El analista Miles Deutscher calificó la guía interna recientemente publicada por la empresa Anthropic sobre la llamada ingeniería de bucles —la construcción de ciclos de trabajo de agentes de IA— como la guía más valiosa sobre inteligencia artificial que ha leído en el último año. El documento, aunque su filtración aún no ha sido confirmada oficialmente, ya ha generado un intenso debate en la comunidad profesional.
Deutscher destacó cinco principios clave en los que se basa cada uno de estos ciclos. El primero es la detección: el agente encuentra tareas por sí mismo a través de fallos en pruebas, tareas abiertas y commits. El segundo es el aislamiento: cada tarea recibe una rama de trabajo separada en el sistema de control de versiones.
El tercer principio es la verificación: el generador de código nunca debe evaluar su propio trabajo. El cuarto es la resiliencia: guardar el estado en disco para que se conserve entre ejecuciones. El quinto es la programación: el sistema funciona con un temporizador, incluso mientras el usuario duerme.
Deutscher calificó la separación entre generador y evaluador como la regla más importante. Es necesario utilizar dos agentes: uno escribe el código y el otro actúa como un juez escéptico. El evaluador debe actuar —ejecutar pruebas, presionar botones, tomar capturas de pantalla—. Esto, según él, es lo que realmente elimina los malos resultados.
Deutscher también enumeró los riesgos de este enfoque: la "deuda de verificación", la pérdida de comprensión de la propia base de código, el crecimiento explosivo de los costos en tokens y la "capitulación cognitiva", cuando una persona deja de pensar confiando en que "el ciclo se encargará por sí mismo".
Para controlar los costos, el analista propuso un enfoque de "barra" basado en el principio 80/20. Para las tareas más complejas que requieren la máxima inteligencia, se deben usar modelos costosos como Opus, mientras que el 80% restante del trabajo rutinario debe realizarse con modelos baratos de código abierto dentro del conjunto de herramientas de Claude Code. Como ejemplo para la ejecución de código, mencionó el modelo GLM-5.2.
Archivo de configuración personal de Karpathy
Un tema similar fue planteado por el ingeniero Khairallah al-Awadi. Según él, el desarrollador de IA Andrej Karpathy se unió a Anthropic hace cinco semanas, y un conocido de su equipo le mostró el archivo Claude.md que supuestamente utiliza en su trabajo. Al-Awadi incorporó este archivo en su configuración, y la primera respuesta del modelo fue completamente diferente. Según afirma, Claude dejó de dar respuestas genéricas y comenzó a trabajar con la misma lógica en la que piensa el propio usuario.
Los debates reflejan una tendencia real: los desarrolladores están construyendo cada vez más ciclos de trabajo automatizados para agentes de IA y buscando formas de aumentar su eficiencia. Los temas clave siguen siendo la división de roles entre modelos, el control de calidad y la contención de los costos en tokens.
Opinión de experto de Cryptalist: La ingeniería de bucles es una etapa natural en la evolución de los agentes de IA. La separación entre generador y evaluador no solo mejora la calidad del código, sino que también crea una base arquitectónica para sistemas autónomos escalables. Sin embargo, la "capitulación cognitiva" es una amenaza real: cuanto más inteligentes se vuelven los agentes, mayor es el riesgo de que los desarrolladores pierdan el pensamiento crítico. El control de costos y la distribución consciente de tareas entre modelos se convertirán en habilidades clave en 2024-2025.