Probamos más de 30 agentes web de código abierto en cuatro categorías: agentes autónomos, controladores de uso de computadoras, extractores web y marcos de desarrollo.

Realizamos pruebas de rendimiento idénticas utilizando el conjunto de pruebas WebVoyager, que abarca 643 tareas en 15 sitios web reales, para medir qué herramientas completan realmente las tareas web de varios pasos y cuáles fallan cuando los sitios utilizan menús desplegables dinámicos o diseños con mucho JavaScript.

Agentes web de código abierto: Estrellas de GitHub

Consulte las fuentes de referencia.

Evaluación: Referencia Web Voyager

Resultados de la prueba de rendimiento de Web Voyager

La prueba de rendimiento evalúa 643 tareas en GitHub, Wikipedia, Booking.com, Flights, Apple, Amazon, Hugging Face y otros 12 sitios web reales. Las tareas incluyen el envío de formularios, la navegación entre varias páginas, las búsquedas, las interacciones con menús desplegables y la selección de fechas.

Los mejores:

• Uso del navegador: 89,1%
• Skyvern 2.0: 85,85%
• Agente E: 73,1%
• WebVoyager: 57,1%

Comparación de las pruebas:

Cada equipo modificó el punto de referencia de manera diferente, lo que dificulta las comparaciones directas de las puntuaciones.

Browser-Use probó 586 tareas tras eliminar 55 obsoletas (productos de Apple que ya no están disponibles, fechas de vuelo caducadas, recetas eliminadas de los sitios web de origen). Las pruebas se ejecutaron en máquinas locales utilizando GPT-4o para su evaluación. Cambios técnicos: se migró de la API OpenAI a LangChain y se reescribieron las indicaciones del sistema.

Skyvern ejecutó 635 tareas en Skyvern Cloud usando navegadores en la nube asíncronos, no direcciones IP locales seguras. Se eliminaron 8 tareas con respuestas no válidas. Se actualizaron las fechas de 2023/2024 en las tareas de vuelos/hoteles a 2025. Las pruebas en la nube exponen a los agentes a la detección de bots y CAPTCHA que las pruebas locales evitan. Las grabaciones completas de las pruebas están disponibles en eval.skyvern.com mostrando cada acción y decisión. Recientemente se celebró la "Semana de lanzamiento" (finales de enero) presentando el SDK v1+ con soporte para modos integrados (locales) y remotos (en la nube), además de la nueva función "SOP Upload" que incorpora documentos de procedimientos operativos estándar para guiar las tareas web sin necesidad de indicaciones manuales. ¹

El agente E probó el conjunto de datos completo de 643 tareas sin modificaciones. Solo se utilizó el análisis del DOM, sin modelos de visión ni capturas de pantalla. Línea base de comparación: agente WebVoyager original, no la evaluación GPT-4o. El rendimiento disminuyó en sitios con formularios dinámicos donde la estructura del DOM cambia después de la entrada del usuario (menús desplegables que revelan nuevos campos según las selecciones). Fuerte en sitios estáticos: Wolfram (95,7 %), Google Search (90,7 %), Google Maps (87,8 %). Débil en sitios dinámicos: Booking.com (27,3 %), Google Flights (35,7 %).

Limitación crítica: Estas pruebas comparativas se ejecutan en sitios cooperativos sin protección agresiva contra bots. Las tasas de éxito en entornos reales serán menores al enfrentarse a sistemas de defensa como Cloudflare, DataDome o similares. Skyvern realizó pruebas en infraestructura en la nube para simular las condiciones de producción, mientras que Browser-Use y Agent-E utilizaron máquinas locales con direcciones IP incluidas en la lista blanca.

Actualizaciones importantes recientes

Crisis de seguridad: Distribución del malware OpenClaw

Entre finales de enero y principios de febrero, se subieron a ClawHub (el mercado de OpenClaw) más de 400 "habilidades" maliciosas que distribuían malware para robar credenciales. ² IBM, Anthropic y Palo Alto Networks emitieron advertencias. Los investigadores de seguridad ahora recomiendan usar solo entornos aislados y fuentes verificadas.

Crecimiento viral de OpenClaw

OpenClaw (antes Moltbot/Clawdbot) alcanzó las 147 000 estrellas en GitHub, convirtiéndose en el proyecto de IA de código abierto de más rápido crecimiento. Se ejecuta localmente, se integra con plataformas de mensajería y utiliza el Protocolo de Contexto de Modelos para más de 100 servicios. ³ Cloudflare lanzó el middleware Moltworker para dar soporte a su infraestructura. ⁴

Moltbook: Red social de agentes de IA

La red social exclusivamente de inteligencia artificial, lanzada a finales de enero, alcanzó los 1,5 millones de usuarios en cuestión de días. Los usuarios publican e interactúan de forma autónoma mientras los humanos observan. ⁵

Estandarización del protocolo del contexto del modelo

MCP se convirtió en el protocolo dominante para la integración de agentes y herramientas, con más de 100 servidores disponibles. La gestión y la gobernanza son ahora fundamentales para las implementaciones empresariales.

NVIDIA Modelos Nemotron 3

NVIDIA lanzó la familia Nemotron 3 (Nano, Super, Ultra) optimizada para IA con agentes, que ofrece un rendimiento 4 veces mayor. Incluye NeMo Gym y el conjunto de datos de seguridad con agentes en GitHub y Hugging Face. ⁶

Agentes web autónomos y copilotos

Herramientas que permiten navegar por sitios web y completar tareas de varios pasos con una mínima ayuda.

