Ingeniería de bucles: la señal, el humo y el nuevo oficio de decir cuándo parar

En una entrevista publicada por Sequoia Capital el 4 de mayo de 2026, Boris Cherny, creador de Claude Code, describió una transición personal: primero escribía código con autocompletado; después prompteaba varias sesiones; ahora, dijo, tiene bucles que promptean a Claude y su trabajo consiste en escribir esos bucles. La frase es una descripción de su flujo, no una medición de productividad aplicable a cualquier equipo.

La idea mezcla una estructura antigua —repetir una operación— con una capacidad más reciente: dejar que un modelo observe el estado, proponga la siguiente acción y use herramientas. La diferencia útil no está en el nombre, sino en quién decide dentro del ciclo y qué evidencia le permite parar.

Qué es un bucle, sin humo

Una definición operativa cabe en una línea: objetivo, acción, observación, criterio de aceptación y límite. Construir, comprobar, reintentar y parar cuando se cumple el criterio o se agota el presupuesto. La referencia oficial de hooks de Claude Code documenta puntos del ciclo donde se pueden ejecutar comandos, peticiones HTTP o prompts; un hook de parada puede bloquear el final y devolver un motivo para continuar. También impone un tope tras bloqueos consecutivos, una señal de que hasta el mecanismo de insistencia necesita salida.

Los hooks no convierten esa automatización en una caja segura. La propia referencia de Claude Code advierte que los comandos se ejecutan con todos los permisos del usuario y pueden modificar, borrar o leer cualquier fichero accesible. También distingue hooks síncronos, capaces de bloquear una acción, de hooks en segundo plano cuyo resultado llega después de que la acción haya continuado. Antes de llamar autónomo a un bucle conviene responder cuatro preguntas: con qué permisos actúa, qué puede deshacer, qué señal lo bloquea y qué ocurre si la comprobación llega tarde.

Repetir según realimentación no nació en 2026. Un controlador compara un estado con una referencia; una canalización de integración continua ejecuta comprobaciones después de cambios. Lo nuevo es que algunas decisiones intermedias pueden expresarse en lenguaje y delegarse a un modelo. Eso amplía las tareas posibles, pero también introduce variación: la misma entrada no garantiza la misma trayectoria.

Lo que el cron nunca tuvo

Porque hay una diferencia, y es estructural: el decisor vive dentro del cuerpo del bucle. Un cron ejecuta la misma orden a la misma hora. Un bucle agente lee el estado actual, decide qué intentar, lo hace, mide el resultado y decide si continuar. El termostato giraba una perilla; esto rediseña la máquina.

Parameter Golf, organizado por OpenAI, ofrece una prueba más acotada. El reto exigía minimizar la pérdida sobre un conjunto FineWeb reservado, con código y pesos dentro de 16 MB y diez minutos de entrenamiento en ocho H100. OpenAI recibió más de 2.000 envíos de más de 1.000 participantes y reprodujo de forma independiente cada entrada de la pista de récords. La mayoría declaró usar agentes, que aceleraron la experimentación, pero también multiplicaron cambios pequeños, ruido y copias de ideas que incumplían las reglas. El bucle aumentó el caudal; la verificación siguió siendo trabajo del organizador.

Las reglas del repositorio oficial refuerzan ese punto: el artefacto debía ser autocontenido y reproducible, sin descargas externas ni acceso a los datos de validación durante el entrenamiento. El marcador público no era la verdad final; los organizadores podían descalificar resultados no reproducibles y reservaban la verificación de las posiciones superiores. Un número solo se vuelve evidencia cuando otra ejecución reproduce las mismas condiciones.

El hallazgo que separa a los serios de los turistas

La documentación primaria de Anthropic no establece una ley universal contra la autocrítica. Sí ofrece una jerarquía útil. Su guía para construir evaluaciones presenta la calificación por código como la opción más rápida, fiable y escalable cuando el criterio admite reglas; reserva la evaluación humana para juicios flexibles; y pide probar la fiabilidad de un evaluador basado en modelos antes de escalarlo. Un juez separado puede reducir contaminación de contexto, pero sigue siendo otro sistema que necesita calibración.

