¿Qué es Claude Managed Agents? La infraestructura para llevar agentes de IA a producción

Los agentes de inteligencia artificial ya no son solo una promesa de laboratorio. Están empezando a ejecutar tareas reales: optimizar sitios web, investigar precios, responder a incidentes. Pero llevarlos a producción conlleva un reto enorme: orquestar herramientas, entornos aislados, memoria persistente, coordinación entre varios agentes y aprobaciones humanas.

Para resolver precisamente eso, Anthropic ha presentado Claude Managed Agents, un conjunto de APIs diseñado para construir y desplegar agentes a escala. La propuesta es ambiciosa: tú defines las herramientas, los entornos y los criterios de éxito; Claude trabaja hasta que el trabajo esté terminado.

¿Qué es exactamente Claude Managed Agents?

Claude Managed Agents es una suite de APIs para construir agentes listos para producción. Tú defines agentes con herramientas, personalidades y capacidades específicas. Configuras entornos sandbox con los paquetes y controles de red adecuados. Y lanzas sesiones desde tu propia aplicación.

A partir de ahí, Claude hace el trabajo dentro de un contenedor aislado con acceso completo al sistema de archivos, ejecución de bash y búsqueda web. Todo el proceso se puede seguir en tiempo real mediante un flujo de eventos.

La beta de Claude Managed Agents incluye resultados (outcomes), orquestación multiagente y memoria. Además, viene habilitada por defecto para todas las cuentas de API.

Los bloques fundamentales

Managed Agents se apoya en varias piezas clave:

• Agentes: defines su propósito, sus herramientas y su personalidad.
• Sesiones: cada tarea se ejecuta en una sesión independiente, lanzada desde tu aplicación.
• Entornos: sandboxes con paquetes preinstalados y controles de red. Puedes montar repositorios de GitHub dentro del contenedor.
• Herramientas: ejecución bash, acceso a archivos, búsqueda web, herramientas personalizadas y servidores MCP.
• Outcomes: criterios de éxito medibles. Un evaluador separado, con su propia ventana de contexto, califica el resultado contra tus criterios.
• Memoria: un almacén persistente que el agente lee antes de empezar y actualiza al terminar.
• Coordinación multiagente: un agente coordinador delega en especialistas que trabajan en contextos separados pero comparten el mismo sistema de archivos.
• Aprobaciones humanas: políticas de permisos que permiten revisar y aprobar acciones antes de que se ejecuten.

¿Cómo se ve en la práctica?

El video de presentación muestra tres escenarios que ilustran perfectamente el potencial de esta infraestructura.

1. Un tablero Kanban que lanza agentes

Imagina un tablero Kanban conectado a Managed Agents. Arrastras un ticket a la columna “En progreso” y se dispara automáticamente una sesión. El ticket dice: “Optimizar el rendimiento del sitio web”.

Tu backend crea una sesión, apunta a un entorno configurado con Lighthouse y Puppeteer preinstalados, y monta tu repositorio de GitHub en el contenedor. Claude tiene el código, las herramientas y una rúbrica clara: puntuación Lighthouse superior a 90, sin recursos que bloqueen el renderizado, todas las imágenes con lazy loading.

Claude ejecuta la auditoría. Empieza a comprimir imágenes, insertar CSS en línea, diferir scripts. Cada llamada a herramienta se transmite al tablero en tiempo real. Cuando termina, un evaluador independiente revisa el resultado contra los criterios. Claude lee los comentarios, corrige lo que falta y vuelve a enviar. La puntuación sube a 96.

Y lo más interesante: puedes arrastrar un segundo ticket mientras el primero sigue ejecutándose. Dos sesiones, dos contenedores, dos tareas en paralelo.

2. Investigación semanal de precios SaaS con memoria persistente

Otro agente tiene la misión de rastrear precios y cambios de plan en todas las herramientas SaaS que paga la empresa, y tener un informe listo antes del standup.

Claude busca en la web las páginas de precios actuales, comprueba cambios en los niveles de plan, marca nuevas funcionalidades que podrían afectar a los contratos. Luego ejecuta un análisis de costes en Python dentro del sandbox. Usa una habilidad de hoja de cálculo Excel y escribe un resumen ejecutivo. Cuando el informe está listo, publica un enlace en Slack y crea una tarea de revisión en Asana, todo a través de servidores MCP.

Pero lo verdaderamente potente es la memoria. Antes de empezar, el agente consulta lo que encontró la semana anterior. Al terminar, almacena lo que ha cambiado. Así, el informe del lunes siguiente puede decir: “El cómputo en la nube ha bajado un 15% desde la semana pasada”, en lugar de repetir los mismos datos estáticos.

3. Respuesta a incidentes con múltiples agentes y aprobación humana

El tercer escenario es el más complejo. Se dispara una alerta desde el sistema de monitorización. Una herramienta personalizada en el backend recibe el payload y lo envía a una nueva sesión como resultado de herramienta.

Esta sesión utiliza coordinación multiagente. Un agente coordinador recibe la alerta y delega en tres especialistas. Cada uno trabaja en su propia ventana de contexto, pero todos comparten el mismo sistema de archivos. Los especialistas informan de vuelta. El coordinador sintetiza sus hallazgos en un único resumen de incidente.

Antes de publicar la actualización en Slack, se activa la política de permisos. El humano ve el borrador en pantalla, lo aprueba y el mensaje sale. Aquí la memoria vuelve a entrar en juego: el coordinador consulta incidentes pasados y detecta un patrón. “Esto se parece al problema de resolución de DNS de hace dos semanas, causado por un TTL mal configurado”. La próxima vez que se dispare una alerta similar, el agente empezará con ese contexto en lugar de diagnosticar desde cero.

¿Por qué esto importa?

Hasta ahora, construir agentes de IA en producción exigía ensamblar a mano la orquestación, los sandboxes, la memoria, la coordinación multiagente y los mecanismos de aprobación humana. Managed Agents empaqueta todo eso en una suite de APIs gestionada.

El mensaje central es claro: tú defines qué significa “terminado”. Claude trabaja hasta llegar allí.

Los desarrolladores obtienen agentes, sesiones, entornos, herramientas, MCP, memoria, resultados y coordinación multiagente en una sola infraestructura. Y pueden integrarlo en sus propias aplicaciones, con flujos de trabajo que combinan automatización y supervisión humana.

Conclusión

Claude Managed Agents representa un paso importante hacia agentes de IA verdaderamente listos para producción. No se trata solo de modelos más capaces, sino de toda la infraestructura que los rodea: entornos aislados, herramientas, memoria persistente, evaluación automática y control humano.

La beta ya está disponible para todas las cuentas de API. Si estás construyendo agentes que necesitan ejecutar tareas complejas, coordinarse entre sí y aprender de la experiencia, esta suite merece tu atención.

Porque al final, la pregunta no es solo qué puede hacer un modelo. La pregunta es qué puede terminar.