Agentes autónomos de propósito general

OpenClaw (antes Moltbot/Clawdbot) : Ejecútalo en tu ordenador para automatizar tareas en aplicaciones de mensajería, calendarios y correo electrónico. Indícale que programe una reunión con el equipo para el próximo martes y envíe las invitaciones, y se encargará de todo el proceso. Utiliza el Protocolo de Contexto de Modelo para conectarse con más de 100 servicios sin necesidad de usar la API en la nube.

¿Quién lo usa? Usuarios pioneros dispuestos a gestionar los riesgos de seguridad para la automatización local. Usuarios que desean interfaces conversacionales para flujos de trabajo de escritorio.

Limitaciones:

• Importantes vulnerabilidades de seguridad en el ecosistema de habilidades (más de 400 paquetes maliciosos en una semana).
• Todavía en rápido desarrollo con cambios frecuentes e incompatibles.
• La documentación es inconsistente debido a múltiples ciclos de cambio de marca.
• Consume muchos recursos (requiere una importante capacidad de procesamiento local).

AgenticSeek: Sustituye los servicios comerciales en la nube por una alternativa local que no envía datos de navegación a servidores externos. Instálalo en tu ordenador, describe lo que necesitas («extraer todos los precios de los productos de esta página») y se encargará de los clics y la recopilación de datos. Desarrollado en Python, se ejecuta completamente de forma autónoma.

¿Quién lo usa? Usuarios preocupados por su privacidad que no comparten sus datos de navegación. Organizaciones con requisitos de residencia de datos.

Limitaciones:

• Limitado a la concurrencia en una sola máquina (5-10 instancias de navegador).
• No incluye funciones integradas de rotación de proxy ni de anti-detección.
• Requiere configuración y mantenimiento del entorno Python.
• Más lento que las soluciones en la nube para tareas a gran escala.

Auto-GPT: Gestiona la navegación web, las operaciones con archivos y la ejecución de código. Se implementa mediante la interfaz del navegador o la línea de comandos. Al asignar una tarea como «investigar los precios de la competencia y guardarlos en una hoja de cálculo», determina qué sitios web visitar, qué datos obtener y cómo organizar los resultados.

¿Quién lo usa? Desarrolladores que crean flujos de trabajo de automatización personalizados. Usuarios familiarizados con las herramientas de línea de comandos.

Limitaciones:

• Carece de funciones específicas para la web, como la rotación de proxies y la gestión de cookies.
• No incluye ningún sistema integrado para evitar la detección de bots (los sitios con Cloudflare lo bloquearán).
• Consume muchos recursos (abre múltiples instancias del navegador).
• Requiere ingeniería manual inmediata para tareas complejas.

AgentGPT: Configure agentes directamente en su navegador sin escribir código. Desarrolle agentes especializados como «ResearchGPT» o «DataGPT» que desglosan los objetivos en pasos. La plataforma se encarga de la orquestación. Usted describe lo que desea lograr. Puede alojarse en su propio servidor si no desea utilizar la versión alojada.

¿Quién lo usa? Usuarios no técnicos que necesitan automatización sencilla. Los equipos desean configuraciones de agentes compartidas.

Limitaciones:

• Personalización limitada en comparación con las soluciones codificadas.
• Cuellos de botella de rendimiento en tareas complejas de varios pasos
• La versión alojada envía los datos a sus servidores (se requiere autoalojamiento para garantizar la privacidad).
• No incluye funciones avanzadas como la identificación del navegador o la gestión de CAPTCHA.

SuperAGI: Marco de trabajo para crear agentes autónomos personalizados con plantillas para flujos de trabajo comunes. Extiéndalo con su propia lógica. Gestiona la automatización del navegador como un componente de flujos de trabajo más amplios. Implemente localmente o en la nube.

¿Quién lo usa? Equipos de desarrollo que crean sistemas de agentes de producción. Las organizaciones necesitan marcos de automatización personalizables.

Limitaciones:

• Curva de aprendizaje pronunciada (requiere comprender la arquitectura del agente).
• La biblioteca de plantillas aún es limitada (requiere desarrollo personalizado para la mayoría de los casos de uso).
• Faltas en la documentación de las funciones avanzadas
• El desarrollo activo implica cambios incompatibles entre versiones.

Nanobrowser: una extensión de Chrome. Instálala y controla los agentes desde la barra de herramientas de tu navegador. Ideal para tareas rápidas como «extraer todos los correos electrónicos de esta página» o «rellenar este formulario con datos de mi hoja de cálculo».

¿Quién lo usa? Usuarios ocasionales que necesitan automatizar su navegador de forma esporádica. Usuarios que no configuran servidores ni entornos Python.

Limitaciones:

• No se puede escalar más allá de unas pocas pestañas (no hay procesamiento simultáneo).
• No hay integración con pipelines de automatización de backend.
• Limitado al navegador Chrome.
• Los permisos de extensión plantean problemas de seguridad.

OpenManus : una alternativa de código abierto a los servicios comerciales de automatización de navegadores. Ejecuta tareas del navegador que tardan horas o días, como monitorizar sitios web para detectar cambios de precio o esperar a que los productos vuelvan a estar disponibles. Se implementa localmente con Python y Docker, y se mantiene ejecutándose en segundo plano.

Actualización reciente: DeepWisdom (empresa matriz de OpenManus) cambió oficialmente el nombre de su tecnología principal de agentes a Atoms a mediados de enero. El nuevo marco de trabajo Atoms cambia el enfoque, pasando de herramientas para aficionados a desarrolladores a la implementación de agentes de nivel comercial con módulos integrados para pagos y autenticación. ⁷

¿Quién lo usa? Usuarios que realizan tareas de monitorización de larga duración. Los desarrolladores crean sistemas de notificación automatizados.

Limitaciones:

• Requiere la configuración de Docker y Python.
• No incluye soporte para proxy integrado (los sitios detectarán las solicitudes repetidas desde la misma IP).
• Fugas de memoria en tareas de larga duración (requiere reinicios periódicos).
• El cambio de marca a Atoms puede causar confusión en la documentación.

Agentes de uso informático

Automatización del escritorio que controla los navegadores como parte de flujos de trabajo informáticos más amplios.

OpenInterpreter: Agente basado en terminal que ejecuta scripts de Python, JavaScript y shell según lo que escribas. Pídele que “extraiga información de este sitio y la analice con pandas”, y generará el código de extracción, lo ejecutará y luego realizará el análisis. La automatización del navegador se integra con el acceso al sistema de archivos y el procesamiento de datos.

¿Quién lo usa? Desarrolladores familiarizados con las interfaces de terminal. Los científicos de datos combinan el web scraping con flujos de trabajo de análisis.

Cuándo tiene sentido: Necesitas automatización que abarque la navegación web y el procesamiento local. Quieres inspeccionar y modificar el código generado antes de su ejecución. Tus flujos de trabajo implican la transformación de datos después de su recopilación.

Limitaciones:

• Interfaz solo de terminal (sin interfaz gráfica de usuario)
• Riesgo de seguridad (ejecuta código arbitrario en su máquina)
• Sin aislamiento de procesos por defecto (puede acceder a cualquier archivo o recurso del sistema).
• Curva de aprendizaje para personas sin conocimientos de programación

UI-TARS: Marco de investigación académica que toma capturas de pantalla de tu escritorio, las analiza con modelos de visión y luego genera comandos para controlar elementos de la interfaz gráfica de usuario (GUI). Diseñado para probar nuevos enfoques de automatización de escritorio, no para su uso en producción.

Quiénes lo utilizan: Investigadores académicos que exploran la automatización basada en visión. Laboratorios que prueban sistemas de control multimodal.

Cuándo tiene sentido: Estás realizando investigaciones sobre automatización basada en visión. Necesitas experimentar con enfoques de análisis de capturas de pantalla. Estás escribiendo artículos académicos sobre automatización de interfaces gráficas de usuario (GUI).

Limitaciones:

• No está listo para la producción (prototipo de investigación).
• Alta latencia (el procesamiento del modelo de visión tarda de 2 a 3 segundos por acción).
• Caro (GPT-4V cobra por token de imagen)
• No hay lógica de recuperación de errores ni de reintento.

AutoBrowser MCP: Servidor MCP que permite a Claude controlar navegadores Chrome mediante el Protocolo de Contexto de Modelo (MCP), ofreciendo capacidades de interacción con el navegador basadas en visión. Claude analiza la pantalla del navegador, decide en qué hacer clic y ejecuta la acción. Funciona como una extensión de Chrome y un servidor local.

¿Quién lo usa? Usuarios de Claude que desean controlar el navegador. Desarrolladores que crean sistemas de automatización basados en MCP.

Cuándo tiene sentido: Ya utilizas Claude y quieres añadir automatización del navegador. Prefieres el control conversacional a las API programáticas. Se requiere interacción basada en visión para diseños complejos.

Limitaciones:

• Requiere acceso a la API de Claude (no disponible en todas las regiones).
• Los costos del modelo de visión se acumulan rápidamente
• La latencia es mayor que la de los enfoques basados en DOM.
• Limitado al navegador Chrome

Open Operator: la respuesta del equipo Browser-Use al operador de OpenAI. Proporciona a los modelos de lenguaje acceso directo a Chrome mediante una vista DOM simplificada. Ejecútalo en modo totalmente autónomo o habilita el modo de aprobación, en el que debes confirmar cada acción antes de su ejecución. Instálalo mediante Python o extensión del navegador.

Actualización reciente: Browser-Use anunció a finales de enero una integración estratégica con Parallel AI, lo que permite realizar búsquedas web multihilo. Esta actualización permite a los agentes ejecutar hasta 20 pasos de navegación por minuto, igualando o superando el rendimiento humano en tareas de investigación complejas. ⁸

Quiénes lo utilizan: Equipos que ya usan el marco Browser-Use. Las organizaciones desean flujos de trabajo de aprobación para las acciones de los agentes.

Cuándo tiene sentido: Necesitas navegación autónoma con supervisión humana. Tus flujos de trabajo requieren velocidad (ejecución multihilo). Estás desarrollando sobre el ecosistema Browser-Use.

Limitaciones:

• Requiere la instalación del framework Browser-Use.
• El modo de aprobación ralentiza significativamente la automatización.
• Funciones anti-detección limitadas (los sitios con protección contra bots lo bloquearán).
• Solo compatible con Python (sin soporte para JavaScript/TypeScript)

Claude Cowork: Recientemente se anunció una versión preliminar de investigación que amplía la API de "Uso del ordenador" de Claude para interactuar directamente con sistemas de archivos y entornos de navegador dentro de una aplicación de escritorio unificada. Establece un nuevo estándar para los agentes de código abierto. ⁹

Quiénes lo utilizan: Usuarios pioneros con acceso a la versión preliminar para investigación. Equipos que evalúan las capacidades de uso de computadoras de próxima generación.

Cuándo tiene sentido: Si desea automatización unificada de archivos y navegador. Si se siente cómodo con funciones experimentales que pueden cambiar. Si necesita control de escritorio basado en visión artificial.

Limitaciones:

• Solo para consulta (disponibilidad limitada)
• Software propietario (no de código abierto, incluido a modo de comparación).
• Precios aún no anunciados
• El conjunto de características puede cambiar significativamente antes del lanzamiento general.

Agentes de navegación web

Céntrese específicamente en los flujos de trabajo de sitios web que constan de varios pasos.

