En nuestras conversaciones recientes con clientes sobre DeepSeek, además de las capacidades y los precios de sus modelos, ha empezado a surgir una nueva pregunta: ¿qué es exactamente DeepSeek Super-agent? ¿Puede terminar el trabajo por su cuenta, como un verdadero asistente?
Super-agent no es un nuevo modelo, ni significa que DeepSeek haya lanzado un «superasistente» que cualquiera pueda usar con un clic. El 31 de octubre de 2026, el equipo de DeepSeek Harness publicó un diseño para que los agentes de IA trabajen de forma continua y gestionen varias tareas a la vez, junto con un prototipo de investigación de código abierto. El repositorio oficial del prototipo de DeepSeek aclara que sirve únicamente como referencia para investigación, que no es un producto oficial de DeepSeek y que no se recomienda usarlo directamente en producción.
¿Por qué merece atención? Porque plantea una cuestión más cercana al trabajo diario que la dificultad de las preguntas que puede responder una IA: si le encargamos cinco cosas a la vez, ¿puede terminarlas de forma ordenada sin que tengamos que recordárselo continuamente?
1. ¿Qué es exactamente DeepSeek Super-agent?
Hasta ahora: «le pides algo y hace una tarea»
Una IA de chat convencional se parece a un asesor siempre disponible: le haces una pregunta y te da una respuesta. Un agente de IA va un paso más allá. Además de responder, puede usar herramientas, consultar páginas web, organizar hojas de cálculo y modificar código para intentar entregar un resultado completo.
Pero cuando se acumulan las tareas, aparecen los problemas.
Por ejemplo, podemos pedirle que recopile información sobre competidores en una ventana, que revise los problemas de un sitio web en otra y que prepare un informe semanal en una tercera. Al cabo de un rato, tenemos que recordar en qué punto está cada conversación, qué tarea se ha atascado y cuál necesita más información.
En su artículo de diseño, el equipo de DeepSeek señala que, según sus observaciones, una persona suele poder seguir entre tres y cinco conversaciones activas a la vez. No es un límite fijo para todo el mundo, pero prestar atención a varias tareas aumenta el esfuerzo mental. Ahí hay un problema muy concreto: la IA puede iniciar muchas tareas simultáneas, mientras que nuestra atención es limitada y nos cuesta seguirlas todas.
«Un coordinador y varios ejecutores»: solo queremos que la IA haga el trabajo
La idea de Super-agent se entiende mejor si pensamos en un pequeño equipo:
- Router (coordinador de tareas): recuerda los encargos, recibe mensajes nuevos y reparte el trabajo, sin ponerse a ejecutarlo personalmente.
- Worker (ejecutor): cada ejecutor tiene su propia tarea y su registro de trabajo. Pueden ocuparse de cosas distintas al mismo tiempo e informar al coordinador cuando terminan.
- Activación por eventos: si alguien hace una pregunta en un grupo, aparece un comentario en GitHub o falla una prueba automática, el sistema puede decidir si debe intervenir.
- Watchdog (supervisor): vigila si una tarea se atasca o se desvía y, cuando hace falta, pone en marcha acciones para recuperarla.
Para nosotros, lo más interesante no es que haya «unos cuantos agentes de IA más», sino que el usuario no tenga que preocuparse de cuántas conversaciones mantiene la IA entre bastidores.
DeepSeek resume el objetivo en cuatro puntos: mantener el contexto de forma continua, ejecutar tareas en paralelo, responder de manera proactiva a los cambios del entorno y funcionar durante largos periodos con capacidad de recuperarse de los fallos.
2. ¿De verdad es más rápido?
Veamos qué probó el equipo. El experimento utilizó un entorno de trabajo simulado: cada ronda incluía unos 300 eventos de chats grupales y GitHub, de los cuales unos 20 eran solicitudes de trabajo reales. Cada configuración se ejecutó cinco veces. Para estudiar por separado la planificación de tareas, el trabajo de programación se simuló con una herramienta que únicamente consumía tiempo.
