Agentes de IA programados: cómo trabajan solos sin descontrolarse

Imagina un asistente que cada mañana revisa varios lugares y te deja un resumen sin que se lo pidas. Eso es una automatización con agentes. En Claude Managed Agents, una herramienta de Anthropic que está en beta, un despliegue programado inicia sesiones por sí solo según una expresión cron, que es un horario escrito en código [F2].

El agente es el modelo con sus instrucciones y herramientas. El entorno es el lugar donde corre. Y la sesión es una ejecución concreta [F1].

Durante la sesión, Claude usa herramientas por su cuenta: comandos, archivos, búsqueda web y servidores MCP [F1].

El historial de eventos queda guardado en el servidor y se puede consultar completo [F1].

Y cada intento del horario deja un registro de ejecución, funcione o falle [F2].

Un horario cron tiene cinco campos: minuto, hora, día del mes, mes y día de la semana. Va acompañado de una zona horaria. El problema aparece con los cambios de hora: cuando la adelantan, la hora que no existe no se dispara, y cuando la atrasan, la hora repetida se dispara dos veces [F2].

La solución que da la documentación es programar fuera de la franja de 1 a 3 a. m. local, o usar UTC [F2].

Tampoco esperes puntualidad exacta: la plataforma suma una demora aleatoria de hasta el 15 % del intervalo entre ejecuciones, con un mínimo de 5 segundos y un máximo de 9 minutos, para repartir la carga [F2].

Por defecto, cada sesión empieza en blanco: lo que el agente aprendió se pierde al terminar. Los almacenes de memoria lo resuelven: son colecciones de documentos de texto que se montan como una carpeta [F3].

Cada memoria es un documento de hasta 100 kB. Conviene tener muchos archivos pequeños y enfocados, no pocos archivos enormes [F3].

Un almacén guarda hasta 10.000 memorias, y una sesión puede montar hasta 8 almacenes [F3].

Cada cambio crea una versión inmutable, útil para auditar y recuperar; las versiones se conservan 30 días [F3].

Lo más importante es el permiso. Si el agente procesa texto no confiable, la documentación recomienda solo lectura: así una inyección de instrucciones no puede dejar contenido malicioso guardado [F3].

Un agente que se conecta a servicios como Slack o GitHub necesita llaves. Lo mejor es no dejarlas a la vista del agente. Las bóvedas las guardan aparte, y los valores secretos son de solo escritura: la API nunca los devuelve [F4].

Dentro del entorno del agente solo hay un marcador sin valor [F4].

Cuando el agente hace una petición, la plataforma cambia el marcador por el secreto real, y solo hacia los servidores que tú permitiste [F4].

Si cambias o archivas una credencial, el cambio llega incluso a las sesiones que ya están corriendo. Cada bóveda guarda hasta 20 credenciales [F4].

Un agente que corre solo también puede gastar solo. Por eso existe el presupuesto: un tope duro en dólares que se fija al crear la sesión [F5].

El tope se escribe en centavos enteros y como texto: «125» significa 1,25 dólares. Mientras el gasto esté por debajo, el agente sigue trabajando [F5].

La plataforma compara el gasto con el tope antes de cada petición al modelo. Al alcanzarlo, la sesión queda en pausa con la razón «budget_reached»: no se destruye, conserva su historial y su entorno [F5].

Ojo: la petición que cruzó el tope termina, así que el gasto puede pasarse un poco. Con un tope de 50 centavos, la pausa pudo llegar a 53 [F5].

En una automatización programada, el tope vale por cada ejecución, no como suma de todas [F2].

Ya recorriste el horario, la memoria, las llaves y el tope. Ahora te toca separar lo que se dice de lo que muestran las fuentes. Decide sobre cada afirmación y compara con la evidencia. Fíjate en que algunas parecen razonables, como pensar que un agente que falla se reintenta solo o que guardar un secreto en la memoria es seguro, pero la documentación dice otra cosa.

Recuerda que Managed Agents está en beta: la documentación avisa que su comportamiento puede refinarse entre versiones [F1]. Antes de construir algo real, revisa siempre la documentación al día.