Anthropic prueba un modo de sueño para ordenar la memoria de Claude

Anthropic presentó un modo de sueño para que sus agentes Claude revisen sesiones pasadas, organicen notas y detecten patrones sin modificar el modelo. La compañía reportó que una prueba inicial de Harvey multiplicó por seis la finalización de tareas legales, aunque la función sigue limitada a una vista previa de investigación.
***

• El proceso funciona en segundo plano y puede revisar entre una y 100 transcripciones de sesiones anteriores.
• Los aprendizajes quedan en notas y manuales de texto, mientras los datos originales permanecen intactos.
• Anthropic reportó una mejora de seis veces en la finalización de tareas legales de Harvey; el resultado corresponde a esa prueba y no garantiza el mismo efecto en otros sectores.

Anthropic presentó una función llamada «sueño» para sus Agentes Gestionados de Claude, diseñada para que revisen sesiones anteriores y organicen la información que conservarán para trabajos posteriores. La compañía dio a conocer la capacidad el 6 de mayo de 2026, durante su conferencia Code with Claude para desarrolladores, celebrada en San Francisco.

La propuesta busca resolver un problema práctico de los agentes que acumulan notas mientras trabajan: con el tiempo, pueden guardar duplicados, datos contradictorios y observaciones cuya utilidad futura no está clara. Anthropic sostiene que el proceso ayuda a ordenar esos recuerdos y a recuperar información pertinente con mayor facilidad, pero la herramienta no modifica el modelo subyacente de Claude.

Una limpieza de memoria que ocurre en segundo plano

Los agentes registran información durante la ejecución de sus tareas sin saber con certeza qué detalles serán importantes en el futuro. Esa acumulación puede hacer que una lección relevante quede enterrada entre apuntes repetidos o parcialmente útiles, una dificultad que el modo de sueño intenta abordar mediante una revisión posterior de las sesiones.

El proceso funciona de manera asíncrona, es decir, puede ejecutarse en segundo plano sin interrumpir al agente mientras realiza una tarea activa. Según la descripción de Anthropic, cada ejecución puede revisar entre una y 100 transcripciones de sesión, leerlas en conjunto y consolidar los apuntes que expresan información duplicada.

La función también está diseñada para detectar contradicciones en la memoria de trabajo y buscar patrones en el desempeño del agente. Entre esos patrones, puede identificar errores que se repiten y flujos de trabajo que suelen producir resultados, con el objetivo de conservar aprendizajes que ayuden en interacciones posteriores.

Al terminar, el sistema produce un almacén de memoria reorganizado, pero no sobrescribe los datos de entrada originales. Esa distinción permite que las notas revisadas convivan con las transcripciones iniciales. La consolidación automatizada puede facilitar el acceso a la información, aunque también existe el riesgo de que el sistema la resuma de forma equivocada.

Notas estructuradas, no un modelo distinto

El nombre de la función podría sugerir que Claude aprende durante el sueño como lo haría un modelo que ajusta su comportamiento interno, pero Anthropic describe un mecanismo distinto. Los aprendizajes se guardan como notas de texto plano y como un manual de procedimientos estructurado; los pesos subyacentes del modelo no cambian.

En otras palabras, el agente no se convierte en una versión distinta de Claude tras revisar lo que hizo. La compañía plantea el sistema como una forma de darle un cuaderno mejor organizado, que pueda consultar después, en lugar de alterar la estructura interna del modelo o entrenarlo de nuevo con cada sesión.

Anthropic también deja a las organizaciones decidir cómo entran en vigor las actualizaciones de memoria: pueden permitir que se apliquen automáticamente o exigir una aprobación manual. Esa alternativa ofrece un punto de revisión humana antes de que las conclusiones consolidadas pasen a orientar futuras tareas, aunque la descripción disponible no detalla cómo se implementan los controles en cada caso.

Durante la vista previa de investigación, el modo de sueño es compatible con claude-opus-4-8, claude-opus-4-7 y claude-sonnet-4-6. El acceso no está abierto a todos los desarrolladores: las organizaciones interesadas deben solicitar permisos para utilizar la función, por lo que su disponibilidad sigue limitada mientras Anthropic la evalúa.

La prueba legal de Harvey y sus límites

Anthropic destacó una prueba inicial con Harvey, una empresa de inteligencia artificial enfocada en el ámbito legal. Según los resultados reportados por la compañía para evaluaciones legales realistas, la tasa de finalización de tareas se multiplicó por seis después de aplicar el modo de sueño.

El dato resulta llamativo porque el trabajo legal exige precisión y consistencia, características que ponen a prueba la capacidad de un agente para conservar y utilizar información de manera fiable. Una memoria organizada podría ayudar a reutilizar procedimientos eficaces y evitar errores recurrentes, aunque el resultado por sí solo no permite determinar qué parte de la mejora responde a cada elemento del sistema.

El resultado corresponde a un socio de prueba y a una categoría de evaluación, dentro de una vista previa de investigación. Por ello, la cifra debe leerse como un resultado reportado para ese ensayo, no como una garantía de que el mismo efecto se repetirá en otras industrias, tareas o condiciones de uso.

El modo de sueño llegó junto con otras funciones presentadas en Code with Claude, que, según la información del anuncio, avanzaron a una beta pública más amplia, mientras esta capacidad permanece detrás de un proceso de solicitud de acceso. CryptoBriefing informó sobre el anuncio y sus detalles, incluida la disponibilidad restringida y la prueba reportada por Harvey.

Una herramienta útil con riesgos de consolidación

Guardar los aprendizajes en texto plano tiene una consecuencia práctica: las personas pueden leer qué información decidió conservar el agente y cómo organizó sus procedimientos. Esa visibilidad puede facilitar la revisión de las notas y ayudar a detectar si el sistema transformó una observación ocasional en una regla general que no debería aplicar.

Sin embargo, resumir y consolidar también puede fijar un error en la memoria. Si el agente interpreta mal una sesión y archiva esa lectura como una lección útil, la organización de los apuntes podría hacer que el error parezca más sólido y termine influyendo en respuestas posteriores.

La conservación de las transcripciones originales y la posibilidad de exigir aprobación manual son medidas de diseño que, según la descripción de Anthropic, pueden ayudar a contener ese riesgo. No eliminan la posibilidad de una conclusión equivocada, pero permiten comparar la memoria reorganizada con el material de partida y evitar que cada actualización se aplique necesariamente sin supervisión.

Por ahora, el alcance real de la función dependerá de las pruebas que realicen las organizaciones autorizadas y de cómo evalúen la precisión de las memorias resultantes. El anuncio presenta una vía para mejorar la continuidad de los agentes sin cambiar sus pesos, pero el resultado de Harvey y la disponibilidad limitada todavía no permiten concluir que el método funcione igual de bien en todos los usos.

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