Actualizado el 10 nov 2026

¿Qué personal agent merece la pena?

Llevo meses probando agentes personales: Grok Bot, Claude, Codex, Hermes, OpenClaw, OpenBot… Aquí explico cómo los evalúo, qué me importa más y qué nota saca cada uno. Verde es bueno, rojo es malo y gris es que no hay datos.

Ver la matriz

La matriz

Cada celda va de 0 a 5. La nota final, sobre 10, es la media ponderada por mis prioridades y solo cuenta lo que tiene datos; el porcentaje indica cuánto de la matriz está cubierto para ese agente. Pasa el ratón por una celda para ver de dónde sale. Los agentes están ordenados por popularidad.

Pulsa la prioridad de una columna para cambiar su peso. La nota se recalcula.

Agente	Nota /10	Respuesta	Apertura app	Apps propias	App móvil	Navegador en móvil	Mis sesiones	Computer use	Multimodelo	Threads	Proactivo	Coordinador	Skills	Memoria	Uso < 30 $	Precio	UE	Local	Hilos previos
ChatGPT Plus Marca masiva (sin métrica comparable)	4.9 datos 59%	?	1^E	5^V	2^E	?	2^V	?	1^V	3^V	1^V	?	?	?	?	5^V	4^V	1^V	5^V
Gemini (Auto Browse + Spark) Marca masiva (sin métrica comparable) Solo en EE. UU. por ahora.	4.8 datos 30%	?	?	?	?	?	3^V	?	1^V	?	3^V	?	?	?	?	5^V	0^V	?	?
Claude Pro Marca masiva (sin métrica comparable) Claude Code + Cowork + Dispatch + Claude in Chrome.	7.6 datos 93%	5^E	5^E	5^V	5^E	1^V	4^V	4^V	1^V	5^E	3^V	4^E	4^V	?	3^V	4^V	5^V	3^V	?
Grok Bot Marca masiva (sin métrica comparable) Límites recortados el 1-2 nov 2026; nuevos límites no publicados.	7.2 datos 61%	5^E	?	5^E	5^E	5^E	5^E	?	1^V	?	3^V	?	?	?	1^E	1^E	5^E	?	?
Perplexity Comet / Computer Marca grande (sin métrica comparable)	5.4 datos 57%	?	?	4^V	?	4^V	4^V	?	4^V	?	1^V	0^V	2^V	?	1^V	2^V	5^V	?	?
Manus Conocido (sin métrica comparable)	3.2 datos 41%	?	?	?	?	?	2^V	1^V	1^V	?	2^V	?	?	?	2^V	2^V	?	1^V	?
OpenAI Dots Nuevo (sin métrica comparable) Pro bloqueado en EEE, Reino Unido y Suiza.	3.7 datos 55%	?	?	?	?	?	2^V	1^V	1^V	?	5^V	?	5^V	2^V	0^V	0^V	1^V	1^V	?
OpenClaw 394.300 ★ GitHub	8.3 datos 57%	?	?	4^V	4^V	?	4^V	4^V	5^V	?	3^V	?	?	?	4^V	5^V	5^V	4^V	?
Hermes Agent + Hermes Fleet 262.389 ★ GitHub	6.9 datos 86%	5^E	?	1^E	3^V	1^E	1^E	2^E	5^V	4^V	4^V	3^V	4^E	?	5^E	5^E	5^V	5^V	?
OpenMausBot 20.552 ★ GitHub	7.5 datos 73%	?	?	2^V	1^V	2^V	3^V	4^V	5^V	5^V	5^V	5^V	4^V	?	?	5^V	5^V	3^V	?
OpenBot 6.848 ★ GitHub Posible sesgo: lo evalúa un agente de OpenBot, que hizo esta web.	9.2 datos 70%	?	?	5^P	3^E	?	4^P	5^P	5^V	5^P	5^P	5^P	5^P	4^P	?	5^V	4^V	5^V	?
Rerun Sin métrica pública	7.1 datos 66%	?	?	2^V	1^V	?	4^V	1^V	5^V	4^V	5^V	5^V	5^V	4^V	?	?	5^V	1^V	?
Turnstone Sin métrica pública	6.2 datos 59%	?	?	3^V	0^V	1^V	?	?	5^V	4^V	4^V	5^V	3^V	3^V	?	3^V	?	4^V	?
Idem Solo por invitación	7.5 datos 48%	?	?	2^V	?	?	5^V	1^V	5^V	?	5^V	?	4^V	5^V	?	4^V	?	1^V	?

