¿El nuevo producto de Anthropic es lo suficientemente potente como para dejar sin trabajo al equipo de infraestructura de agentes de IA?

Título original: "Anthropic lanzó hoy un nuevo producto que podría provocar que una ola de equipos de infraestructura de agentes de IA pierdan sus empleos"

Autor original: Bayu, ingeniero de IA

Este producto se llama Claude Managed Agents. En pocas palabras: le dices a Anthropic qué tipo de agente de IA quieres y te ayuda a ejecutarlo en la nube, incluyendo toda la infraestructura, con precios basados en el uso. Sentry lo utilizó para implementar la corrección de errores automatizada de extremo a extremo en pocas semanas, mientras que Rakuten desplegó un agente especializado en una semana. Anteriormente, estas tareas habrían requerido que un equipo de ingeniería completo trabajara durante meses.

Mientras tanto, los ingresos recurrentes anuales de Anthropic acaban de superar los 30.000 millones de dólares, el triple que en diciembre del año pasado. La mayor parte del crecimiento proviene de clientes empresariales. Wall Street ha comenzado a ponerse nervioso, y el WSJ afirma que los inversores se muestran cada vez más cautelosos con los precios de las acciones de las empresas de SaaS tradicionales, temiendo que productos como el de Anthropic puedan volver obsoletos algunos servicios de software tradicionales.

¿Qué es exactamente este producto? ¿En qué se diferencia del Claude Code que ya estás usando? ¿Cómo se logró técnicamente?

¿Qué es? ¿En qué se diferencia de Claude Code?

Si has usado Claude Code, sabes cómo funcionan los agentes de IA: les das una tarea y ellos planifican los pasos de forma autónoma, utilizan herramientas, escriben código, modifican archivos y completan la tarea paso a paso.

Claude Code se ejecuta en tu propia computadora y es una herramienta de línea de comandos para uso personal del desarrollador. Deja de funcionar cuando apagas la computadora.

Los Managed Agents se ejecutan en la nube de Anthropic y son un servicio de API para uso empresarial. Pueden funcionar de forma continua las 24 horas, los 7 días de la semana, conservan el progreso incluso si se desconectan y tu producto puede integrar directamente las capacidades de los agentes de IA.

Así es como opera Notion: los usuarios asignan tareas a los agentes de Claude dentro de Notion, los agentes trabajan en segundo plano, completan las tareas y devuelven los resultados, todo sin que los usuarios tengan que salir de Notion.

Varios casos de uso típicos:

· Activado por eventos: El sistema descubre un error, asigna automáticamente un bot para corregirlo y genera una solicitud de extracción (pull request), sin intervención humana de por medio.

· Programado: Genera automáticamente un resumen de actividad de GitHub o un informe de trabajo del equipo cada mañana.

· Ejecutar y olvidar: Asigna una tarea a un bot en Slack; este completa la tarea y devuelve el documento, la presentación de PowerPoint o la aplicación.

· Tarea de larga duración: Ejecutar una investigación profunda o una tarea de refactorización de código durante varias horas.

¿Cuál es la diferencia entre los bots alojados en la nube y los bots internos?

Podrías alojarlos tú mismo, pero es costoso y lento.

Un bot inteligente que pueda ponerse en marcha requiere mucho más que simplemente "llamar a una API": un entorno de espacio aislado (un espacio seguro y aislado donde la IA puede ejecutar código, modificar archivos y experimentar sin afectar el sistema externo real, como proporcionar a la IA una máquina virtual dedicada), gestión de credenciales, recuperación de estado, control de permisos, rastreo de extremo a extremo y más.

Muchos clientes empresariales solían necesitar un equipo de ingeniería completo dedicado a estas tareas. Ahora, es conectar y usar, lo que libera a los ingenieros para que se concentren en el núcleo del producto.

Sin embargo, los puntos débiles que resuelven los Managed Agents van más allá de simplemente ahorrar mano de obra.

Matt Dongslee (@dongxi_nlp) tiene un resumen conciso:

Hay un ejemplo específico en el blog de ingeniería de Anthropic:

Cuando Claude Sonnet 4.5 se acerca al límite de la ventana de contexto, "entra en pánico" y finaliza la tarea apresuradamente. Agregaron un restablecimiento de contexto en el marco de programación para solucionar esto. Sin embargo, con Claude Opus 4.5, este problema desapareció y el parche anterior se convirtió en una carga.

