El cambio hacia los bucles de agentes continuos en la IA

El viernes, Boris Cherny, creador de Claude Code, habló en la conferencia @Scale de Meta sobre el surgimiento de los bucles de agentes, que son procesos recursivos donde los agentes de IA trabajan de forma continua. Cuando un miembro de la audiencia le preguntó si los bucles son simplemente el próximo ciclo de exageración o si son reales, Cherny afirmó que son reales. Señaló que hace dos años, los desarrolladores escribían el código fuente a mano, antes de pasar a una fase en la que los agentes de IA escriben el código. Ahora, explicó Cherny, la industria está transitando hacia un punto en el que los agentes incitan a otros agentes a escribir el código. Según Cherny: “Tan grande como fue el paso del código fuente a los agentes, los bucles son igual de importantes y representan un paso igual de grande”.

En su propio flujo de trabajo, Cherny mantiene bucles específicos ejecutándose continuamente. Por ejemplo, alrededor del minuto 32:00 de su presentación, describió el uso de un agente para buscar constantemente formas de mejorar la arquitectura del código, mientras otro busca abstracciones duplicadas para unificarlas. Estos agentes envían pull requests como cualquier otro programador, ejecutándose sin fin a medida que el código cambia. Para gestionar estos procesos continuos, los desarrolladores utilizan técnicas como el Ralph Loop, donde un modelo resume su trabajo para comprobar si se ha logrado un objetivo. Esta operación continua se alinea con un impulso más amplio de la industria hacia el “test-time compute”, que se refiere a los recursos de cómputo adicionales utilizados durante la inferencia para mejorar el rendimiento del modelo. El investigador de OpenAI, Noam Brown, observó recientemente que los modelos de IA contemporáneos pueden resolver casi cualquier problema si se les proporciona suficiente cómputo. Los bucles de agentes operacionalizan esto aplicando cómputo continuamente a las tareas, como las mejoras en la base de código, hasta que se alcanza un objetivo.

Sin embargo, esta operación continua introduce compensaciones financieras. Debido a que los bucles de agentes se ejecutan sin fin en segundo plano, consumen tokens a un ritmo elevado sin un techo natural de gasto. Si bien este alto consumo beneficia a empresas como Anthropic, que operan bajo un modelo de negocio de venta de tokens —cobrando a los usuarios según el uso del modelo de IA—, presenta un desafío para otras empresas. Para los usuarios fuera de este modelo de negocio, ejecutar bucles de agentes continuos podría ser una forma costosa de trabajar.

Por qué importa

El cambio hacia los bucles de agentes, donde los agentes de IA trabajan continuamente en segundo plano, representa un posible siguiente paso en la capacidad de la IA, aunque introduce costos y riesgos significativos relacionados con el consumo de tokens y la deriva del modelo.