Por Canuto  

La idea de que agentes de inteligencia artificial trabajen de forma continua, supervisándose entre sí y proponiendo mejoras sin pausa, comienza a ganar fuerza entre figuras clave del sector. Pero detrás del entusiasmo por los llamados ciclos de IA aparece una pregunta incómoda: cuánta autonomía y cuánto dinero están dispuestas a tolerar las empresas para automatizar trabajo real.
***

  • Boris Cherny, creador de Claude Code, aseguró que los ciclos de IA “son algo real” y comparó su importancia con el salto desde escribir código manualmente hacia usar agentes.
  • La propuesta consiste en dejar enjambres de agentes trabajando de forma continua en segundo plano, corrigiendo arquitectura, unificando abstracciones duplicadas y enviando solicitudes de extracción.
  • El modelo promete mayor capacidad para resolver problemas complejos, pero también dispara el consumo de tokens y podría elevar mucho los costos operativos.

 

La industria de la inteligencia artificial empieza a hablar con más fuerza de un nuevo concepto: los ciclos de IA. La idea no gira solo en torno a agentes que ejecutan tareas puntuales, sino a sistemas que siguen trabajando de forma continua, a veces supervisando a otros agentes.

El tema ganó visibilidad luego de una aparición de Boris Cherny, creador de Claude Code, en la conferencia @Scale de Meta. Allí respondió sin rodeos a una pregunta sobre si los ciclos eran apenas una moda o una tecnología real: “Sí, son algo real”.

La declaración importa porque proviene de una figura asociada directamente con herramientas de programación asistida por IA. También llega en un momento en que muchas empresas tecnológicas intentan pasar de asistentes conversacionales a sistemas capaces de ejecutar trabajo sostenido, reseña TechCrunch.

En términos simples, un ciclo de IA extiende la lógica de los agentes autónomos. En vez de completar una tarea y detenerse, varios agentes permanecen activos en segundo plano, detectan oportunidades de mejora y vuelven a actuar una y otra vez.

Esa visión entusiasma aparte del sector porque promete productividad acumulativa. Pero también abre dudas sobre control, gasto computacional y el nivel de confianza que una organización puede depositar en modelos que operan sin descanso.

Qué son los ciclos de IA y por qué empezaron a llamar la atención

Durante su intervención, Cherny describió una evolución reciente en la forma de construir software. Según explicó, hace dos años los equipos escribían el código fuente manualmente, después comenzaron a pasar a agentes que escriben código, y ahora se mueven hacia una etapa en la que agentes promueven a otros agentes que luego escriben ese código.

Para el ejecutivo, ese nuevo paso no es marginal. De hecho, afirmó que los ciclos son tan importantes como lo fue el salto desde el código fuente escrito a mano hacia agentes programadores.

La frase resume un cambio profundo en la relación entre humanos y herramientas de automatización. Ya no se trataría solo de pedir ayuda a un modelo, sino de diseñar estructuras donde múltiples modelos operen de manera permanente sobre una misma base de trabajo.

Más tarde en la conversación, Cherny detalló ejemplos concretos de cómo usa estos ciclos en su labor diaria. Un agente busca continuamente maneras de mejorar la arquitectura del código, mientras otro intenta detectar abstracciones duplicadas que podrían unificarse.

Esos agentes, explicó, envían solicitudes de extracción como lo haría cualquier programador. Y como la base de código cambia de forma constante, esos procesos tampoco dejan de ejecutarse.

La lógica detrás del sistema es clara: si el software siempre evoluciona, entonces la revisión automatizada también puede mantenerse siempre encendida. Eso transforma a la IA en una capa persistente de mantenimiento, refactorización y optimización.

Del agente puntual al enjambre permanente

Hasta ahora, buena parte del enfoque en IA agente se había centrado en la gestión cuidadosa de cada sistema. Los usuarios suelen intentar fijar objetivos claros, revisar avances discretos y evitar que el modelo se desvíe demasiado de la instrucción original.

Los ciclos llevan esa práctica un paso más allá. En lugar de tratar a cada agente como una unidad acotada, autorizan a un grupo o enjambre de agentes a operar sin interrupción en segundo plano.

Esa diferencia es crucial para entender el entusiasmo del momento. Un chatbot responde, un agente ejecuta una tarea, pero un ciclo de agentes crea una dinámica continua donde el sistema se corrige, se revisa y vuelve a producir trabajo.

La promesa es especialmente atractiva para tareas abiertas y acumulativas. Mejorar una base de código, limpiar arquitectura o consolidar funciones repetidas son ejemplos donde no siempre existe un punto final rígido.

En ese contexto, la IA puede seguir entregando ganancias marginales mientras exista presupuesto computacional. El resultado es una automatización menos parecida a una consulta y más parecida a un proceso industrial siempre activo.

Ese cambio también exige un nuevo nivel de confianza en los modelos. Permitirles actuar sin cesar, con relativa autonomía, implica aceptar que su criterio tendrá un peso creciente en procesos internos reales.

Una idea nueva en apariencia, pero con raíces en la informática clásica

Aunque el concepto suene novedoso, la base técnica no surge de la nada. La fuente recuerda que los ciclos recursivos, es decir, funciones que se llaman a sí mismas para repetir una acción hasta que se cumpla una condición de salida, son parte del repertorio básico de las ciencias de la computación.

La diferencia actual está en que los ciclos con agentes no dependen siempre de una condición determinista y explícita. En muchos casos, es un subagente el que decide cuándo detenerse, en lugar de un criterio fijo predefinido por un programador.

Esa variación introduce un componente más flexible, pero también menos predecible. En vez de seguir una secuencia rígida, el sistema evalúa su propio progreso y puede decidir si continúa trabajando o si da por completado el objetivo.

