Loops agenticos: el próximo salto de la IA que nadie esperaba

El creador de Claude Code acaba de decir en voz alta lo que muchos en el sector pensaban pero no formulaban con claridad: después de la IA agentica, el siguiente salto es el loop. Un swarm de agentes corriendo en segundo plano de forma permanente, sin techo de tokens, sin esperar órdenes. Lo contó Boris Cherny en la conferencia @Scale de Meta este viernes, y la respuesta del público fue la pregunta justa: ¿es el próximo hype cycle o es real?

La respuesta de Cherny fue contundente: «Hace dos años escribíamos código a mano. Empezamos la transición para que los agentes escribieran el código. Y ahora estamos transitando hacia que agentes les pidan a otros agentes que escriban el código. El paso de código a agentes fue enorme. El loop es igual de importante.»

Cherny no habló en abstracto. Detalló dos agentes que mantiene corriendo de forma continua en su propio flujo de trabajo: uno busca permanentemente formas de mejorar la arquitectura del código; otro detecta abstracciones duplicadas que se pueden unificar. Ambos abren pull requests como cualquier otro desarrollador del equipo. Y como el código cambia constantemente, nunca terminan.

Qué es exactamente un loop agentico

El concepto no es nuevo en la teoría de sistemas. Los bucles recursivos —funciones que se llaman a sí mismas hasta que una condición de parada se cumple— son materia de primer año de informática. Lo que cambia aquí es que la condición de parada no es determinista: es un subagente que decide cuándo el trabajo está suficientemente bien hecho. Eso lo convierte en algo radicalmente diferente de un cron job o un pipeline automatizado.

El equipo de Claude Code ha categorizado cuatro tipos principales de loops según cómo se activan y cómo se detienen:

• Turn-based (por turnos): el usuario inicia cada ciclo con un prompt. Claude actúa, verifica y devuelve el resultado. Es la forma más básica, la que ya usamos sin llamarla loop.

• Goal-based (por objetivos): se define un criterio de éxito medible (ej. «sube el Lighthouse score a 90»). Un evaluador verifica la condición cada vez que Claude intenta detenerse y lo envía de vuelta si no se ha cumplido.

• Time-based (por tiempo): se ejecuta en intervalos regulares (ej. /loop 5m check my PR). Sirve para tareas recurrentes o que dependen de sistemas externos.

• Proactive (proactivos): se activan por eventos o schedules, sin intervención humana en tiempo real. Es el nivel más autónomo: una rutina que corre hasta que alguien la apaga.

El ejemplo más citado en la comunidad es el Ralph Loop (bautizado así por el meme de Ralph Wiggum), que básicamente resume todo el trabajo realizado y pregunta al modelo si ha cumplido su objetivo. Es una forma de mantener al agente centrado cuando se dispersa tras muchas iteraciones —como resetear la memoria de trabajo de alguien que lleva horas resolviendo un problema complejo.

El investigador de OpenAI Noam Brown lo formuló así a principios de junio: los modelos actuales pueden resolver prácticamente cualquier problema si se les da suficiente cómputo. El loop es esa idea llevada al extremo productivo: si el problema es mejorar un codebase, el agente puede seguir haciendo mejoras incrementales mientras haya cómputo disponible, sin techo aparente.

El riesgo real de los loops: el problema del loop infinito

Donde la teoría se encuentra con la realidad, el problema es tan simple como costoso. El propio Claude Code ha documentado un bug crítico donde el agente entraba en un bucle infinito, enviando las mismas peticiones repetidamente durante horas, generando facturas de más de $500 en consumo inesperado.

El problema se agrava cuando el contexto está saturado. Con un 42% del contexto ocupado solo por definiciones de herramientas MCP, el agente entra en un ciclo donde intenta continuar la tarea, se queda sin contexto, se compacta, y repite el proceso indefinidamente.

Los usuarios han tenido que implementar soluciones caseras: hooks que detectan llamadas duplicadas a herramientas, rate limiting a 30 eventos por minuto, y reglas en CLAUDE.md que instruyen al agente a «no repetir la misma acción si está bloqueado, considerar enfoques alternativos».

