O resultado de 83,4% numa medição de tarefas em ambiente de computador é alto e merece a ressalva que a própria natureza do teste impõe: medição acontece em ambiente controlado, e interface real muda.
É aí que agentes desse tipo falham de forma mais visível. Botão troca de posição depois de uma atualização, janela abre fora de ordem, aviso inesperado cobre o elemento esperado, e o sistema que aprendeu o caminho segue clicando onde não deveria.
O agravante é que esse erro costuma ser silencioso. O agente não percebe que a ação não teve o efeito esperado e continua a sequência, produzindo resultado que parece completo e está errado.
É o mesmo comportamento observado em produto lançado semanas depois, com relato de execução mantida em cenário ambíguo, sem parar para confirmar.
Para quem pensa em usar agente que opera interface, a pergunta de desenho vem antes da escolha de fornecedor: como o sistema sabe que a ação deu certo, e o que ele faz quando não consegue confirmar.