Agente E : Lee el código HTML de las páginas para encontrar elementos interactivos y rutas de navegación. Utiliza la "destilación del DOM" para reducir las páginas a los elementos interactivos esenciales, además de la "recolección de habilidades" para recordar patrones exitosos. Obtuvo una puntuación del 73,1 % en la prueba comparativa WebVoyager utilizando solo texto, sin modelos de visión.

¿Quién lo utiliza? Organizaciones que priorizan el coste sobre la precisión. Desarrolladores que crean sistemas de automatización basados en DOM.

Cuándo conviene: Necesitas automatización rápida y económica para sitios web estáticos. Tus sitios objetivo no utilizan formularios dinámicos con mucho JavaScript. Puedes tolerar una tasa de éxito del 73 % a cambio de menores costes.

Limitaciones:

• No dispone de recuperación de errores integrada cuando la estructura DOM cambia inesperadamente.
• Problemas con formularios dinámicos donde los menús desplegables muestran nuevas opciones según las selecciones.
• El rendimiento disminuye significativamente en sitios con mucho JavaScript.
• Malos resultados en los sitios de reservas

AutoWebGLM : Simplifica el HTML antes de procesarlo con modelos de lenguaje. Las páginas complejas se reducen a elementos de navegación básicos y campos de formulario. Utiliza aprendizaje por refuerzo para mejorar las decisiones de navegación con el tiempo. Se ejecuta de forma autoalojada mediante Python.

Quiénes lo utilizan: Equipos de investigación que exploran la automatización web basada en aprendizaje por refuerzo. Organizaciones con recursos informáticos para el entrenamiento de modelos.

Cuándo tiene sentido: Puedes invertir en el entrenamiento de modelos personalizados para tus sitios web específicos. Tus flujos de trabajo son lo suficientemente repetitivos como para beneficiarse de la optimización mediante aprendizaje por refuerzo. Dispones de infraestructura de aprendizaje automático en Python.

Limitaciones:

• Documentación limitada y soporte de la comunidad.
• Requiere una fase de capacitación antes de su implementación (no es de instalación inmediata).
• Se necesitan ejemplos significativos para aprender políticas efectivas.
• Se producen interrupciones al rediseñar los diseños de los sitios web.

Agentes de navegación basados en visión

Combine capturas de pantalla con análisis de texto para interpretar el diseño visual de la página.

Extensión Autogen WebSurfer : Conéctate al marco de trabajo AutoGen de Microsoft para añadir navegación web. Requiere la instalación de Playwright. El marco de trabajo te permite crear equipos de agentes: un agente busca mientras otro procesa los resultados y un tercero interactúa contigo.

Quién lo usa: Equipos que ya usan el marco AutoGen. Usuarios del ecosistema Microsoft.

Cuándo tiene sentido: Estás creando sistemas multiagente dentro de AutoGen. Necesitas una colaboración de agentes orquestada. Quieres el soporte y la documentación de Microsoft.

Limitaciones reales:

• Ejemplos limitados y proyectos comunitarios
• Requiere adoptar todo el marco de AutoGen (no se puede usar de forma independiente).
• La sobrecarga del framework no merece la pena para tareas de automatización sencillas.
• Curva de aprendizaje pronunciada para la orquestación multiagente.

Skyvern : Sistema de tres fases: el planificador divide las tareas en pasos, el actor las ejecuta y el validador confirma el éxito. Toma capturas de pantalla para identificar visualmente botones y formularios. Este enfoque es ideal para sitios con mucho JavaScript, donde el DOM cambia después de la carga de la página. Obtuvo una puntuación del 85,85 % en WebVoyager. Se puede implementar de forma autohospedada o usar su nube gestionada.

WebVoyager : Un sistema de tres fases donde el planificador divide las tareas en pasos, el actor las ejecuta y el validador confirma el éxito. Toma capturas de pantalla para identificar visualmente botones y formularios. Admite sitios con mucho JavaScript donde el DOM cambia después de la carga de la página. Obtuvo una puntuación del 85,85 % en WebVoyager. Implemente en servidores propios o utilice una nube gestionada.

Actualización reciente: Skyvern celebró su Semana de Lanzamiento a finales de enero, presentando el SDK v1+ con bibliotecas cliente para Python y TypeScript. El SDK admite modos integrados (locales) y remotos (en la nube), con intercambio de estado del navegador a través del Protocolo de Herramientas para Desarrolladores de Chrome. Se puede combinar con las acciones de Playwright para habilitar flujos de trabajo de automatización híbridos. ¹⁰

¿Quién lo usa? Organizaciones que necesitan alta precisión en aplicaciones web modernas. Equipos dispuestos a pagar el costo del modelo de visión para obtener mejores resultados.

Cuándo tiene sentido: Tus sitios web objetivo utilizan JavaScript intensivo y diseños dinámicos. Necesitas una precisión superior al 85 %. Puedes permitirte costes entre 10 y 20 veces superiores a los del análisis del DOM. Tus flujos de trabajo justifican la infraestructura en la nube.

Limitaciones:

• La versión autoalojada requiere una capacidad de procesamiento considerable para los modelos de visión.
• Costoso (GPT-4V cobra por token de imagen; cada vista de página cuesta entre 10 y 20 veces más que el análisis del DOM)
• Más lento que los enfoques DOM (2-3 segundos por página para el procesamiento de la visión).
• El despliegue en la nube te expone a la detección de bots.

LiteWebAgent : Modelo de lenguaje de visión con memoria y planificación que controla Chrome mediante el protocolo DevTools. Mantiene el contexto entre cargas de página, recordando lo que vio en páginas anteriores al tomar decisiones de navegación. Framework de Python, implementación autoalojada.
¿Quién lo usa? Desarrolladores que crean agentes personalizados basados en visión. Los equipos necesitan memoria entre páginas.
Cuándo tiene sentido: Tus flujos de trabajo requieren recordar información de varias páginas. Necesitas capacidades de visión, pero quieres más control que Skyvern. Puedes mantener la infraestructura de aprendizaje automático de Python.

