El fin de los agentes web basados en "coordenadas" y clics frágiles está cerca. Microsoft acaba de liberar Webwright, y…

El fin de los agentes web basados en “coordenadas” y clics frágiles está cerca. Microsoft acaba de liberar Webwright, y cambia por completo las reglas del juego para la automatización y el desarrollo de agentes de IA.

Hasta ahora, la mayoría de los frameworks obligaban a las IA a interactuar con el navegador prediciendo micro-acciones paso a paso (un clic por aquí, un selector por allá) dentro de un bucle cerrado. Si el DOM cambiaba mínimamente o la página experimentaba una carga diferida (lazy loading), el agente colapsaba.

Webwright toma una postura radicalmente distinta: separa al agente del navegador y le da a la IA una terminal propia. El nuevo paradigma: “Code-as-Action” (Código como Acción) 🧠

En lugar de limitarse a hacer clics ciegos, el modelo escribe, ejecuta y depura de forma autónoma un script completo en Python utilizando Playwright. El navegador pasa a ser un entorno desechable que se lanza e inspecciona solo cuando es necesario. El verdadero artefacto persistente es el código y los registros en el espacio de trabajo local.

¿Por qué este enfoque es un salto masivo para la ingeniería de automatización y la IA?

Robustez y Abstracción: Al escribir código, la IA puede manejar condiciones de espera dinámicas, bucles y funciones lógicas. No redescubre el camino a ciegas en cada ejecución, sino que genera un programa escalable.

Eficiencia en Horizontes Largos: Al empaquetar tareas complejas (como flujos extensos de reservas o extracción de inventarios) en un script ejecutable, se reduce drásticamente la acumulación de errores que suele ocurrir en interacciones paso a paso.

Sorprendentemente Ligero: El núcleo del bucle del agente está resuelto en apenas ~450 líneas de código, sin capas ocultas, pesadas orquestaciones multi-agente ni motores gráficos complejos.

Resultados que hablan por sí solos (State-of-the-Art) 📊

El rendimiento en benchmarks de sitios web reales demuestra el poder de este enfoque frente a la clásica predicción de coordenadas X-Y:

Online-Mind2Web: Logra un 86.7% de éxito con GPT-5.4.

Odysseys (Tareas de largo alcance): Alcanza un 60.1% de efectividad, superando por +26.6 puntos porcentuales a los modelos tradicionales basados en visión estática y persistencia de navegador.

Además, es totalmente pluggable. Puede integrarse como una habilidad o plugin nativo en ecosistemas de agentes autónomos y herramientas de desarrollo avanzadas como Claude Code, OpenAI Codex, OpenClaw o Hermes Agent.

Para quienes nos dedicamos a evaluar la convergencia entre la automatización avanzada y los modelos de lenguaje, este cambio hacia la “generación de herramientas reutilizables” en lugar de la mera simulación de clics marca la pauta de lo que viene para las arquitecturas de software empresariales.

¿Qué opinan de esta transición hacia agentes web que programan sus propias soluciones en lugar de imitar la navegación humana? ¡Los leo en los comentarios! 👇