¿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 oleada 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 poner en marcha la corrección automatizada de errores de extremo a extremo en pocas semanas, mientras que Rakuten implementó un agente especializado en una semana. Anteriormente, estas tareas habrían requerido que todo un equipo de ingeniería 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 empezado 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 los de Anthropic puedan dejar obsoletos algunos servicios de software tradicionales.

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

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

Si has utilizado Claude Code, sabes cómo funcionan los agentes de IA: les asignas 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 propio ordenador y es una herramienta de línea de comandos para uso personal del desarrollador. Deja de funcionar cuando apagas el ordenador.

Los Managed Agents se ejecutan en la nube de Anthropic y son un servicio de API para uso empresarial. Pueden ejecutarse de forma continua las 24 horas del día, 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 funciona 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 ello sin que los usuarios tengan que salir de Notion.

Varios casos de uso típicos:

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

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

· «Disparar 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 pruebas (un espacio seguro aislado donde la IA puede ejecutar código, modificar archivos y experimentar sin afectar al sistema externo real, como proporcionar a la IA una máquina virtual dedicada), gestión de credenciales, recuperación de estado, control de permisos, seguimiento de extremo a extremo y más.

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

Sin embargo, los puntos débiles que resuelven los Managed Agents van más allá del ahorro de 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. Añadieron 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 en 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 y 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 la detección de errores hasta el envío de la corrección de código». Su herramienta de depuración por IA, Seer, tras identificar la causa raíz, permite a Claude escribir parches directamente y abrir solicitudes de extracción (PR). El director de ingeniería, Indragie Karunaratne, dijo que pudieron realizar el lanzamiento en pocas semanas, ahorrando el coste de mantenimiento continuo de la infraestructura propia.

Atlassian lo integró en Jira, permitiendo a los desarrolladores asignar tareas directamente a Claude AI.

Asana creó AI Teammates, añadiendo 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 tenía que ser anticipada 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 operativo 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 entrada de blog técnica titulada «Scaling Managed Agents: Decoupling the brain from the hands», en la que se analiza la evolución arquitectónica detrás de los Managed Agents.

Inicialmente, metían todo en un mismo contenedor: el bucle de inferencia de la IA, el entorno de ejecución de código y el registro de sesión, todo junto. La ventaja era la simplicidad, pero la desventaja era que todos los huevos estaban en la misma cesta: si el contenedor fallaba, se perdía toda la sesión y las partes individuales no podían sustituirse 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 entorno de pruebas y diversas 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 aportó varias ventajas prácticas:

Velocidad

No todas las tareas necesitan iniciar el entorno de pruebas completo. Ahora, el entorno de pruebas 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 entorno de pruebas, mientras que las credenciales para acceder a sistemas externos se almacenan en una bóveda segura fuera del entorno de pruebas, con aislamiento físico en ambos lados. Por ejemplo, para acceder a un repositorio 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 entorno de pruebas es un contenedor, un teléfono móvil o un emulador de Pokémon. Solo necesita cumplir con la interfaz «introducir un nombre, obtener una cadena de texto».

Esto también significa que varios cerebros pueden compartir la mano, y un cerebro puede pasar la mano a otro cerebro, 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 todavía están en fase 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 de forma iterativa) no están totalmente abiertas todavía y requieren solicitar acceso.

Dependencia del proveedor (Lock-in). Optar por Managed Agents significa que tu infraestructura de agentes está vinculada al ecosistema de Anthropic. Si planeas cambiar de modelo o plataforma en el futuro, no se deben pasar por alto los costes de migración.

La gestión del contexto sigue siendo un desafío. Aunque 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 del contexto de la gestión del contexto: el almacenamiento garantiza la preservación, mientras que las políticas de gestión se ajustan con la evolución del modelo.

Previsibilidad de costes. 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 costes de tiempo de ejecución, el coste 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».

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

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, luego encapsulando el entorno de ejecución.

Hace diez años, las empresas debatían si «moverse a la nube»; ahora, el debate es si «alojar internamente la infraestructura de agentes 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, cabe destacar 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, añadir una mano; alterar la solución de almacenamiento, reemplazar la capa de memoria.

Una buena analogía de un blog de ingeniería: al comando read() de un sistema operativo no le importa si está tratando con un disco de los años 70 o un SSD moderno; la capa de abstracción es estable, lo que permite que la implementación subyacente se sustituya 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.

Los SDK admiten seis lenguajes (Python, TypeScript, Java, Go, Ruby, PHP). Si ya estás usando Claude Code, actualízalo a la última versión y escribe /claude-api managed-agents-onboarding para empezar.

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 costes de los tokens se basan en el precio estándar de la API de Anthropic, con un coste 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 principales, de forma similar a como lo es la computación en la nube hoy en día?

Enlace al artículo original