Lo que se midió fue cómo repartir, recibir y completar varias tareas.
| Diseño | Duración de las tareas P50 | Duración de las tareas P95 | Tokens de lectura de caché por ronda |
|---|---|---|---|
| Super-agent (diseño completo) | 12.4 minutos | 15.7 minutos | Aprox. 23,200,000 |
| Super-agent (sin paso directo de eventos) | 12.6 minutos | 15.5 minutos | Aprox. 31,800,000 |
| Una conversación + subagentes (instrucciones normales) | 20.4 minutos | 29.5 minutos | Aprox. 6,100,000 |
| Una conversación + subagentes (instrucciones que priorizan delegar) | 13.8 minutos | 29.0 minutos | Aprox. 10,800,000 |
La tabla nos deja tres observaciones interesantes:
Primero, cuando hay muchas tareas, la regularidad puede importar más que la velocidad de una ejecución concreta. El P95 del Super-agent completo fue de 15,7 minutos, frente a los 29,5 minutos de la configuración normal con una sola conversación. El tiempo de finalización en la parte más lenta de la distribución se redujo aproximadamente un 47%.
Segundo, no basta con pedir a la IA que «intente delegar en subagentes». En este experimento, el modelo no llamó a ningún subagente en las cinco ejecuciones con instrucciones normales. Al darle instrucciones que priorizaban la delegación, delegó tareas en cuatro de las cinco ejecuciones, pero el P95 siguió siendo de 29,0 minutos.
Tercero, más rápido no siempre significa más barato. El Super-agent completo leyó unos 23,2 millones de tokens de caché por ronda, frente a unos 6,1 millones de la configuración normal con una sola conversación. Empleó más recursos de procesamiento de contexto para conseguir tiempos de finalización más predecibles. Por otro lado, el mecanismo de paso directo de eventos redujo las lecturas de caché de unos 31,8 millones a 23,2 millones, lo que muestra que el diseño del sistema también influye en el consumo.
3. ¿En qué se diferencia de Manus, Genspark, OpenClaw y ChatGPT Work?
«Super Agent» suena a una categoría de productos bien definida, pero no lo es. Algunos productos ya ofrecen la ejecución de tareas como un servicio listo para cualquier usuario; otros proporcionan una base que puedes desplegar y adaptar por tu cuenta.
| Producto o solución | ¿Qué problema aborda principalmente? | ¿Para quién es más adecuado? | Dificultad de uso |
|---|---|---|---|
| Prototipo de DeepSeek Super-agent | Recibir eventos de forma continua, repartir tareas y coordinar varias sesiones de ejecución; el prototipo actual se centra en flujos de trabajo de GitHub | Desarrolladores y equipos que investigan sistemas de agentes | Alta: requiere configuración y mantenimiento propios |
| Genspark Super Agent | Convertir tareas de varios pasos, como investigación, documentos, hojas de cálculo y diseño, en resultados entregables | Usuarios que quieren obtener resultados sin complicarse con la configuración | Baja: producto listo para usar |
| Manus | Permitir que la IA use un ordenador en la nube para trabajar con páginas web, archivos, aplicaciones y tareas programadas | Usuarios que realizan investigación, operaciones y trabajo de oficina | Baja o media: depende de la tarea y de los permisos de conexión |
| OpenClaw | Ejecutar en un dispositivo o servidor propio un asistente permanente accesible desde aplicaciones de mensajería | Usuarios que quieren controlar sus datos y herramientas | Alta: requiere instalación, configuración y mantenimiento |
| ChatGPT Work | Investigar, analizar y crear entregables usando sitios web, archivos y aplicaciones | Usuarios que necesitan resolver tareas de oficina complejas | Baja: producto alojado, con capacidades que varían según la cuenta |
Genspark Super Agent: un asistente que entrega el trabajo terminado
Puede dividir una petición en varios pasos, usar herramientas y entregar una investigación, una presentación, un análisis de datos u otros archivos. La nueva versión de Super Agent también permite ejecutar tareas en un entorno en la nube, guardar procesos como una Skill reutilizable y avanzar en varias tareas en paralelo.
Si queremos «recopilar información de diez empresas y convertirla en una presentación que se pueda mostrar», este tipo de agente listo para usar resulta fácil de entender: le indicamos qué debe entregar sin tener que estudiar primero su Router y sus Workers.
Manus: más énfasis en pasar de la tarea a la acción
Ofrece investigación en la web, conexiones con aplicaciones, automatización y un ordenador en la nube. La explicación oficial del ordenador en la nube indica que su entorno persistente puede conservar archivos y herramientas instaladas, lo que permite ejecutar scripts, bots y tareas recurrentes.
Para un usuario general, lo entenderíamos como «darle a la IA un ordenador con el que trabajar». Si la tarea exige abrir páginas web, procesar archivos o comprobar cambios periódicamente, la propuesta de Manus es bastante directa.
