Qué pasa dentro de un agente de IA cuando le pides algo

Claude Code es la herramienta de Anthropic que vive en la terminal: le planteas un problema y se pone a trabajar hasta resolverlo. Según la propia Anthropic, en noviembre de 2025, seis meses después de abrirse al público, alcanzó 1.000 millones de dólares de ingresos anualizados. Y la empresa entera llegó en abril de 2026 a un ritmo de 30.000 millones al año, una cifra a la que Salesforce tardó 19 años en llegar y Anthropic, cuatro.

Lo curioso está en las tripas. El grupo VILA-Lab analizó la versión 2.1.88 de Claude Code, unas 512.000 líneas, y publicó en arXiv que solo el 1,6 % del código tiene que ver con las decisiones del modelo. El 98,4 % restante es fontanería: permisos, enrutamiento, seguridad, herramientas y gestión del contexto. Es una lectura externa del código, no una cifra oficial de Anthropic, pero dice mucho de dónde está el trabajo. En el vídeo me propuse abrir esa máquina: qué hace un agente cuando le encargas algo real, por qué la idea tiene casi ochenta años y por qué esa fontanería que nadie celebra es, en el fondo, el producto.

Un chatbot habla, un agente actúa

Un chatbot es una llamada de ida y una respuesta de vuelta: tú preguntas, el modelo contesta y ahí se acaba. Un agente recibe un objetivo y trabaja hasta conseguirlo, en un bucle de tres pasos. Primero piensa (Thought): escribe en lenguaje natural qué va a hacer y por qué, como quien razona en voz alta. Luego actúa (Action): llama a una herramienta concreta, como leer un fichero, ejecutar un comando, buscar en internet o editar código. Y después observa (Observation): el resultado entra en su memoria de trabajo y, con esa información nueva, vuelve a pensar. Puede dar la vuelta dos veces, cinco o cincuenta, hasta que decide que ha terminado.

El patrón tiene nombre: ReAct. Lo publicaron en octubre de 2022 Shunyu Yao, doctorando en Princeton, y un equipo con investigadores de Google Brain, y se presentó en ICLR 2023. Sin tocar un solo parámetro del modelo, solo con uno o dos ejemplos en el prompt, mejoró la tasa de éxito en 34 puntos absolutos en ALFWorld y en 10 en WebShop frente a los métodos anteriores. Casi nadie lo leyó entonces, pero era la receta que estaba esperando la industria.

Manos, guardia de seguridad y memoria

Si el modelo es el cerebro, las herramientas son las manos. Y aquí viene lo bueno: el modelo nunca toca el sistema directamente. Cuando quiere usar una herramienta, emite unos tokens especiales de llamada a función (en tiempos de AutoGPT esto se hacía rascando un JSON del texto y se rompía cada dos por tres, hasta que OpenAI introdujo el function calling nativo el 13 de junio de 2023). Esos tokens los intercepta el harness, el arnés: una capa de software que comprueba que la llamada está bien formada, verifica que el agente tiene permiso y solo entonces ejecuta la herramienta.

Para enchufar herramientas, Anthropic publicó en noviembre de 2024 el Model Context Protocol (MCP), una especie de USB-C de los agentes: cualquier herramienta que lo implemente habla con cualquier agente que lo soporte. En febrero de 2025 ya había más de mil servidores MCP hechos por la comunidad, y en diciembre de 2025 el protocolo se donó a la Agentic AI Foundation, bajo la Linux Foundation. La memoria, por su parte, tiene dos capas: la ventana de contexto, el cuaderno abierto mientras trabaja, que tiene un límite; y los cajones, ficheros de texto plano en disco (CLAUDE.md, MEMORY.md, AGENTS.md) que consulta antes de empezar.

En el vídeo os enseñé todo junto con un caso inventado: viernes por la noche, la tienda no cobra. El agente consulta el monitor de errores por MCP y ve un timeout al llamar a Stripe; lee el fichero de pagos y descubre que la llamada no tiene reintentos; prueba la API desde la terminal y comprueba que Stripe va lento pero no está caído. Decide meter reintentos con espera exponencial y, como eso va a producción, pide permiso antes de editar. Con el visto bueno, cambia el código y pasa los tests. De todo eso, razonar y elegir qué hacer es la parte de IA; lo demás es fontanería.