Limitaciones:

• Requiere una capacidad de procesamiento considerable para los modelos de visión.
• La arquitectura de memoria aumenta la complejidad y los modos de fallo.
• Pruebas limitadas en sitios web de producción con detección de bots
• Comunidad pequeña (menos ejemplos e integraciones que alternativas)

Herramientas de habilitación de agentes

Marcos de trabajo que permiten a los gestores de lenguajes de programación (LLM) o a los usuarios enviar comandos a los navegadores sin planificación autónoma de tareas.

Lenguaje natural a acción web

LaVague : dices: «Haz clic en el botón verde». LaVague lo encuentra y hace clic en él. Se encarga de la identificación de elementos en diferentes diseños de página. Ideal para tareas repetitivas donde sabes exactamente lo que quieres, pero no quieres escribir selectores. Basado en Python, se ejecuta de forma autoalojada.

ZeroStep : Convierte instrucciones conversacionales en código de prueba para Playwright. Describe la acción en lenguaje natural y genera los comandos de Playwright. Acelera la escritura de pruebas si ya utilizas Playwright. Herramienta de línea de comandos para Node.js.

Puentes de navegador LLM

Conecte los modelos de lenguaje directamente a los controles del navegador.

Browser-Use : Toma el DOM desordenado y lo reestructura para LLM. Elimina elementos irrelevantes, etiqueta componentes interactivos y proporciona interfaces de control. Esto es lo que le permitió a Browser-Use alcanzar el 89,1 % en WebVoyager. Disponible como biblioteca de Python o API, se puede implementar de forma autohospedada o usar su nube.

Sin navegador : instancias remotas de Chrome que controlas mediante REST o WebSocket. Implementa cientos de navegadores en la nube sin gestionar infraestructura. Cada navegador se ejecuta sin interfaz gráfica, eliminando la sobrecarga de la interfaz gráfica. Utiliza su API alojada o Docker para el autoalojamiento.

ZeroStep (Playwright AI) : Capa de IA sobre Playwright. Escribe indicaciones en lugar de selectores. Combina la fiabilidad de Playwright con la flexibilidad de LLM para identificar elementos. Requiere Node.js y la instalación de Playwright.

Kits de herramientas para automatización web y extracción de datos

Herramientas específicas para cada tarea, donde usted inicia cada trabajo individualmente.

Extensiones de automatización del navegador

PulsarRPA : Extensión de Chrome para la extracción de datos. Simplemente indícale una tabla o lista, especifica qué datos extraer y se encarga del resto. Incluye un sistema de gestión para programar y almacenar los resultados.

¿Quién lo usa? Usuarios no técnicos que necesitan extraer datos con regularidad. Los analistas de negocio importan datos a hojas de cálculo.

Cuándo tiene sentido: Extraes datos de los mismos sitios repetidamente. No quieres escribir código. Necesitas programar tareas y almacenar los resultados. Tus sitios de destino no bloquean las extensiones del navegador.

Limitaciones:

• Solo compatible con Chrome (no con Firefox ni Safari).
• Se producen interrupciones cuando los sitios de destino cambian de diseño.
• No admite servidores proxy (los sitios detectan solicitudes repetidas desde la misma IP).
• Limitado a la extracción de datos tabulares

VimGPT : Proyecto experimental donde GPT-4 Vision controla tu navegador mediante atajos de teclado de Vimium. El modelo ve capturas de pantalla y genera comandos de teclado.

¿Quién lo usa?: Investigadores que exploran la visión artificial y el control mediante teclado. Los entusiastas de Vim sienten curiosidad por la automatización mediante IA.

Cuándo tiene sentido: Estás investigando la automatización mediante teclado. Buscas comprender las capacidades de los modelos de visión. No estás implementando la automatización en producción.

Limitaciones:

• Solo experimental (no práctico para trabajos reales)
• Requiere la extensión Vimium más un backend de Python.
• Alta latencia (procesamiento de visión + generación de comandos)
• Caro (GPT-4V cuesta por captura de pantalla)

Rastreadores y extractores de IA

Crawl4AI : Un rastreador que utiliza modelos de lenguaje natural (LLM) para determinar qué es importante en una página. En lugar de extraer todo el contenido, identifica el contenido relevante según tu objetivo. Desarrollado en Python, se integra con las bibliotecas de web scraping estándar.

Crecimiento reciente: Alcanzó el puesto número 1 en tendencias de GitHub y superó las 58 000 estrellas. Optimizado para la integración con LLM, con salida en formato Markdown y filtrado de contenido BM25. Opción popular para pipelines RAG que requieren implementación local. ¹¹

¿Quién lo usa? Desarrolladores que crean sistemas RAG. Equipos que necesitan soporte LLM local sin costes de API.

Cuándo tiene sentido: Estás creando aplicaciones LLM que necesitan datos web. Quieres una salida en formato Markdown. Necesitas una implementación local sin dependencias de API en la nube. Tu caso de uso implica filtrado de contenido y clasificación por relevancia.

Limitaciones:

• Requiere que LLM se ejecute localmente o a través de la API (no es una aplicación independiente).
• Más lento que los raspadores tradicionales (procesamiento LLM por página)
• Podría pasar por alto contenido importante si LLM emite juicios incorrectos.
• Mayor consumo de recursos que los rastreadores basados en reglas.

