Resumen / Puntos clave
- La promesa de los flujos de trabajo de IA 'fire-and-forget' está aquí con los agentic loops.
- Pero sin las salvaguardias adecuadas, solo estás construyendo una 'máquina de chapuza' que quema tokens y genera caos.
El sueño de la automatización vs. La pesadilla de los tokens
El sueño de la automatización promete un gran gesto: un solo prompt, autonomía total. Esta visión de los agentic loops contrasta fuertemente con los flujos de trabajo human-in-the-loop. Human-in-the-loop significa que tú das el prompt, la AI construye, tú revisas, y luego das otro prompt, paso a paso, dirigiendo cada movimiento para asegurar la alineación con tu visión, muy parecido a cómo Professor Ras Mic guía a una AI en la construcción de una aplicación de tareas, característica por característica.
Considera el desafío de describir un tatuaje complejo por teléfono. Esa es precisamente la experiencia de iniciar un agentic loop abierto de Wide AI. Articulas un único y completo `/goal` para que el agente lo persiga de forma autónoma, pero un prompt así inevitablemente deja lagunas críticas e invita a una interpretación errónea significativa.
Esto lleva al problema central de la suposición autónoma: los agentes rellenan detalles que no especificaste explícitamente. Sin una dirección precisa, un agente adivina cómo manejar 'qué pantalla aparece después del inicio de sesión' o 'qué sucede cuando un pago falla'. Tales suposiciones a menudo se desvían de la intención, creando una slop machine que produce resultados defectuosos y quema tokens, una realidad costosa para la mayoría de los usuarios en comparación con los presupuestos ilimitados de Boris Cherny Cherny o Peter Steinberger Steinberger, quienes supuestamente gastaron $1.3 millones en un solo mes.
El alto costo de las conjeturas autónomas
La promesa de autonomía total de Wide AI a menudo pasa por alto los asombrosos costos de los tokens. Desarrolladores como Peter Steinberger Steinberger han compartido públicamente haber quemado $1.3 millones en tokens durante un solo mes persiguiendo agentic loops abiertos de Wide AI. Este modelo, donde un agente genera, revisa y refina continuamente su propia salida a partir de un único prompt `/goal`, conduce inherentemente a un consumo masivo.
Tal enfoque solo es viable para aquellos con presupuestos prácticamente ilimitados, como las operaciones bien financiadas de Boris Cherny Cherny y Peter Steinberger Steinberger. Para la gran mayoría de desarrolladores y startups con planes escalonados —los niveles de $20 o $100— estos meta-harnesses se convierten rápidamente en una "slop machine", devorando presupuestos demasiado rápido. Las conjeturas constantes los hacen poco prácticos para las limitaciones del mundo real.
Piensa en ello como contratar a un desarrollador brillante, entregarle una especificación de alto nivel y desentenderte. El agente, al igual que ese desarrollador solitario, llena lagunas críticas con suposiciones —detalles como "qué pantalla aparece después del inicio de sesión" o "qué sucede en caso de fallo de pago". Estas conjeturas inevitablemente se desvían de la product vision original, lo que lleva a ciclos desperdiciados, objetivos no alcanzados y una factura de tokens inesperadamente masiva por un trabajo que finalmente no cumple con lo esperado.
Encuentra tu campo de batalla 'binario'
Los agentic loops abiertos de Wide AI, como se ha comentado, se convierten en "slop machines" que queman tokens debido a su dependencia de suposiciones no verificadas. El secreto para loops exitosos reside en lo opuesto: sistemas de retroalimentación fijos y definidos. Los agentes prosperan cuando operan dentro de escenarios claros y cuantificables —piensa en un 'pass/fail' inequívoco o un objetivo numérico específico. Sin este campo de batalla binario, el agente simplemente adivina, lo que lleva a iteraciones costosas y fuera de objetivo.
