren hardware que excluye la mayoría de dispositivos actuales. Eso vale tanto para Gemini Intelligence como para Dispatch: el mecanismo de fondo es el mismo y los límites estructurales también. La diferencia es que Dispatch ya está disponible para cualquier suscriptor Pro o Max en escritorio, mientras que en móvil no existe como producto de consumo.

Qualcomm tiene razón en que la dirección es hacia los agentes. La arquitectura distribuida tiene sentido. Los chips de bajo consumo son necesarios. Pero declarar 2026 como el año de los agentes cuando los agentes reales en móviles son todavía una función en el código es confundir la hoja de ruta con la realidad.

No digo que esto no vaya a mejorar. Los próximos dos o tres años van a traer avances reales en este espacio. Digo que hoy, con los datos disponibles, lo que existe en tu bolsillo no está ni cerca de lo que el marketing promete.

Y mientras tanto, cada vez que alguien me pregunta si puede orquestar agentes desde el móvil como desde un IDE, la respuesta honesta sigue siendo la misma: todavía no. Quizás el año que viene. Llevo diciéndolo un par de años.