FireCrawl : Convierte sitios web a formato Markdown o JSON limpio. Gestiona la navegación, la renderización de JavaScript y la extracción de contenido. La salida está estructurada para su uso en ventanas de contexto LLM. Biblioteca Node.js o interfaz de línea de comandos (CLI).

¿Quién lo usa? Desarrolladores de aplicaciones de LLM. Los equipos están creando sistemas de IA que procesan contenido web.

Cuándo tiene sentido: Necesitas extraer texto limpio para el procesamiento LLM. Tus sitios de destino utilizan renderizado JavaScript. Quieres una salida estructurada (Markdown/JSON). Estás desarrollando aplicaciones Node.js.

Limitaciones:

• Solo Node.js (sin enlaces para Python)
• Conversión a Markdown con formato personalizado (puede perder el formato que necesita)
• Personalización limitada de las reglas de extracción
• No incluye limitación de velocidad ni sistema anti-detección.

GPT-crawler : Rastrea sitios web y genera datos de entrenamiento para GPT personalizados. Basta con apuntarlo a la documentación o a una base de conocimientos para que extraiga el contenido y lo formatee para su ajuste fino. Herramienta de línea de comandos de Python.

¿Quién lo usa? Equipos que desarrollan modelos GPT personalizados. Organizaciones que crean asistentes de IA específicos para cada dominio.

Cuándo tiene sentido: Estás ajustando modelos de lenguaje. Necesitas datos de entrenamiento estructurados de fuentes web. Tu contenido es documentación o bases de conocimiento. Puedes usar herramientas de línea de comandos de Python.

Limitaciones:

• Formato de salida específico para el ajuste fino de GPT (no de propósito general)
• Sin actualizaciones incrementales (se vuelve a rastrear todo el sitio en busca de actualizaciones).
• Gestión limitada de la autenticación o los muros de pago.
• Se asume una estructura de contenido estática.

ScrapeGraphAI : Crea grafos de conocimiento a partir del contenido rastreado. Ideal para sitios de documentación donde se necesita comprender las relaciones entre conceptos. Genera resúmenes estructurados o grafos de hechos. Implementación en Python.

¿Quién lo utiliza? Equipos de gestión del conocimiento. Los investigadores crean mapas conceptuales a partir de contenido web.

Cuándo tiene sentido: Necesitas extraer relaciones, no solo contenido. Tus sitios objetivo son documentación o contenido educativo. Estás creando bases de conocimiento o mapas conceptuales. Tienes infraestructura de Python.

Limitaciones:

• Configuración compleja (requiere base de datos de grafos y modelos de PLN).
• Más lento que los raspadores simples (extracción de entidades + mapeo de relaciones)
• La calidad depende de la estructura del contenido de origen.
• Limitado a texto (no maneja bien tablas ni imágenes).

AutoScraper: Extractor de datos mediante ejemplos. Muéstrale una página con los datos que necesitas, detectará el patrón y lo aplicará a páginas similares. Librería ligera de Python para tareas de extracción sencillas.

¿Quién lo usa? Desarrolladores que necesitan una extracción rápida sin tener que escribir XPath ni selectores CSS. Equipos que están creando prototipos de flujos de trabajo de web scraping.

Cuándo tiene sentido: Tus páginas objetivo siguen patrones consistentes. No quieres escribir selectores manualmente. Necesitas prototipos rápidos. Tus sitios no cambian de diseño con frecuencia.

Limitaciones:

• Se producen errores cuando cambian los diseños de página.
• Limitado a estructuras de página similares (no se puede generalizar a sitios diferentes).
• Sin soporte para renderizado de JavaScript
• Coincidencia de patrones simple (sin razonamiento de IA sobre el contenido)

LLM Scraper : Envía una página a un modelo LLM y solicita "Extraer todos los precios de los productos" o "Encontrar información de contacto". El modelo interpreta tu intención y extrae los datos relevantes. Es flexible, pero más costoso que los extractores basados en reglas. Desarrollado en Python.

¿Quién lo usa? Equipos que necesitan una extracción flexible sin tener que escribir reglas. Desarrolladores que crean tareas de extracción puntuales.

Cuándo tiene sentido: Las estructuras de página varían demasiado para la extracción basada en reglas. Necesitas comprensión semántica («encontrar el nombre del autor»). El costo no es tu principal preocupación. Quieres un desarrollo rápido sin ingeniería de selectores.

Limitaciones:

• Costoso (coste de la API de LLM por página)
• Más lento que los rastreadores basados en reglas (latencia de la API)
• Puede extraer datos incorrectos si la solicitud no es clara.
• No se garantiza la extracción consistente de campos en todas las páginas.

Herramientas de búsqueda de IA

BingGPT : Interfaz de chat que combina la búsqueda de Bing con respuestas GPT. Haz preguntas y obtén respuestas con fuentes. Aplicación de escritorio, no basada en navegador.

BraveGPT : extensión de búsqueda con IA que añade respuestas GPT a los resultados de Brave Search. Visualiza los resultados de búsqueda tradicionales y un resumen con IA simultáneamente. Se superpone directamente a las páginas de búsqueda.

Marcos de control web para desarrolladores

Bibliotecas de bajo nivel para el control programático del navegador.

Marcos de prueba

Automatización multiplataforma de Playwright: Microsoft. Compatible con Chromium, Firefox y WebKit. Incluye esperas, intercepción de red y emulación móvil. Disponible en JavaScript, Python, .NET y Java. Estándar del sector para pruebas web modernas.

Selenium : El framework original de automatización de navegadores. Funciona en todos los navegadores principales. Cuenta con un ecosistema amplio, pero su arquitectura es más antigua. Incluye enlaces para Python, Java, C#, Ruby y otros lenguajes. Utiliza el protocolo WebDriver.

taiko : Framework de ThoughtWorks con sintaxis legible. Ideal para pruebas funcionales donde la legibilidad del código es importante. Solo para Node.js.