OpenClaw: para tener un asistente de IA propio siempre disponible
Lo consideramos una pasarela de agentes que puedes alojar por tu cuenta. Se conecta a canales de mensajería como Telegram, WhatsApp y Slack, y admite tareas programadas, uso de herramientas y enrutamiento entre varios agentes.
Si buscamos «enviar un mensaje desde una aplicación de chat y dejar que nuestro servidor se encargue», merece la pena conocer OpenClaw. A cambio, tenemos que ocuparnos del despliegue, los permisos de seguridad, el coste de los modelos y el mantenimiento diario. Como ocurre con DeepSeek Super-agent, hay que valorar tanto las capacidades del agente como lo que exige alojarlo por cuenta propia.
ChatGPT Work: encargar tareas de oficina complejas a un agente en la nube
Puede obtener información de sitios web y aplicaciones conectadas, analizar datos y crear entregables como hojas de cálculo y presentaciones. Es otra opción para quienes no quieren montar su propio servicio.
Lo vemos más cerca de Genspark y Manus como «producto de trabajo listo para usar», mientras que el prototipo de DeepSeek Super-agent se parece más a «un ejemplo para que los desarrolladores investiguen cómo construir un sistema así». No se trata de que uno sea superior a otro, sino de que pertenecen a niveles de producto distintos.
4. ¿Cómo elegimos nosotros?
Empezamos con tres situaciones:
- Buscar información: «Busca las descripciones más recientes de los servicios de tres sitios web públicos. Prepara una tabla comparativa de funciones, añade la fuente original de cada conclusión importante y señala las dudas».
- Crear archivos: «A partir de las cinco páginas de información del producto proporcionadas, prepara una presentación de ocho páginas para nuevos usuarios. No inventes cifras de clientes ni de ventas».
- Realizar tareas continuas: «Comprueba una vez por semana si cambian los precios de la página indicada. Avísanos solo cuando haya un cambio real y guarda un registro de las comparaciones».
Para evaluar los resultados, dividimos la tarea en indicadores claros y medibles, en lugar de limitarnos a decir que «parece inteligente»:
| Indicador | Cómo lo registramos |
|---|---|
| Tasa de finalización | Cuántos de 10 criterios de aceptación se cumplen de verdad |
| Intervención humana | Cuántas veces debemos volver a explicar algo, hacer clic o corregir durante el proceso |
| Tiempo de entrega | Cuánto transcurre desde el encargo hasta obtener un resultado que se pueda validar |
| Fiabilidad de las fuentes | Cuántas de 5 conclusiones importantes elegidas para revisión están respaldadas por las páginas originales |
| Coste | Créditos, cuota o gasto de API realmente consumidos |
Repetimos cada tarea al menos tres veces para comparar cuánto varían los resultados. Hay un detalle importante: en la tercera tarea, la continua, hay que esperar a que se active de verdad y verificar su capacidad de recuperación. No basta con que el agente responda «configurado correctamente». Los prototipos de investigación y los productos listos para usar tampoco tienen necesariamente las mismas formas de integración. Si una prueba no puede ejecutarse, debe marcarse como «sin adaptar», en lugar de atribuirlo a una menor capacidad del modelo.
Este es el método que usamos nosotros; puedes probarlo si te resulta útil.
5. ¿Cómo puede un usuario probar ahora la propuesta de DeepSeek?
Conviene separar tres cosas: probar los modelos de DeepSeek, probar sus herramientas de agentes y desplegar el prototipo de Super-agent.
Si solo quieres saber si DeepSeek puede ayudarte a escribir o analizar información: puedes empezar con nuestra prueba en línea de DeepSeek V4 Flash. Usa una pregunta sencilla cuya respuesta puedas comprobar para evaluar la calidad. No hace falta desplegar todo un sistema de agentes desde el primer momento.
Si quieres que un agente realice más acciones: consulta la vista previa pública oficial de DeepSeek Harness. Está orientada al trabajo con documentos, hojas de cálculo, investigación y código.
Si quieres investigar cómo se implementa un agente multitarea: revisa dsh-superagent-prototype y las instrucciones de despliegue. El prototipo público actual funciona principalmente alrededor de un repositorio de GitHub. Recomendamos empezar con los permisos mínimos y no dejar que un código de investigación modifique automáticamente proyectos de producción críticos.
6. ¿Qué relación hay entre los modelos de DeepSeek y Super-agent?
Es algo que seguimos explicando a nuestros clientes: el modelo aporta comprensión y razonamiento; el sistema de agentes se encarga de que reciba tareas de forma continua, use herramientas, ejecute pasos, guarde el estado y entregue resultados.
