Loops engineering con AI agents: cómo diseñar sistemas que trabajan solos

La confusión más común: pensar que un loop es un cron que llama a un modelo y guarda el resultado. Eso es un script con IA. Un loop real tiene cuatro características que lo diferencian:

1. Itera sobre su propio output. El agente no solo ejecuta: mira lo que produjo, lo evalúa contra criterios, y corrige si hace falta.
2. Tiene verificación. Alguien (o algo) controla que el resultado sea correcto antes de darlo por bueno. Puede ser el mismo agente con otro rol, otro modelo, o tests automáticos.
3. Tiene memoria. Entre ciclos, el sistema recuerda. No arranca de cero cada vez.
4. Tiene reglas de detención. Sabe cuándo parar: objetivo cumplido, máximo de iteraciones, o un problema que requiere humano.

Sin esas cuatro, tenés un script con opiniones. Con ellas, tenés un sistema que trabaja.

1. Trigger — qué arranca el ciclo

Un loop necesita una señal de inicio clara:

• Cron: cada hora, cada día, cada semana.
• Evento: un archivo nuevo en una carpeta, un mensaje, un webhook, un cambio en una API.
• Umbral: cuando una métrica cruza un valor (ej: el inbox de pendientes supera 10 items).

El trigger define la cadencia del trabajo. Los mejores loops arrancan por evento, no por tiempo: procesan cuando hay algo que procesar, no cuando el reloj dice.

2. Ejecución — el agente trabaja

La ejecución es el trabajo en sí: investigar, escribir, analizar, codear, clasificar. El agente recibe un objetivo y contexto, y produce un resultado.

La clave acá es el alcance: el agente tiene que saber exactamente qué se espera de él y qué no. Un objetivo vago produce output vago. Un objetivo con criterios de éxito produce trabajo verificable.

3. Verificación — quién controla el resultado

Es la pieza que más separa a los loops que funcionan de los que no:

• Auto-verificación: el agente revisa su propio output contra una checklist. Barato, pero limitado: el que produce también suele ser el que se aprueba.
• Verificador separado: otro agente, otro rol, otro modelo revisa. Más caro, mucho más confiable. Es el patrón maker-checker.
• Verificación técnica: tests, validaciones, linting. Lo más objetivo que existe.

La regla: si el costo del error es alto, el verificador tiene que ser independiente del productor.

4. Memoria — qué recuerda entre ciclos

Sin memoria, cada corrida arranca de cero y repite los mismos errores. Con memoria, el sistema aprende:

• Contexto acumulado: qué se hizo, qué se decidió, qué se descartó.
• Estado de procesos: en qué punto quedó cada trabajo.
• Aprendizajes: qué funcionó, qué no, para no repetir errores.

La memoria puede vivir en archivos, en una base, en el sistema de archivos del agente. Lo importante: tiene que sobrevivir entre ejecuciones.

5. Skills — capacidades reutilizables

Los skills son el conocimiento empaquetado que el agente invoca cuando lo necesita: prompts especializados, procedimientos, herramientas, reglas de formato. En vez de re-explicar el contexto en cada ejecución, el agente carga el skill y listo.

Los skills convierten un loop genérico en un loop experto en tu dominio.

6. Stop rules — cuándo termina

Un loop sin reglas de detención es un incendio de tokens. Las reglas típicas:

• El objetivo está cumplido según los criterios de éxito.
• Se alcanzó el máximo de iteraciones.
• El verificador no puede aprobar y el sistema escala a un humano.
• El costo del ciclo superó un umbral.

Estos son los patrones que se repiten en los equipos que usan agentes con loops:

• build-test-fix: el agente escribe código, corre los tests, arregla lo que falla, repite hasta verde.
• Maker-checker de contenido: un modelo genera, otro revisa contra las reglas de marca, y solo lo que pasa se publica.
• Monitoreo con respuesta: un agente observa métricas y ejecuta acciones cuando cruzan umbrales.
• Curación de conocimiento: captura información nueva, la clasifica, la archiva y propone mejoras.
• Revisión adversarial: un agente intenta romper lo que otro construyó.
• Automatización de reportes: junta datos, los analiza, escribe el reporte y lo manda por email.

Los que mejor funcionan tienen algo en común: un verificador barato, stop rules explícitas, y un costo por ciclo que no da miedo.

Paso 1: elegí una tarea repetitiva

Algo que hagas todas las semanas y que tenga un output claro: un reporte, una actualización, un análisis, una revisión.

Paso 2: definí el objetivo con criterios de éxito

No "analizá los datos". Sí: "revisá los datos de la semana, detectá las 3 anomalías más importantes, explicá cada una con una hipótesis y una acción sugerida".

Paso 3: armá el ciclo completo

Trigger + ejecución + verificación + memoria + stop rules. Arrancá simple: un trigger por cron, un agente, un verificador, una regla de parada.

Paso 4: dejala correr y observá

No confíes en el primer ciclo. Mirá qué produce, dónde falla, qué verifica mal. Ajustá y volvé a correr.

Paso 5: escalá

Cuando un loop corre estable, agregá memoria, skills, y paralelismo. Después pasás al siguiente.

• Sin verificador: el agente produce y produce, y nadie controla. Basura a escala.
• Sin stop rules: nunca termina, quema presupuesto.
• Sin memoria: repite errores en cada ciclo.
• Objetivos vagos: el agente inventa criterios porque no le diste los tuyos.
• Escalar a humano por todo: si el humano termina haciendo el trabajo del loop, el loop sobra.
• Paralelismo sin aislamiento: dos agentes tocando lo mismo pisan sus cambios.

Loops engineering con AI agents no es una feature que activás. Es un cambio de mentalidad: de pedirle a la IA que haga cosas, a diseñar sistemas que hacen cosas solos y te avisan cuando importa.

El primer loop te va a dar desconfianza. El décimo lo vas a dar por sentado. Y en algún punto te vas a dar cuenta de que el trabajo que hacés vos cambió: ya no estás operando el sistema, lo estás diseñando.

Más sobre loop engineering:

• Loop Engineering con agentes de IA: guía práctica 2026Leer →
• Qué es loop engineering: guía completaLeer →
• Los 15 Loops de IA que la gente ya correLeer →