Anthropic añadió el viernes 9 de octubre de 2026 una nueva capacidad a Claude Managed Agents, su servicio para ejecutar agentes de inteligencia artificial en la nube: los flujos de trabajo dinámicos, disponibles en beta pública. La función permite que un agente principal escriba un plan en forma de programa, lo ejecute en segundo plano repartiendo tareas entre muchos agentes y reúna después los resultados. Según la documentación oficial, una sola ejecución puede poner en marcha hasta 1.000 agentes.
Claude Managed Agents es la infraestructura gestionada de Anthropic para quienes no quieren construir desde cero el bucle de un agente, su entorno de ejecución y sus herramientas. Ofrece entornos aislados donde Claude puede leer archivos, ejecutar órdenes, navegar por la web y correr código, con sesiones persistentes y ejecuciones programadas. Hasta ahora, un agente podía delegar en subagentes paso a paso; la novedad es que la coordinación completa pasa a estar escrita en un programa.
La diferencia es importante. En la delegación clásica, el agente principal decide en cada momento qué encargar, espera el informe y pasa a lo siguiente. Con los flujos dinámicos, un programa redactado por el propio agente define las fases, lanza a los agentes, recoge lo que devuelve cada uno, se lo pasa a otros y repite pasos cuando hace falta. Mientras tanto, el agente principal puede seguir conversando con el usuario o terminar su turno y consultar el progreso más tarde.
Anthropic propone usos como auditorías, migraciones, investigación profunda y verificación cruzada de fuentes. Un ejemplo citado en la documentación es la revisión de cientos de documentos: un agente por contrato analiza su contenido y otros agentes vuelven a revisar todos los contratos, no solo los que dieron problemas en la primera pasada, para evitar que se escapen errores. Si una revisión falla, el trabajo se repite y se comprueba de nuevo.
Para justificar la función, la compañía publicó una prueba interna. Su equipo escondió 70 errores en una base de código de 116.000 líneas y comparó dos enfoques en tres ejecuciones cada uno. Un único agente encontró 14, 15 y 27 errores; el flujo de trabajo dinámico encontró 66 en las tres ocasiones, lo que equivale a una tasa de detección del 94,3 %. El medio The Decoder recordó que no está claro que esas ganancias se mantengan en otros tipos de tareas.
Los límites técnicos matizan la cifra llamativa de los mil agentes. Según la documentación de Anthropic, 1.000 es el total de agentes que un flujo puede iniciar a lo largo de toda su vida, pero solo 64 hilos trabajan a la vez en una misma ejecución, y la empresa advierte de que esa cifra no está garantizada y puede cambiar. Cada ejecución dura por defecto hasta 24 horas, y una sesión admite como máximo diez ejecuciones abiertas al mismo tiempo. Si el flujo pide más agentes de los permitidos, la ejecución termina con un error.
El coste es la otra gran cuestión. La función no tiene una tarifa propia, pero cada agente consume tokens al precio del modelo que utilice, y Managed Agents cobra además 0,08 dólares por hora de sesión. Anthropic avisa de que estos flujos pueden gastar «muchos tokens» y recomienda empezar con encargos pequeños y fijar un presupuesto de sesión, que se comparte entre todos los agentes del flujo. En un texto anterior sobre sistemas multiagente, la empresa ya había señalado que suelen consumir entre 3 y 10 veces más tokens que un solo agente.
El debate sobre si merece la pena está abierto. Según The Decoder, un ingeniero sénior de OpenAI calificó recientemente los enjambres de agentes como un enorme desperdicio de tokens. La prueba de Anthropic sugiere lo contrario en la búsqueda de errores, pero no informa del gasto total ni de los falsos positivos, por lo que la comparación de eficiencia queda incompleta. La recomendación general es medir con las propias cargas de trabajo antes de adoptarlo a gran escala.
Hay también detalles de diseño que conviene conocer. Los agentes de un flujo comparten los archivos del entorno de ejecución, lo que evita que el agente principal tenga que cargar enormes volúmenes de resultados, pero puede provocar conflictos si varios agentes modifican el mismo archivo. Además, una ejecución marcada como completada no garantiza que todos los encargos hayan salido bien: el programa puede terminar aunque algunos agentes fallen, así que el propio flujo debe informar de lo que quedó sin revisar.
Para activarlo, los desarrolladores deben configurar el tipo de agente multiagente correspondiente a la versión de octubre de 2026, con los flujos de trabajo habilitados; con ese tipo, tanto los flujos como la delegación en subagentes vienen activados por defecto. Después basta con describir el trabajo en un mensaje o en las instrucciones del sistema, y el agente principal decide si conviene lanzar un flujo. Los agentes pueden definirse en el momento o elegirse de una lista preparada de antemano, con herramientas y permisos propios.
La función no es completamente nueva en el ecosistema de Anthropic: los flujos dinámicos se anunciaron para Claude Code el 28 de mayo. Lo que cambia ahora es que llegan al entorno gestionado en la nube, con límites y condiciones distintos, pensados para trabajos largos y asíncronos que no dependen de un ordenador local.
El movimiento se suma a una tendencia clara del sector: pasar de un asistente que responde preguntas a sistemas que reparten un trabajo grande entre muchas instancias especializadas. Google presentó esta misma semana su «Gemini agent», capaz de coordinar subagentes, y OpenAI impulsa sus propias herramientas para agentes. La competencia ya no se libra solo en la calidad del modelo, sino en la infraestructura que permite organizar, vigilar y pagar el trabajo de cientos de agentes a la vez.
Queda por ver cómo se comportará la función fuera de las pruebas controladas. Las preguntas clave son conocidas: cuánto cuesta realmente cada tarea completada, cuántos errores se escapan, qué ocurre cuando los agentes discrepan y quién revisa el resultado final. Si los flujos dinámicos cumplen lo que promete la prueba de los 70 errores, podrían convertirse en una herramienta habitual para auditorías y revisiones masivas; si no, servirán como recordatorio de que más agentes no siempre significan mejores resultados.
