Loops en IA: el salto hacia agentes autónomos que nunca dejan de programar

¿Son los loops la próxima gran tendencia en inteligencia artificial?

Durante la conferencia @Scale de Meta, el creador de Claude Code, Boris Cherny, recibió una pregunta inesperada del público: “¿Son los loops el próximo ciclo de hype o son reales?”. Su respuesta fue tajante: “Sí, son reales”, y desde entonces la comunidad tecnológica no ha dejado de hablar del tema.

De agentes a bucles autónomos

Cherny explicó la evolución: “Hace dos años escribíamos código fuente a mano. Luego empezamos a transitar hacia agentes que escriben el código. Y ahora estamos pasando a un punto donde los agentes dan indicaciones a otros agentes que luego escriben el código”. Según él, el salto de los agentes a los loops es igual de importante que el paso del código fuente a los agentes.

En su propio trabajo, Cherny mantiene dos loops funcionando ininterrumpidamente: un agente busca constantemente formas de mejorar la arquitectura del código, mientras otro identifica abstracciones duplicadas que pueden unificarse. Ambos crean pull requests como cualquier desarrollador y, al estar el código en constante cambio, nunca dejan de ejecutarse.

¿Qué son exactamente los loops agentivos?

Aunque los bucles recursivos son un pilar de la programación básica —funciones que se llaman a sí mismas con una condición de parada—, los loops en IA operan con lógica no determinista. En lugar de una condición clara, un sub-agente decide cuándo detener el bucle. “Tan pronto como los programadores empezaron a usar IA para completar tareas, era inevitable que surgiera alguna versión del bucle recursivo con la IA supervisando a la IA”, señaló Cherny.

Una de las implementaciones más populares es el Ralph Loop (llamado así por Ralph Wiggum), que básicamente resume todo el trabajo realizado por el modelo y pregunta si se ha cumplido el objetivo. Es una forma de evitar que los modelos se pierdan cuando se ejecutan durante demasiado tiempo.

Test-time compute y el costo de los loops

Otra forma de entender los loops es como parte del impulso hacia más cómputo en tiempo de inferencia. Como observó recientemente el investigador de OpenAI, Noam Brown, los modelos contemporáneos pueden resolver casi cualquier problema si se les asigna suficiente poder de cómputo. Esto aplica especialmente a problemas de mejora incremental, como optimizar una base de código: el modelo puede seguir haciendo mejoras hasta alcanzar un umbral determinado.

Sin embargo, este enfoque tiene un costo elevado. Los loops agentivos queman tokens mucho más rápido que los chatbots simples de preguntas y respuestas, y al estar diseñados para ejecutarse permanentemente, no hay un techo de gasto. Para empresas como Anthropic —que vende tokens— esto es positivo, pero para el resto puede ser una forma costosa de trabajar.

¿Vale la pena?

Dependiendo del problema que el bucle agentivo intente resolver y de la configuración adecuada para supervisar el gasto de tokens, la deriva y otros problemas clásicos de la IA, los beneficios podrían ser lo suficientemente sorprendentes como para justificar los costos. Con modelos que mejoran rápidamente, los loops podrían convertirse en el siguiente paso para que la IA maneje trabajo real de forma continua.

Este enfoque representa un cambio de paradigma: pasar de gestionar agentes discretos a confiar en un enjambre de agentes que trabajan en segundo plano sin descanso. Una idea poderosa que, según Boris Cherny, marcará el futuro del desarrollo de software.