Anthropic, OpenAI y Cursor: ocho niveles de madurez de la ingeniería de agentes

Habr AI publicó una traducción de un artículo sobre ocho niveles de ingeniería de agentes—una práctica que transforma LLM de un asistente de autocompletado en un equipo casi autónomo de desarrolladores. La idea principal del artículo: un salto en la calidad del modelo por sí solo no garantiza el crecimiento de la productividad si el equipo no ha establecido contexto, reglas, herramientas y ciclos de retroalimentación.

De indicaciones a agentes

Los dos primeros niveles ya son familiares para el autor: tab complete e agent IDE. En esta etapa, la IA acelera tareas locales—completa fragmentos de código, ayuda con ediciones en múltiples archivos, construye un plan a partir de una idea. Pero el verdadero avance comienza en el tercer nivel, donde la ingeniería de contexto toma el centro del escenario. Ya no se trata de un prompt pulido, sino de disciplina: qué archivos, reglas y descripciones de herramientas recibe el modelo, qué hay en el historial de la sesión y cuánto ruido extra consume la ventana de contexto. Cuanto menos basura, más estable el resultado.

"Cada token debe ganarse su lugar en el prompt."

El cuarto nivel es ingeniería compuesta: el equipo no solo usa el modelo, sino que convierte hallazgos exitosos en un sistema. Si el agente comete un error, las conclusiones se fijan en archivos de reglas, documentación y patrones de trabajo para que la siguiente sesión no repita los mismos errores. El quinto nivel añade herramientas de acción a esto: MCP, skills, acceso a APIs, bases de datos, CI y navegador. A partir de este punto, LLM deja de ser solo un compañero de conversación sobre código y comienza a cambiar realmente la base de código, probarla y participar en revisiones.

Donde crece el retorno

El sexto nivel es donde el autor ve que AI-coding se vuelve verdaderamente listo para producción. Aquí, el contexto por sí solo no es suficiente—importa todo un entorno alrededor del agente: pruebas, linters, tipado, logs, verificaciones de navegador y otros ciclos de retroalimentación. Estos permiten al modelo no solo generar un parche, sino notar un error, verificarse a sí mismo e iterar nuevamente sin intervención humana. El artículo lo llama harness engineering—diseñar tal runtime donde un agente pueda ver las consecuencias de sus propios cambios y chocar contra restricciones, no contra instrucciones vagas.

• archivos de reglas y documentación que establezcan el contexto
• herramientas CLI o MCP para acceso a datos, pruebas e interfaces
• contrapresión automática: tipos, linters, hooks, CI
• división de roles entre ejecutor y revisor para que el agente no se verifique a sí mismo

De esto surge el séptimo nivel—agentes de fondo. Si un modelo puede construir un plan, navegar un repositorio y validar resultados por su cuenta, ya no necesitas mantenerlo en una pestaña interactiva. El agente puede trabajar asincronía: explorar la base de código, escribir una característica, ejecutar verificaciones, abrir un PR y regresar solo con preguntas o un resumen. Para el equipo, esto cambia la forma de trabajar en sí: el desarrollador dedica menos tiempo a malabarear tareas manualmente y cada vez más actúa como un orquestrador que establece intención, restricciones y prioridades.

Hacia dónde se mueve el mercado

Más allá de esto está lo que todavía parece más la vanguardia que la práctica cotidiana. El octavo nivel son equipos de agentes autónomos, donde múltiples LLMs se coordinan directamente entre sí en lugar de a través de un operador central. El texto proporciona ejemplos de Anthropic y Cursor: los agentes paralelos ya se utilizaron para escribir un compilador C, ensamblar un navegador y realizar migraciones grandes en una base de código.

Pero con la escala vienen los viejos problemas del desarrollo: regresiones, conflictos, bloqueos, precaución excesiva y crecientes costos de computación. Entonces el autor del artículo ofrece una conclusión sobria: la mayoría de los equipos deberían enfocarse ahora no en soñar con departamentos de IA completamente independientes, sino en alcanzar al menos un séptimo nivel maduro. Es decir, construir contexto limpio, acumular reglas, skills de calidad, ciclos de retroalimentación confiables y orquestración de fondo.

Según él, aquí es donde radica la ganancia práctica más cercana. Y aquí es donde la diferencia entre un equipo de IA fuerte y débil se vuelve especialmente notable: algunos aceleran lanzamientos, otros se ahogan en el caos que ellos mismos automatizaron.

Qué significa esto

El artículo Habr AI es útil porque desplaza la conversación sobre "modelos inteligentes" a una conversación sobre madurez de ingeniería. El mercado de AI-coding no se mueve hacia un botón mágico, sino hacia sistemas donde los modelos reciben el contexto adecuado, herramientas de trabajo y límites de retroalimentación estrictos. Los ganadores no serán aquellos con simplemente el modelo más nuevo, sino aquellos que construyen un pipeline de trabajo a su alrededor más rápidamente.