0 malo 2-3 regular 5 excelente ? no consta (no cuenta en la nota)E experiencia propia · P observado en uso · V dice el proveedor

Lo que busco

Un agente que viva en mi ordenador o en la nube, que pueda llevar en el iPhone y que haga cosas solo. Por menos de 30 $ al mes y desde España.

AltaVelocidad de respuesta. Lo que tarda el agente en contestar y terminar tareas.
AltaVelocidad al abrir sus apps. Si la app se abre al instante o hace esperar.
MediaApps propias. Tiene apps propias o solo funciona por mensajería (Telegram, WhatsApp…).
AltaCalidad de la app móvil. App nativa de iOS: diseño, rapidez y funciones.
AltaNavegador controlable desde el móvil. Ver y tomar el control del navegador del agente desde el iPhone.
AltaNavegador real con mis sesiones. Entrar en webs con mis logins, incluso las que bloquean bots (p. ej. Amazon).
AltaComputer use en el host. Controlar apps y escritorio del ordenador donde vive el agente.
AltaVarios modelos por tipo de agente. Elegir un modelo distinto para cada agente o tarea.
AltaThreads separados por agente. Cada agente con sus conversaciones e hilos propios.
AltaProactividad. Rutinas, triggers y vigilancia sin que yo lo pida.
MediaCoordinador y delegación. Un agente que reparte trabajo y gestiona muchos hilos.
MediaSkills e integraciones compartidas. Skills, MCP y conectores reutilizables entre agentes.
MediaMemoria persistente. Recuerda preferencias y la puedo leer y editar.
AltaUso real por menos de 30 $/mes. Cuánto trabajo me deja hacer antes de topar con límites o créditos.
MediaPrecio del plan. Lo que necesito cabe en menos de 30 $/mes.
MediaDisponible en España/UE. Se puede contratar y usar desde España.
BajaControl local de los datos. Datos y credenciales en mi máquina o mi servidor.
BajaAcceso a mis hilos de ChatGPT/Codex. Reutilizar conversaciones que ya tengo.

Cómo evalúo

Tres tipos de evidencia, siempre separados. Lo que he vivido usando el agente (E), lo que he observado en uso propio (P) y lo que dice el proveedor o la prensa (V).
“No consta” no es un cero. Si no hay datos, la celda queda en gris y no baja la nota.
Tareas reales con datos sintéticos. Las pruebas usan cuentas, chats y tiendas falsas, aisladas de mis datos personales.
Éxito verificable. Un verificador independiente comprueba el resultado; no basta con que el agente diga que lo ha hecho.
Repeticiones y condiciones iguales. Mismas tareas, orden rotado y varias repeticiones. Se guardan los fallos y los intentos incompletos.
Mido coste, latencia, intervención humana, herramientas, memoria y fiabilidad, con modelo, versión, fecha y fuente de cada dato.

Primeras pruebas: qué modelo usar dentro del agente

Antes de comparar agentes enteros he medido modelos dentro de un mismo agente (6 nov 2026), con cuota de suscripción y datos sintéticos.

Extracción y filtrado de texto

30 mediciones con 5 modelos: urgencias, duplicados, enlaces y solo lectura en casos de X, WhatsApp, Telegram, correo y curación de contenido.

Claude Sonnet 5.5: 210/210 campos correctos y JSON válido 6/6; mediana 14,8 s (20,6 s con herramientas).
Claude Haiku 5.5: contenido correcto, pero formato roto en 2 de 6 intentos.
Luna: omitió urgencias.

Navegador real: chats y Amazon falsos en curso

Chrome aislado con scroll anidado, menús, errores 503 y pagos con importes repetidos. 4 de 9 intentos hechos.

Claude Sonnet 5.5: 6/6 casos en la ronda 1 (213 s), pero 1/6 en la ronda 2.
GPT-6.1 Sol: 5/6 (178 s); los datos salieron bien por otra ruta.
Claude Haiku 5.5: 0/6 (286 s).
De momento ningún modelo es fiable para delegar esto sin supervisión.

Límites

Las notas son una primera versión: salen sobre todo de webs oficiales y de mi experiencia, no de un benchmark completo de cada agente. Los comerciales no tienen una métrica pública de popularidad comparable, así que su orden es aproximado; en los open source uso las estrellas de GitHub del 10 nov 2026. Precios en dólares y sin impuestos.