Desde esa perspectiva, la aparición de ciclos con IA era casi inevitable. Una vez que los programadores comenzaron a usar modelos para completar tareas, también se volvió natural que una IA pasara a supervisar o relanzar a otra.

El artículo menciona además que estos esquemas pueden ser sorprendentemente simples. No siempre requieren arquitecturas complejas o marcos sofisticados para empezar a ofrecer resultados.

Uno de los ejemplos citados es el llamado Ralph Loop, nombrado en referencia a Ralph Wiggum. Su mecanismo básico consiste en resumir todo el trabajo realizado por el modelo y preguntarle si ya logró su objetivo.

Ese truco sirve para enfrentar un problema común en ejecuciones largas. Cuando un modelo empieza a perder el hilo o se dispersa, el ciclo lo “rebota” de vuelta hacia la meta hasta que la tarea queda completada.

Más computación en tiempo de prueba, más capacidad para resolver problemas

Otra forma de leer el auge de estos ciclos es vincularlo con la búsqueda de mayor computación en tiempo de prueba. En ese marco, el desempeño no depende solo del entrenamiento previo del modelo, sino también de cuántos recursos se le asignan mientras intenta resolver una tarea.

El investigador de OpenAI, Noam Brown, sostuvo a comienzos de mes que los modelos contemporáneos pueden resolver casi cualquier problema si se les aporta suficiente computación. Esa observación ayuda a entender por qué los ciclos resultan atractivos para muchos desarrolladores.

Si el sistema mejora al seguir intentando, entonces una estrategia razonable consiste en dejarlo trabajar más tiempo. En la práctica, eso significa enviar más tokens, lanzar nuevas iteraciones y permitir que varios agentes revisen el mismo problema desde distintos ángulos.

La lógica encaja especialmente bien con tareas de escalada incremental. Una base de código puede volverse gradualmente mejor con una secuencia de cambios pequeños, revisiones sucesivas y nuevas propuestas de optimización.

En el ejemplo ofrecido por Cherny, ese proceso no necesita concluir de forma tajante. Puede continuar haciendo mejoras incrementales mientras exista computación disponible para sostenerlo.

Eso marca una diferencia frente a herramientas tradicionales de automatización, que suelen tener un inicio y un cierre definidos. Aquí la frontera entre tarea concluida y tarea en progreso se vuelve mucho más difusa.

El costo oculto: tokens, deriva y supervisión

La contracara del entusiasmo es el costo. Al igual que ocurrió con la IA agente antes de esta nueva etapa, los ciclos de IA consumen tokens con mucha mayor rapidez que un chatbot convencional de preguntas y respuestas.

Ese punto no es menor porque el objetivo del ciclo es mantenerse activo todo el tiempo. Si el proceso nunca se apaga por completo, entonces tampoco existe un techo natural para el gasto.

Para compañías cuyo negocio consiste en vender acceso a modelos y tokens, esa dinámica puede ser funcional. El texto señala que eso puede estar bien para Anthropic, pero para el resto de actores podría convertirse en una forma cara de trabajar.

El problema no se limita a la factura computacional. También aparece la cuestión de la deriva, es decir, la posibilidad de que un agente se desvíe del objetivo inicial mientras sigue operando durante largos periodos.

En sistemas persistentes, ese riesgo puede amplificarse si no hay reglas de revisión adecuadas. Un agente que propone cambios de arquitectura o refactorizaciones constantes podría terminar generando ruido, duplicación o modificaciones de valor dudoso.

Por eso, el posible atractivo de los ciclos depende en gran parte de la configuración. El propio enfoque exige mecanismos para supervisar gasto de tokens, desviaciones del objetivo y otros problemas clásicos asociados con la IA.

Aun con esas reservas, la fuente plantea que los beneficios podrían ser lo bastante sorprendentes como para justificar el costo en algunos casos. Todo dependerá del tipo de problema, del valor de las mejoras obtenidas y del control operativo que se logre mantener.

Por qué este debate importa más allá del software

A primera vista, la discusión parece enfocada únicamente en programación. Sin embargo, el trasfondo es más amplio porque apunta a una pregunta central para toda la economía digital: hasta dónde puede delegarse trabajo real a sistemas autónomos.

Si los ciclos de IA demuestran utilidad en desarrollo de software, el concepto podría extenderse a otros entornos basados en revisión continua. Auditoría interna, monitoreo de procesos, análisis de datos o ciberseguridad son áreas donde la lógica de supervisión permanente también resulta tentadora.

Para lectores vinculados con mercados, blockchain o activos digitales, la idea tiene resonancias conocidas. En cripto ya existen sistemas que operan de forma persistente, desde bots de trading hasta protocolos automatizados que reaccionan sin intervención humana.

La diferencia es que, en el caso de la IA, el comportamiento no siempre es determinista. Un contrato inteligente ejecuta reglas fijas, mientras que un agente basado en modelo probabilístico puede producir decisiones más creativas, pero también más difíciles de anticipar.

Ese contraste explica parte de la tensión actual. Cuanto más útiles parecen estos sistemas, más urgente se vuelve diseñar marcos de control, observabilidad y límites de gasto.

Por ahora, los ciclos de IA están emergiendo como una extensión lógica del auge de los agentes. La señal más relevante es que ya no se presentan como una curiosidad académica, sino como una práctica de trabajo defendida por actores influyentes del sector.

Si esa visión prospera, la próxima etapa de la automatización no estará definida por una sola IA respondiendo preguntas. Estará marcada por redes de agentes que se vigilan entre sí, corrigen su rumbo y siguen produciendo mientras el presupuesto lo permita.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados