Anthropic revela cómo construye Claude con el propio Claude: el cerebro, separado de las manos

Anthropic presentó su S-1 y, ese mismo día, Latent Space publicó una conversación con Katelyn Lesse (ingeniería) y Angela Jiang (producto) sobre cómo la compañía lanza Claude con ayuda de Claude. El contexto de la charla es revelador. Según los datos que cita el presentador, los ingresos de los últimos 12 meses por empleado pasaron de $1,4 millones a $6,6 millones, es decir, casi se quintuplicaron. La empresa pasó de una pérdida de en torno al −126% de los ingresos a un beneficio del 19% según GAAP. Según el presentador, la salida a bolsa se espera en unas dos semanas y la valoración que se maneja es de $2 billones.

Según el S-1, la eficiencia descansa en dos circuitos. El de mejora: Claude hace mejores los modelos, los mejores modelos abren más casos de uso y los casos de uso generan retroalimentación. El de inversión: los ingresos que aporta una adopción creciente se convierten en cómputo y en nuevas capacidades. La conversación muestra cómo se traduce esto al nivel de la API y del runtime de agentes.

Cerebro y manos: cómo se partió el agente en dos

La principal idea de arquitectura del episodio gira en torno a Managed Agents. Anthropic separó el registro de la sesión y el harness del sandbox donde se ejecuta el código. El harness tiene una vida larga, mientras que el entorno de ejecución se crea bajo demanda. Si el sandbox se cae, la sesión del agente continúa.

Antes, todo estaba organizado de otra forma: el agente de código completo vivía dentro del sandbox, detrás de la API. Eso planteaba dos problemas:

• antes de la primera respuesta había que levantar tanto el entorno como el propio agente, lo que añadía latencia;
• si el sandbox desaparecía, desaparecía con él el agente en funcionamiento.

La separación tuvo un efecto secundario en seguridad. Si el código generado se ejecuta en un sandbox al que no llegan las credenciales de servicio, allí no hay nada que leer. Las credenciales se guardan aparte y se inyectan a través de un proxy, y el tráfico del sandbox está limitado por direcciones. Para Anthropic, es una cuestión tanto de protección como de rendimiento.

Lanzar un modelo como se lanza una API

Opus 5.5, que según el presentador lleva un mes como el mejor LLM del mundo, se desarrolló con la vista puesta en la calidad y el coste. A los Opus anteriores se les criticaba la verbosidad, así que importaba el rendimiento intelectual por dólar. Anthropic afirma que el nuevo modelo es más barato de usar que su predecesor. El ahorro exacto depende de la carga de trabajo y de la proporción de contexto en caché.

La otra cara de la moneda afecta a las integraciones. Para dificultar la extracción del razonamiento con fines de destilación, hay que conservar los thinking blocks entre los turnos del diálogo. Pero este nuevo requisito puede romper el harness que ya tenga un cliente. Por eso los programas de acceso anticipado son importantes: los clientes prueban el modelo en sus propios entornos y encuentran comportamientos que no aparecen en los productos de Anthropic.

Otros temas del episodio:

• Dreaming. Su implementación es sencilla: un agente estudia el trabajo previo de otro y escribe los recuerdos de vuelta. Es un ejemplo de comportamiento de alto nivel construido con las mismas primitivas de Managed Agents.
• Prioridades. La memoria y el aprendizaje siguen siendo importantes, pero la atención del equipo se desplaza hacia la seguridad, porque lanzar modelos se ha vuelto más complejo. Las decisiones sobre el acceso a los modelos se han convertido en una tarea aparte.
• Harness base. Se procura mantenerlo simple. Los verificadores, los agentes paralelos y otras estrategias los añaden los desarrolladores por encima. Todo lo que se mencionó como futuras capacidades de la plataforma sigue siendo un plan.
• Infraestructura. El programa del episodio incluye los límites de CPU al escalar y la reescritura de la Messages API en Rust. Con este crecimiento, incluso el consumo de procesador por solicitud se convierte en una decisión estratégica.

Claude Platform como base de todo

Según el S-1, Claude Platform se presenta como un entorno integral para desarrollar agentes. Más del 50% de los clientes con ingresos anualizados de $100 mil o más la utilizan. Claude Code y Cowork están construidos sobre las mismas primitivas que se ofrecen a los desarrolladores externos. Anthropic ya no parece solo un laboratorio, sino también una plataforma con un papel cercano al de un hiperescalador. En su relato de cara a la salida a bolsa, la compañía llama a los agentes «colegas virtuales»: son dueños de un objetivo y trabajan junto a la persona, no dentro de una única aplicación.

Las conclusiones prácticas para quien construya su propio runtime de agentes se reducen a tres preguntas:

1. ¿Qué partes del sistema deben sobrevivir a un fallo? El registro y el harness hay que sacarlos del entorno de ejecución. 2. ¿Dónde se ejecuta el código no confiable? Debe vivir en un sandbox aislado con red limitada. 3. ¿Qué secretos tienen que estar realmente donde se ejecuta el código? Casi siempre, ninguno: basta con un proxy.

Aparte, merece la pena invertir en evals. El harness puede considerarse una aplicación, pero mejorarlo se parece más a investigar: objetivo, medición, análisis de errores, iteración. Los modelos ayudan a construir y analizar las evaluaciones, pero debe ser una persona quien decida si una prueba refleja el trabajo real del usuario. Si su harness se rompe por la conservación de los thinking blocks, es mejor descubrirlo en el acceso anticipado y no el día del lanzamiento.