Setenta y ocho años de bucle

En 1948, Norbert Wiener, matemático del MIT que había pasado la Segunda Guerra Mundial trabajando en predictores antiaéreos (máquinas que calculaban dónde estaría un avión segundos después), publicó Cybernetics. Su tesis: un ser vivo y una máquina se gobiernan con el mismo tipo de bucle de retroalimentación. Percibir, decidir, actuar, observar y ajustar. En 1958, en la conferencia de Teddington, John McCarthy, que dos años antes había acuñado en Dartmouth el término «inteligencia artificial», describió el Advice Taker, un programa que recibe premisas en lenguaje formal y deduce qué hacer. Nunca se construyó. En 1995, Stuart Russell y Peter Norvig fijaron la definición que se sigue enseñando: un agente es cualquier cosa que percibe su entorno con sensores y actúa sobre él con actuadores.

Los agentes de juegos llegaron lejos (AlphaGo ganó 4-1 a Lee Sedol en marzo de 2016; OpenAI Five venció a los campeones del mundo de Dota 2 el 13 de abril de 2019), pero vivían en mundos cerrados y no entendían el lenguaje. La pieza que faltaba fue el Transformer de Attention Is All You Need (2017), y detrás GPT-3 (2020), WebGPT (diciembre de 2021) y ReAct. El mundo se enteró en marzo de 2023: tras GPT-4 y ChatGPT Plugins llegaron, en un solo fin de semana, BabyAGI de Yohei Nakajima (el 29, unas 140 líneas de Python), AutoGPT de Toran Bruce Richards y HuggingGPT de Microsoft (ambos el 30). Tres agentes en unas 72 horas, de equipos que no se conocían.

AutoGPT superó las 100.000 estrellas en GitHub en semanas, pero como producto no funcionaba: bucles infinitos, errores de JSON y un modelo que nunca daba el trabajo por terminado. Lo que vino después fueron dos años de fontanería, y cuando la fontanería mejoró, los agentes empezaron a funcionar. Hoy dominan la conversación Claude Code, Codex de OpenAI (ambos de mayo de 2025) y OpenClaw, que el austríaco Peter Steinberger empezó en noviembre de 2025 como un prototipo de una hora que conectaba WhatsApp con un agente en su propio ordenador. Con licencia MIT y capaz de correr en una Raspberry Pi, rondaba las 370.000 estrellas en mayo de 2026, y OpenAI fichó a su autor el 14 de febrero. Por dentro, los tres siguen el mismo patrón: bucle ReAct, herramientas estandarizadas, MCP y memoria en Markdown.

Donde todavía se rompe

En julio de 2025, durante una congelación de código, el agente de Replit borró los datos de 1.206 ejecutivos y unas 1.196 empresas de la base de Jason Lemkin, y le dijo que no había vuelta atrás cuando sí la había. En abril de 2026, en PocketOS, Cursor con Claude Opus 4.6 borró la base de datos de producción y sus copias en 9 segundos; su fundador, Jer Crane, tuvo que recurrir a una copia de tres meses atrás, y el agente escribió una confesión enumerando las reglas que se había saltado. Hay también límites medidos: el estudio de Chroma sobre context rot probó 18 modelos punteros y todos empeoran cuando el contexto crece, sobre todo con lo que queda en medio. Y cada vuelta del bucle gasta tokens: un sistema multiagente puede consumir hasta un orden de magnitud más que un chat.

Las voces críticas tienen argumentos. Andrej Karpathy dijo en octubre de 2025, en el podcast de Dwarkesh Patel, que los LLM «todavía no funcionan», y lo explicó con la marcha de los nueves: pasar del 90 % al 99 % cuesta lo mismo que llegar al 90 %, y cada nueve siguiente, otro tanto. Yann LeCun, que dejó Meta en noviembre de 2025, llamó «completa gilipollez» al camino hacia la superinteligencia a través de LLM. Mientras, la adopción avanza: Deloitte ha desplegado Claude para unos 470.000 empleados y, según el State of Code de Sonar de 2026, alrededor del 42 % del código se escribe ya con ayuda de IA.

La pregunta que queda es cuánto cuesta el siguiente nueve: el que separa al agente que apaga el incendio del viernes la mitad de las veces del que lo apaga nueve de cada diez. Esa pelea la empezó un matemático que en 1948 vio en un cañón antiaéreo el mismo bucle que en un cerebro. Setenta y ocho años después, ese bucle está arreglando pagos en producción.