Bibliotecas de automatización

Puppeteer : la biblioteca de Google para controlar Chrome/Chromium. API de alto nivel para capturas de pantalla, generación de PDF y web scraping. El ecosistema de Node.js funciona con TypeScript. La opción estándar para la automatización de Chrome sin interfaz gráfica.

Uso en navegador : Mencionado anteriormente como puente LLM, también funciona como biblioteca de automatización para desarrolladores. Convierte el DOM a un formato estructurado, gestiona la navegación y la interacción. Biblioteca de Python con opción de API.

¿Qué hace que estos agentes web sean diferentes?

Browser-Use obtuvo una puntuación del 89,1 % en las pruebas de WebVoyager (tras eliminar 55 tareas obsoletas), mientras que Agent-E alcanzó el 73,1 % con el conjunto de datos completo. Browser-Use utiliza planificación autónoma de tareas con integración de LangChain. Agent-E analiza la estructura DOM directamente sin modelos de visión, lo que resulta más rápido, pero presenta dificultades cuando los sitios web utilizan menús desplegables dinámicos o muestran nuevas opciones en función de las elecciones del usuario.

Niveles de autonomía

Los agentes totalmente autónomos como Browser-Use, Skyvern y Agent-E aceptan objetivos de alto nivel («encontrar el vuelo más barato a París») y planifican sus propios pasos de navegación. Se adaptan a elementos inesperados como banners de cookies o captchas. Sin embargo, cada decisión requiere una llamada a LLM, lo que aumenta tanto el coste como el tiempo de respuesta.

Las herramientas de guía paso a paso como LaVague y ZeroStep ejecutan comandos específicos («haz clic en el botón de búsqueda», «introduce texto en el campo 2»). La ejecución es más rápida, ya que evitan la planificación previa. Sin embargo, si un sitio web rediseña su diseño, es necesario actualizar las instrucciones manualmente.

Los frameworks de codificación manual como Playwright y Selenium requieren código explícito para cada clic, formulario rellenado y navegación. Las pruebas se ejecutan de forma idéntica cada vez hasta que el sitio cambia el ID de un elemento o el nombre de una clase. En ese momento, los selectores fallan y hay que reescribir el código.

Cómo interpretan las páginas

Procesamiento basado en visión: Skyvern 2.0, WebVoyager y VimGPT capturan capturas de pantalla y las envían a modelos de visión como GPT-4V. Estos identifican botones y formularios analizando la página renderizada.

Skyvern 2.0 utiliza un ciclo de planificador-actor-validador. El planificador divide las tareas complejas en objetivos más pequeños, el actor los ejecuta y el validador confirma si cada objetivo se ha cumplido. Este enfoque de tres fases permitió a Skyvern pasar del 45 % (versión de una sola solicitud) al 68,7 % (con planificador) y al 85,85 % (con validador que comprueba si las acciones se han realizado correctamente).

El procesamiento de imágenes funciona en sitios con mucho JavaScript, donde el DOM se reconstruye después de la carga de la página. Sin embargo, GPT-4V cobra por token de imagen, lo que hace que cada visualización de página sea entre 10 y 20 veces más costosa que leer HTML. Los modelos de visión también añaden entre 2 y 3 segundos por página en comparación con el análisis del DOM.

Análisis del DOM: Browser-Use y Agent-E leen directamente el HTML de la página. Escanean el código en busca de elementos clicables, campos de entrada y enlaces de navegación.

Agent-E utiliza la "destilación del DOM" para reducir las páginas complejas a sus elementos esenciales, además de la "recolección de habilidades" para recordar y reutilizar patrones de interacción exitosos. Superó al agente multimodal WebVoyager (que utiliza visión artificial) en sitios como Huggingface, Apple y Amazon, utilizando únicamente texto. Sin embargo, la planificación de Agent-E se desincroniza cuando los sitios web revelan dinámicamente nuevas opciones, como menús desplegables que cambian según las selecciones del usuario.

El análisis del DOM es más económico y rápido. La precisión del 89,1 % de Browser-Use se debe en parte a la integración de LangChain y a las actualizaciones de las indicaciones, y no solo a la omisión de las llamadas de visión. Sin embargo, los métodos basados en el DOM presentan dificultades cuando los sitios web utilizan Shadow DOM, nombres de clase ofuscados o manipulación intensiva de JavaScript.

Enfoque combinado: LiteWebAgent y AutoWebGLM analizan el DOM para obtener su estructura y luego utilizan visión artificial para verificar lo que los usuarios ven. Es más preciso que el DOM por sí solo y más económico que la visión artificial pura, pero requiere el uso de dos sistemas por página.

Especialización

Auto-GPT y AgenticSeek gestionan la navegación web junto con las operaciones de archivos y la ejecución de código. Carecen de funciones específicas para la web, como la rotación de proxies y la gestión de cookies, lo que limita su eficacia en sitios con detección de bots.

Agent-E y WebVoyager solo realizan navegación web. Agent-E logró un 73,1% en general en el conjunto de datos completo de 643 tareas de WebVoyager, superando el 57,1% del agente multimodal de WebVoyager. Buen rendimiento en sitios como Wolfram (95,7%), Google Search (90,7%) y Google Maps (87,8%). Débil en sitios dinámicos: solo 27,3% en Booking.com y 35,7% en Google Flights donde los menús desplegables y los campos de formulario cambian según las selecciones del usuario.

Crawl4AI y FireCrawl extraen datos y convierten páginas a Markdown o JSON. No rellenan formularios ni realizan flujos de trabajo. Úselos cuando necesite contenido en formato estructurado, no cuando necesite completar tareas de varios pasos.