Si construyes tu propio marco de programación, tienes que actualizarlo con cada mejora del modelo. Delégalo a Anthropic; ellos lo optimizan por ti, optimizando esencialmente lo que te venden.

¿Quién lo está usando? ¿Cómo?

Notion permite a los usuarios delegar tareas como programar, crear presentaciones y organizar hojas de cálculo directamente a Claude dentro del espacio de trabajo, ejecutando docenas de tareas en paralelo, con todo el equipo colaborando en el mismo resultado. El gerente de producto de Notion, Eric Liu, dijo que los usuarios pueden delegar tareas complejas y abiertas directamente sin salir de Notion.

Sentry implementó un proceso totalmente automatizado "desde el descubrimiento de errores hasta la presentación de correcciones de código". Su herramienta de depuración de IA, Seer, después de identificar la causa raíz, permite a Claude escribir parches directamente y abrir PRs (solicitudes de extracción). El director de ingeniería, Indragie Karunaratne, dijo que pudieron realizar el lanzamiento en pocas semanas, ahorrando el costo de mantenimiento continuo de la infraestructura autoconstruida.

Atlassian lo integró en Jira, permitiendo a los desarrolladores asignar tareas directamente a la IA de Claude.

Asana creó AI Teammates, agregando colaboradores de IA en la gestión de proyectos que pueden asumir tareas y entregables.

General Legal (empresa de tecnología legal) tiene el enfoque más interesante: su IA puede crear herramientas temporalmente para buscar datos según las consultas de los usuarios. Anteriormente, cada consulta del usuario debía anticiparse y se debía desarrollar una herramienta de recuperación con antelación, pero ahora la IA las genera bajo demanda. El CTO dijo que el tiempo de desarrollo se ha reducido 10 veces.

Rakuten desplegó agentes de IA especializados en los departamentos de ingeniería, producto, ventas, marketing y finanzas, cada uno de ellos puesto en marcha en una semana, recibiendo tareas a través de Slack y Teams y entregando resultados tangibles como hojas de cálculo, presentaciones y aplicaciones.

Principio técnico: desacoplar el cerebro de las manos

El equipo de ingeniería de Anthropic escribió una publicación en su blog técnico titulada "Scaling Managed Agents: Decoupling the brain from the hands" (Escalando agentes gestionados: desacoplando el cerebro de las manos), donde discuten la evolución arquitectónica detrás de los Managed Agents.

Inicialmente, metieron todo en un solo contenedor: el bucle de inferencia de la IA, el entorno de ejecución de código y el registro de sesión, todo junto. El beneficio era la simplicidad, pero la desventaja era que todos los huevos estaban en la misma canasta: si el contenedor fallaba, se perdía toda la sesión y las partes individuales no podían reemplazarse por separado.

Más tarde, hicieron una división clave:

· El "Cerebro" es Claude y su marco de programación, responsable de pensar y tomar decisiones.

· La "Mano" es el espacio aislado y varias herramientas, responsables de ejecutar operaciones específicas.

· La "Memoria" es un registro de sesión independiente que registra todo lo que sucede.

Los tres son independientes y, si uno falla, no afecta a los otros dos.

Esta división trajo varios beneficios prácticos:

Velocidad

No todas las tareas necesitan iniciar el entorno de espacio aislado completo. Ahora, el espacio aislado solo se lanza bajo demanda cuando la IA realmente necesita ejecutar código. La latencia media de la primera respuesta disminuyó alrededor de un 60% y, en casos extremos, cayó más de un 90%.

Seguridad

El código generado por la IA se ejecuta en el espacio aislado, mientras que las credenciales para acceder a sistemas externos se almacenan en una bóveda segura fuera del espacio aislado, con aislamiento físico en ambos lados. Por ejemplo, para acceder a un repositorio de Git, el sistema clona el código durante la inicialización y la IA interactúa con git push/pull normalmente, pero el Token en sí no es visible para la IA. Para servicios como Slack y Jira, se accede a ellos a través del protocolo MCP, donde las solicitudes pasan por una capa de proxy; la capa de proxy recupera las credenciales de la bóveda para llamar al servicio y la IA nunca maneja las credenciales durante todo el proceso.

Flexibilidad

Al cerebro no le importa qué es la mano. Hay una frase interesante en el blog de ingeniería: el marco de programación no sabe si el espacio aislado es un contenedor, un teléfono móvil o un emulador de Pokémon. Solo necesita cumplir con la interfaz de "ingresar un nombre, obtener una cadena de texto".