Por ejemplo, un «asistente semanal de novedades de la competencia» podría funcionar así: un programa recoge el contenido nuevo de páginas públicas, el modelo extrae los cambios y, por último, el sistema guarda un registro y envía un resumen revisado. El modelo comprende el contenido. La ejecución programada, la extracción de páginas, el control de permisos y las notificaciones no aparecen automáticamente por cambiar de modelo.
Actualmente, API Hop ofrece acceso unificado a distintos modelos y API de datos. Los desarrolladores pueden usar las API de DeepSeek V4 Flash o DeepSeek V4 Pro para aportar comprensión del lenguaje y razonamiento a sus propios agentes. La planificación de tareas, la ejecución de herramientas y la memoria a largo plazo siguen siendo responsabilidad del framework elegido o del sistema de negocio.
Las capacidades de un modelo también se miden de forma independiente. Por ejemplo, el registro oficial de actualizaciones de la API de DeepSeek indica que V4 Flash, publicado en julio de 2026, obtuvo una puntuación oficial de 82,7 en Terminal-Bench 2.1. Esto ayuda a valorar su capacidad en una prueba concreta de agentes de programación, pero no demuestra que «DeepSeek Super-agent pueda completar el 82,7% de las tareas de la vida real». La puntuación de un modelo no debe confundirse con la tasa de finalización de un sistema completo.
7. Las preguntas más habituales
¿Se puede descargar DeepSeek Super-agent y usarlo directamente?
Lo que se puede descargar es el código de un prototipo de investigación, no una aplicación terminada que cualquier usuario pueda instalar con un clic. Para usarlo hay que desplegar DeepSeek Harness y sus dependencias, además de configurar puntos de entrada como GitHub. Si solo quieres probar primero las capacidades de los agentes de DeepSeek, recomendamos consultar la vista previa pública de Harness.
¿Super-agent es totalmente gratuito?
El código del prototipo está disponible bajo la licencia de código abierto MIT, pero ejecutarlo puede implicar costes de API de modelos, recursos de cómputo, despliegue y mantenimiento. Que sea de código abierto no significa que mantenerlo funcionando sea gratis.
¿Puede enviar correos, modificar archivos y enviar cambios de código por su cuenta?
Depende de las herramientas conectadas al producto o prototipo, de los permisos concedidos y de las reglas de ejecución. Recomendamos que acciones como enviar mensajes, realizar pagos, borrar archivos o fusionar código requieran confirmación humana. Primero deja que la IA prepare borradores y propuestas, y amplía sus permisos poco a poco.
¿Qué agente conviene probar primero?
Empezaríamos por el trabajo que hay que hacer: para investigar y entregar documentos, probaríamos primero agentes en la nube listos para usar; para mantener una conexión permanente con aplicaciones de mensajería, estudiaríamos OpenClaw; para entender la arquitectura técnica de la coordinación de tareas en equipo, leeríamos el prototipo Super-agent de DeepSeek. Que todos lleven «Agent» en el nombre no significa que resuelvan el mismo problema.
Para terminar, nuestra opinión
Para nosotros, lo más destacable de Super-agent no es que DeepSeek haya dado a los agentes un nombre más llamativo. Es que aborda en serio una cuestión que se ha dejado de lado durante mucho tiempo: cuando la IA empieza a trabajar de verdad por nosotros, ¿quién organiza las tareas, gestiona el contexto, detecta los problemas y hace que solo tengamos que intervenir cuando sea necesario?
Los experimentos oficiales indican que incorporar el reparto de tareas a la arquitectura del sistema puede ofrecer resultados más estables que limitarse a pedir «usa más subagentes». Pero también muestran el precio: más entornos de ejecución, más procesamiento de contexto y mecanismos más complejos de permisos y recuperación. Un agente que corre mucho, pero se equivoca a menudo y nos obliga a revisarlo una y otra vez, no necesariamente ahorra tiempo.
Creemos que, al elegir un asistente de IA, los usuarios preguntarán cada vez menos «qué modelo usas» y se fijarán más en tres cosas: si el trabajo está realmente terminado, si se pueden detectar los errores y cuánto dinero y esfuerzo humano ha costado.
Esa es también la dirección que queremos mantener en API Hop: explicar primero las capacidades, los costes y los usos adecuados de cada modelo, y después integrar los servicios de modelos y datos en procesos de trabajo realmente útiles. Los modelos y los datos son una parte importante, pero la fiabilidad de un agente se demuestra, al final, con resultados que se puedan validar.