Playwright y Selenium automatizan las pruebas de navegador. Producen resultados idénticos en todas las ejecuciones, algo esencial para las pruebas de regresión. Sin embargo, este determinismo implica que no pueden adaptarse. Cuando un sitio web cambia, el conjunto de pruebas deja de funcionar.

Opciones de implementación

Ejecución local: AgenticSeek, Nanobrowser y OpenInterpreter se ejecutan en tu máquina. Tus datos de navegación permanecen locales y evitas los costos de la API. Sin embargo, una estación de trabajo típica maneja entre 5 y 10 instancias de navegador simultáneas antes de que la CPU/RAM alcance su límite.

API en la nube: Browserless proporciona instancias remotas de Chrome mediante REST o WebSocket. Puedes iniciar cientos de sesiones paralelas con rotación automática de proxy. Cada solicitud añade una latencia de 100 a 300 ms en comparación con los navegadores locales, y tu tráfico se enruta a través de sus servidores a menos que uses Docker como servidor propio.

Implementación flexible: Skyvern se ejecuta localmente durante el desarrollo y luego se implementa en la nube para producción. Su prueba de rendimiento se ejecutó en Skyvern Cloud (no en máquinas locales) para probar condiciones reales con navegadores en la nube asíncronos y direcciones IP realistas. La mayoría de las pruebas de rendimiento se ejecutan en direcciones IP locales seguras con huellas digitales de navegador fiables, lo que no se corresponde con la realidad de producción.

Patrones de integración

WebSurfer de AutoGen requiere la adopción de todo el marco multiagente de Microsoft. Ofrece orquestación de agentes y gestión de memoria integradas, pero no se integra fácilmente con los sistemas existentes.

Browser-Use y Playwright funcionan como bibliotecas independientes. Puedes integrarlas en cualquier proyecto de Python o Node.js. Sin embargo, tendrás que implementar tu propio sistema de coordinación de agentes, manejo de errores y almacenamiento de resultados.

Nanobrowser y BraveGPT se instalan como extensiones de Chrome. No requieren configuración de servidor: simplemente agrégalas al navegador y listo. No admiten más de unas pocas pestañas simultáneas y no se integran con los flujos de automatización del backend.

Consideraciones de producción

Skyvern y Browserless incluyen compatibilidad con proxies residenciales, movimientos aleatorios del ratón y rotación de la huella digital del navegador. Estas funciones evitan bloqueos de IP y activaciones de CAPTCHA en sitios protegidos.

WebVoyager y AutoWebGLM se centran en algoritmos de navegación. Agent-E alcanzó el 73,1 % utilizando el análisis DOM solo de texto, superando el 57,1 % del enfoque multimodal de WebVoyager. Sin embargo, los sitios de producción con Cloudflare o DataDome bloquearán a los agentes que no cuenten con la protección anti-detección adecuada.

Contexto importante para las pruebas comparativas: Browser-Use y Agent-E realizaron pruebas localmente con direcciones IP seguras. Skyvern, en cambio, realizó sus pruebas en una infraestructura en la nube para simular condiciones de producción reales, donde se enfrentan a la detección de bots, la identificación de navegadores y los desafíos CAPTCHA. Las pruebas comparativas se ejecutan en sitios cooperativos sin protección agresiva contra bots, por lo que las tasas de éxito en el mundo real serán inferiores a las que sugieren estas cifras.

Fuentes de referencia

• Uso del navegador ¹²
• Skyvern 2.0 ¹³
• Agente E ¹⁴
• WebVoyager ¹⁵

Enlaces de referencia

1.

Launch week Day 5: Skyvern x Make.com

Skyvern Blog

2.

3.

4.

Clawdbot to Moltbot to OpenClaw: The AI agent generating buzz and fear globally

CNBC

5.

OpenClaw, Moltbook and the future of AI agents | IBM

6.

NVIDIA Debuts Nemotron 3 Family of Open Models | NVIDIA Newsroom

7.

Huawei announces all intelligence strategy to promote deep AI integration across industries

8.

Browser Use <> Parallel AI - The Future of Web Search

Browser Use

9.

Claude Cowork Tutorial: How to Use Anthropic's AI Desktop Agent | DataCamp

DataCamp

10.

Launch week Day 5: Skyvern x Make.com

Skyvern Blog

11.

Best Open-Source Web Crawlers in 2026

Firecrawl

12.

Browser Use = state of the art Web Agent

Browser Use

13.

Skyvern Browser Agent 2.0: How We Reached State of the Art in Evals

Skyvern Blog

14.

Our Agent-E SOTA Results on the WebVoyager Benchmark

15.

[2401.13919] WebVoyager: Building an End-to-End Web Agent with Large Multimodal Models

Cem Dilmegani

Analista principal

Síguenos

Cem ha sido el analista principal de AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluyendo el 55% de las empresas Fortune 500 cada mes. El trabajo de Cem ha sido citado por importantes publicaciones globales como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea. Puede consultar más empresas y recursos de renombre que citan a AIMultiple. A lo largo de su carrera, Cem se desempeñó como consultor, comprador y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización. Lideró la estrategia y adquisición de tecnología de una empresa de telecomunicaciones, reportando directamente al CEO. Asimismo, lideró el crecimiento comercial de la empresa de tecnología avanzada Hypatos, que alcanzó ingresos recurrentes anuales de siete cifras y una valoración de nueve cifras partiendo de cero en tan solo dos años. El trabajo de Cem en Hypatos fue reseñado por importantes publicaciones tecnológicas como TechCrunch y Business Insider. Cem participa regularmente como ponente en conferencias internacionales de tecnología. Se graduó en ingeniería informática por la Universidad de Bogazici y posee un MBA de la Columbia Business School.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario