En la comunidad profesional de desarrolladores de inteligencia artificial ocurrió un evento que atrajo la atención de los analistas. Un documento interno de la empresa Anthropic, dedicado a la llamada "loop-engineering" —una metodología para construir ciclos de trabajo de agentes de IA—, se filtró en la red. A pesar de que la filtración no ha sido confirmada oficialmente, esta guía ya es considerada el manual más valioso sobre IA del último año.

Los cinco pilares de un ciclo eficaz

El análisis del documento permite identificar cinco principios clave sobre los que se basa cada uno de estos ciclos. El primero es la detección: el agente debe encontrar tareas por sí mismo mediante el análisis de pruebas, incidencias abiertas y commits. El segundo es el aislamiento: cada tarea recibe una rama de trabajo separada en el sistema de control de versiones, lo que evita el caos.

El tercer principio es el más importante, según los expertos: la separación del generador y el evaluador. El generador de código nunca debe verificar su propio trabajo. Para ello se introduce un segundo agente —un "juez" escéptico— que parte de la premisa de que el código está roto. Este ejecuta pruebas, presiona botones y toma capturas de pantalla, garantizando una verificación objetiva.

El cuarto principio es la resiliencia: el registro obligatorio del estado en disco para conservar el progreso entre ejecuciones. El quinto es la programación: el sistema funciona con un temporizador, incluso mientras el usuario duerme, asegurando una productividad las 24 horas del día.

Riesgos y optimización de costos

La metodología de loop-engineering no está exenta de riesgos. Entre los principales se encuentran la "deuda de verificación", la pérdida de comprensión de la propia base de código y, lo que es especialmente importante, la "capitulación cognitiva" del desarrollador, que deja de pensar confiando en que "el ciclo se encargará de todo".

Para controlar los gastos se propone un enfoque pragmático "80/20". Para el 20% de las tareas más complejas, que requieren la máxima inteligencia, se deben utilizar modelos costosos (por ejemplo, Opus). El 80% restante del trabajo rutinario se puede delegar a modelos baratos de código abierto dentro del conjunto de herramientas de Claude Code.

El archivo de configuración personal de Karpathy

En el contexto de esta filtración, también resulta interesante otra información interna. Se informa que el reconocido desarrollador de IA, Andrei Karpathy, tras unirse a Anthropic hace cinco semanas, utiliza un archivo de configuración personal llamado Claude.md. Según ingenieros familiarizados con su trabajo, después de implementar este archivo, el modelo cambió por completo su estilo de respuestas: dejó de dar plantillas genéricas y comenzó a pensar siguiendo la lógica del propio usuario.

Mi opinión profesional: La filtración de la guía de Anthropic no es simplemente un documento técnico más. Es una señal de que la industria está pasando de los prompts artesanales a una disciplina de ingeniería. La separación de roles "generador-evaluador" y la estrategia "80/20" para optimizar el costo de los tokens son prácticas que, en un futuro cercano, se convertirán en el estándar para cualquier desarrollo serio basado en agentes de IA. Ignorar estos principios significará un rezago tecnológico.