La economía del loop: por qué le conviene a Anthropic

Aquí es donde hay que ser directos. Un loop agentico consume tokens a un ritmo radicalmente superior al de un chatbot de preguntas y respuestas. Y como la gracia del loop es que no tiene fin —corre mientras el modelo tenga trabajo que hacer— tampoco tiene límite de gasto. Cherny lo sabe, y lo dice sin eufemismos: es caro.

Para alguien que usa Claude Code con una suscripción de consumo, un loop de mejora de código corriendo durante días puede generar facturas que superen holgadamente los 1.000 euros al mes. Para Anthropic, que está en el negocio de vender tokens, el modelo es excelente. Para todos los demás, la clave está en el ROI: si el agente realmente mejora el código más rápido de lo que costaría hacerlo un ingeniero humano, el gasto se justifica.

Donde se complica es en las métricas de evaluación. ¿Cómo sabe el agente que ha mejorado algo? ¿Quién define el criterio de éxito? El propio Anthropic recomienda definir criterios de éxito lo más deterministas posible (número de tests pasados, puntuación de Lighthouse, etc.) porque el evaluador solo puede verificar condiciones concretas.

La filosofía que viene de OpenAI: los loops como frontera

Noam Brown, el investigador de OpenAI que construyó Cicero (el bot que ganó la partida de Diplomacia), ha sido uno de los mayores defensores de los loops. Su argumento es simple y demoledor: los modelos actuales pueden resolver casi cualquier problema si se les da suficiente cómputo en tiempo de prueba.

Pero también ha lanzado una advertencia a los desarrolladores: no inviertan demasiado en construir harness complejos. La capacidad que hoy logran con 6000 líneas de código de orquestación, en seis meses probablemente será nativa del modelo. «Hoy por hoy, un framework de agentes es un experimento. Mañana, es un cheque en blanco para la próxima versión del modelo.»

Preguntas frecuentes sobre loops agenticos

1. ¿Qué es exactamente un loop agentico?
Es un ciclo en el que un agente de IA repite tareas hasta que se cumple una condición de parada. A diferencia de un chatbot que responde una vez, el loop permite que el agente trabaje de forma autónoma en ciclos sucesivos.

2. ¿Qué diferencia hay entre un loop por turnos y un loop proactivo?
El loop por turnos requiere que el usuario inicie cada ciclo con un prompt. El loop proactivo se activa por eventos o schedules y corre sin intervención humana en tiempo real.

3. ¿Cuál es el mayor riesgo de los loops agenticos?
Que el agente entre en un bucle infinito y genere facturas inesperadas. Hay casos documentados de agentes ejecutando la misma acción durante horas y consumiendo cientos de dólares.

4. ¿Qué es el Ralph Loop?
Es una técnica popular en la comunidad de Claude Code que consiste en que el agente resuma todo el trabajo realizado y pregunte si ha cumplido su objetivo. Sirve para mantener al agente centrado cuando se dispersa tras muchas iteraciones.

Recuerde que…

El loop agentico no es una moda pasajera, sino la tercera fase de una transición que empezó hace dos años. Primero los humanos escribían código. Luego los agentes empezaron a escribirlo por encargo. Ahora los agentes piden a otros agentes que escriban código mientras los primeros agentes hacen otra cosa.

El test real para el loop no está en la conferencia de Meta ni en el pull request de un ingeniero de Anthropic. Está en si una empresa de software mediana puede montarlo, supervisarlo y pagarlo sin que se le vaya de las manos. Ese es el problema que Boris Cherny no resolvió el viernes, aunque lo formuló mejor que nadie.

La capacidad de los agentes para coordinarse entre sí ya tiene un lado oscuro documentado —el loop infinito que consume tokens sin control—, pero también un potencial que la industria empieza a cuantificar. La pregunta no es si el loop llegó para quedarse, sino quién va a saber usarlo sin que se le coma el presupuesto.

Si quieres profundizar en temas de inteligencia artificial y desarrollo de software, te invitamos a explorar más contenidos en fernandojuca.com y a suscribirte al canal de youtube.com/fernandojucamaldonado, donde encontrarás análisis y recursos sobre las tecnologías que están transformando el desarrollo de software.