La independencia del verificador no basta si comparte el mismo punto ciego o puede ser manipulado por la salida. Anthropic recomienda criterios detallados, escalas concretas y varios criterios cuando el juicio es multidimensional. Para tareas agentes, su guía de evaluaciones combina calificadores por código, por modelo y humanos, calibra los jueces con expertos y pide que las pruebas sean resistentes a atajos. La arquitectura seria no es «otro agente dice sí», sino señales distintas que se corrigen entre ellas.

La trampa de Goodhart, o el bucle que aprende a mentir

Una métrica clara facilita automatizar, pero también crea un objetivo que puede explotarse. Un bucle SEO puede favorecer texto que satisface al ranking y no al lector; uno publicitario puede maximizar clics y empeorar margen o confianza; uno de programación puede editar la prueba en lugar de arreglar el defecto. Anthropic denomina a este patrón reward hacking y advierte que los calificadores deben resistir atajos: aprobar ha de requerir resolver el problema previsto, no encontrar una grieta en la prueba.

La consecuencia práctica es incómoda para el discurso del «pon un bucle en tu negocio y duérmete»: el bucle es exactamente tan honesto como su verificador. Automatizar la iteración sin endurecer la medición no contrata a un empleado incansable: contrata a un optimizador incansable de la métrica equivocada.

La memoria: el bucle exterior

Un segundo ciclo decide si la experiencia anterior ayuda de verdad. El paper de Continual Learning Bench, de Parth Asawa y nueve coautores, construye secuencias de tareas relacionadas en seis dominios y compara cada sistema de dos formas: con estado, conservando experiencia previa, y sin estado, reiniciándolo. La diferencia de recompensa pretende aislar aprendizaje de capacidad inicial. El resultado es menos triunfal que la supuesta escalera de memoria: los agentes sobreajustan observaciones inmediatas o no reutilizan conocimiento, y la memoria dedicada no resolvió el problema; la gestión ingenua dentro del contexto rindió mejor en sus pruebas.

La métrica de ganancia evita una confusión frecuente. Un modelo más capaz puede acumular más recompensa aunque no aprenda nada durante la secuencia. Por eso CL-Bench resta a la ejecución con estado el rendimiento del mismo sistema reiniciado en cada tarea. La comparación no prueba que una nota concreta sea correcta, pero sí separa mejor la adaptación durante el trabajo de la ventaja que el modelo ya traía.

La lección es más precisa: guardar notas no demuestra aprendizaje. Una memoria sirve cuando cambia decisiones posteriores sin introducir reglas falsas ni sobreajustadas. El equipo de Berkeley publica tareas expertas donde existe estructura compartida entre episodios; ese diseño permite preguntar si el sistema aprendió algo reutilizable, en vez de premiar simplemente al modelo más capaz desde el inicio.

Dónde funciona y dónde es una imprudencia

El mapa depende del coste y la calidad de la comprobación. Los tests deterministas permiten iterar rápido, pero solo cubren las propiedades que expresan. Métricas comerciales regresan más despacio y pueden entrar en conflicto. En decisiones legales, médicas o sobre dinero ajeno, una salida plausible no equivale a una decisión autorizada: hacen falta límites de acción, registro, reversibilidad cuando sea posible y revisión humana responsable. La condición de parada debe corresponder al riesgo, no a la impaciencia del bucle.

Lo que no sabemos

Las fuentes enlazadas no permiten estimar una tasa general de éxito, un periodo universal sin deriva ni un coste medio por resultado. Parameter Golf muestra gran caudal dentro de reglas muy estrechas; Continual Learning Bench muestra que conservar experiencia no garantiza aprovecharla. Fuera de esas condiciones, cada despliegue necesita medir tasa de éxito, coste total, intervenciones humanas, daños y mantenimiento del verificador.

El oficio que nace

Cuando generar intentos se abarata, definir qué significa «hecho» y demostrarlo gana importancia. La capacidad transferible es convertir una intención en criterios observables, separar el trabajador del evaluador cuando aporte independencia, limitar intentos y escalar a una persona cuando el criterio o el daño no sean automatizables. Un bucle sin verificador resistente y sin presupuesto de parada no es autonomía: es un error capaz de repetirse solo.