El bucle diario de code review del Profesor Ras Mic ilustra perfectamente este principio. Usando Cursor como arnés, GitHub para el control de versiones y Greptile como agente de revisión inteligente, su sistema persigue autónomamente una puntuación perfecta de 5/5. El comando `grep loop` de Mic dirige al agente: lee la revisión de Greptile, aplica las correcciones, luego sube los cambios y repite. Este proceso iterativo continúa hasta que el código alcanza 5/5 o completa cinco turnos, asegurando que el código listo para producción siempre obtenga una puntuación superior a cuatro de cinco.
Este bucle de retroalimentación ajustado funciona porque el agente no toma decisiones de diseño subjetivas. Está optimizando en función de un resultado preciso y medible. El agente sabe exactamente cómo es lo "bueno" —una puntuación específica de Greptile— y puede trabajar metódicamente para lograrlo sin caer en conjeturas costosas.
Este binary principle se extiende más allá del código. Los bucles agénticos brillan en cualquier tarea con una métrica de éxito clara y medible: - Generación de páginas SEO con plantillas - Realización de limpieza de datos repetitiva contra un conjunto de reglas fijo - Validación de configuraciones contra un esquema
Para una inmersión más profunda en la ingeniería de bucles, incluyendo ReAct patterns y futuros desarrollos, explore Agentic Loops Explained: From ReAct to Loop Engineering (2026 Guide).
Por qué el humano sigue ganando (por ahora)
Emprendimientos complejos y creativos como el desarrollo completo de aplicaciones resisten la autonomía agéntica completa. Toda la visión del producto reside en la mente de un humano, requiriendo retroalimentación subjetiva constante y refinamiento iterativo que las máquinas aún no pueden comprender completamente. Esto evita la pesadilla de tokens de los Wide AI-open loops que hacen suposiciones costosas.
Enjoying this? Get one like it in your inbox each morning.
one email a day · unsubscribe in two clicks · no third-party tracking
Imagine confiar en la conducción autónoma total para un viaje por carretera de Miami a Charleston sin un solo control. Inevitablemente, necesitaría detenerse, corregir el rumbo y reevaluar el viaje basándose en condiciones imprevistas o preferencias cambiantes. Los agentes de IA enfrentan desafíos similares con tareas de final abierto.
El Profesor Ras Mic enfatiza constantemente esta realidad: el modelo human-in-the-loop sigue siendo la configuración más sólida para la mayoría de los desarrolladores hoy en día. Este enfoque evita que las conjeturas autónomas quemen millones en tokens, como se ha visto con algunos de los principales desarrolladores que buscan la automatización completa.
Si bien el futuro innegablemente apunta hacia una mayor autonomía, el flujo de trabajo más potente y confiable para tareas complejas aún integra la inteligencia humana en cada coyuntura crítica. Por ahora, el best loop mantiene una mano humana guiando firmemente la visión general y validando el progreso.
Preguntas Frecuentes
¿Qué es un bucle agéntico?
Un bucle agéntico es un AI workflow donde un humano da una única instrucción de alto nivel, y el agente de IA luego genera, revisa su propio trabajo e itera repetidamente hasta que la tarea se completa, sin más intervención humana.
¿Cuál es el principal problema con los bucles agénticos?
El principal problema es que una única instrucción rara vez cubre todos los casos extremos. La IA llena estas lagunas con suposiciones, lo que puede llevar a resultados incorrectos (una 'máquina de chapuzas') y costos de tokens extremadamente altos.
¿Cuándo son más efectivos los bucles agénticos?
Sobresalen en tareas con retroalimentación binaria o claramente definida, como los pass/fail scenarios. El code review, donde una IA puede calificar el código e iterar hasta alcanzar una puntuación objetivo, es un ejemplo perfecto.
¿Sigue siendo el 'human-in-the-loop' el mejor enfoque?
Sí. Para tareas complejas y matizadas como el app development que requieren retroalimentación subjetiva, el human-in-the-loop —donde un humano revisa y guía cada paso— sigue siendo el enfoque más efectivo y rentable hoy en día.