Esto también significa que múltiples cerebros pueden compartir la mano, y un cerebro puede entregar la mano a otro, sentando las bases para la colaboración entre múltiples agentes.

Limitaciones

Los Managed Agents no son todopoderosos. Hay varios puntos a tener en cuenta:

Algunas funciones aún están en etapa de vista previa de investigación. Capacidades como la colaboración entre múltiples agentes, herramientas de memoria avanzada y la iteración de autoevaluación (que permite al agente juzgar la calidad de finalización de su propia tarea y mejorar iterativamente) aún no están completamente abiertas y requieren una solicitud para acceder.

Bloqueo de plataforma. Optar por Managed Agents significa que la infraestructura de tu agente está vinculada al ecosistema de Anthropic. Si planeas cambiar de modelo o plataforma en el futuro, no se deben pasar por alto los costos de migración.

La gestión del contexto sigue siendo un desafío. Si bien los registros de sesión se almacenan de forma independiente, decidir qué información conservar o descartar durante tareas largas sigue implicando decisiones irreversibles. Este es un desafío continuo, y su enfoque actual separa el almacenamiento de contexto de la gestión de contexto: el almacenamiento garantiza la preservación, mientras que las políticas de gestión se ajustan con la evolución del modelo.

Previsibilidad de costos. 0,08 dólares por hora de sesión puede parecer razonable, pero para tareas complejas que requieren que el agente se ejecute durante varias horas, considerando el consumo de tokens y los costos de tiempo de ejecución, el costo total puede no ser insignificante. Las empresas deben evaluar sus presupuestos en consecuencia.

Los Managed Agents indican que a la mayoría de las empresas todavía les queda un largo camino por recorrer antes de poder "confiar plenamente en los agentes de IA para el trabajo".

Si bien se ha reducido la barrera de la infraestructura, los Managed Agents no pueden ayudar a definir buenas tareas, diseñar flujos de trabajo o establecer confianza para permitir que la IA acceda a datos comerciales centrales.

El "momento AWS" de la infraestructura de agentes de IA

Los Managed Agents parecen seguir el camino que tomó AWS en sus inicios: primero proporcionando potencia informática y luego encapsulando el entorno de ejecución.

Hace diez años, las empresas debatían si "moverse a la nube"; ahora, el debate es si "alojar la infraestructura de agentes uno mismo o utilizar servicios gestionados". La experiencia histórica nos dice que la mayoría de las empresas terminan eligiendo servicios gestionados porque la infraestructura nunca es una competencia central. OpenAI también ha lanzado su propia plataforma de agentes, Frontier, y la competencia en este espacio apenas comienza.

Desde una perspectiva tecnológica, vale la pena señalar el enfoque arquitectónico de la "separación del cerebro y la mano". Permite que cada parte del sistema evolucione de forma independiente: actualizar el modelo, cambiar el cerebro; necesitar una herramienta nueva, agregar una mano; alterar la solución de almacenamiento, reemplazar la capa de memoria.

Una buena analogía de un blog de ingeniería: el comando read() de un sistema operativo no se preocupa de si está tratando con un disco de la década de 1970 o un SSD moderno; la capa de abstracción es estable, lo que permite que la implementación subyacente se intercambie fácilmente.

Desde una perspectiva de uso, si eres un desarrollador empresarial que busca integrar la capacidad de agentes de IA en tu producto, los Managed Agents podrían ahorrarte varios meses de trabajo de infraestructura.

Seis lenguajes (Python, TypeScript, Java, Go, Ruby, PHP) son compatibles con los SDK. Si ya estás usando Claude Code, actualiza a la última versión y escribe /claude-api managed-agents-onboarding para comenzar.

Si eres un entusiasta casual de la IA, el impacto más inmediato que podrías sentir es: en los productos SaaS que utilizas, cada vez más agentes de IA trabajarán en segundo plano para ayudarte, y es probable que estos agentes se ejecuten en Managed Agents.

Referencia de precios: Los costos de los tokens se basan en el precio estándar de la API de Anthropic, con un costo de tiempo de ejecución de 0,08 dólares por hora de sesión (el tiempo de inactividad no se factura) y 10 dólares por cada mil búsquedas web.

¿Crees que la infraestructura para agentes de IA terminará siendo dominada por unos pocos actores importantes, de forma similar a como lo es la computación en la nube hoy en día?

Enlace al artículo original