--- title: "Claude Sonnet 4.5 y la promesa de los agentes que “programan solos”: entre el salto de 30 horas continuas y el viejo problema de entregar software que funcione" description: "Anthropic ha encendido el debate sobre la programación autónoma al presentar Claude Sonnet 4.5 con un ejemplo tan simple de entender como difícil de replicar: un agente que estuvo 30 horas seguidas ge..." url: https://revistacloud.com/claude-sonnet-4-5-promesa-agentes-programan/ date: 2025-10-05 modified: 2025-10-05 author: "Noticias Cloud" image: https://revistacloud.com/wp-content/uploads/2025/10/claude-sonnet-4-5-dev.jpg categories: ["Guías y recursos", "Inteligencia artificial"] tags: ["Claude", "desarrollo", "Inteligencia Artificial", "sonnet"] type: post lang: es --- # Claude Sonnet 4.5 y la promesa de los agentes que “programan solos”: entre el salto de 30 horas continuas y el viejo problema de entregar software que funcione Anthropic ha encendido el debate sobre la **programación autónoma** al presentar **Claude Sonnet 4.5** con un ejemplo tan simple de entender como difícil de replicar: un agente que **estuvo 30 horas seguidas** generando **unas 11.000 líneas de código** para “**clonar**” una aplicación tipo **Slack/Teams** y que **detuvo** su ejecución al “completar” la tarea. El hito multiplica por más de cuatro las **7 horas** que, en mayo, se atribuyeron a **Opus 4**. Para la compañía, el mensaje es claro: Sonnet 4.5 sería **“el mejor modelo del mundo para agentes reales, programación y uso de ordenadores”**. El anuncio llega en medio de una **batalla de fondo** entre **[Anthropic](https://revistacloud.com/tag/anthropic/), [OpenAI](https://revistacloud.com/tag/openai/) y Google** por ganar el **mercado empresarial** de **agentes autónomos**: asistentes que **navegan**, **operan un PC**, **orquestan herramientas** y **escriben código** durante **horas** sin supervisión. El premio es enorme —**licencias**, **servicios** y **datos**—, y la carrera se libra a base de **demos** públicas y, cada vez más, de **infraestructura** alrededor de los modelos. --- ## Lo que trae Claude Sonnet 4.5 (más allá del titular) Anthropic no solo actualiza el modelo: intenta entregar una **pila para agentes**. Junto al lanzamiento, habilita **máquinas virtuales**, **memoria**, **gestión de contexto** y **soporte multiagente**. En palabras de la empresa, son los **“bloques”** que usan internamente en **Claude Code** y que ahora **empaqueta** para que **desarrolladores** creen sus propios agentes “de última generación”. La apuesta sigue la misma dirección que están tomando **OpenAI** (herramientas, *computer control*, integraciones) y **Google** (Gemini + control de apps/dispositivo, *workbenches*), con una conclusión compartida: **un modelo por sí solo no es un agente**. En *[The Verge](https://www.theverge.com/ai-artificial-intelligence/787524/anthropic-releases-claude-sonnet-4-5-in-latest-bid-for-ai-agents-and-coding-supremacy)*, **Scott White** (product lead) describió a Sonnet 4.5 como un asistente capaz de operar a **“nivel jefe de gabinete”**: coordinar **calendarios**, mirar **paneles de datos**, **extraer insights** y **redactar** actualizaciones de estado. **Dianne Penn** (product management) insistió en que es **“más de tres veces”** mejor en **uso de ordenador** que la versión de octubre: navegar, escribir formularios, copiar/pegar, automatizar flujos. **Canva**, como beta-tester, aseguró que ha ayudado con **tareas complejas de largo contexto**, desde ingeniería en su repositorio a *features* de producto e investigación. --- ## …y lo que ven los programadores en el día a día En paralelo a los anuncios, muchos **desarrolladores** experimentan una realidad más **prosaica**. Como sintetizó **Miguel Ángel Durán (@midudev)**: “**Claude Sonnet 4.5 refactorizó todo mi proyecto en un *prompt***. **20 minutos pensando**. **14 archivos nuevos**. **1.500 líneas** modificadas. **Arquitectura limpia**. **Nada funcionaba**. Pero **qué bonito fue**”. Varias pruebas apuntan al mismo patrón: **estructuras** impecables, **nomenclatura** de manual, **capas** bien separadas… y **fallos** a la hora de **compilar**, **testear** o **poner en marcha** el sistema sin intervención humana. > ¡Claude Sonnet 4.5 refactorizó todo mi proyecto en un solo prompt!20 minutos pensando. 14 archivos nuevos. 1500 líneas de código modificadas.Aplicó arquitectura limpia. Separó responsabilidades. Puso orden a mi caos.Nada funcionaba. Pero oye… qué bonito fue. [pic.twitter.com/d6z2mWVx87](https://t.co/d6z2mWVx87)— Miguel Ángel Durán (@midudev) [September 30, 2025](https://twitter.com/midudev/status/1972994388620869726?ref_src=twsrc%5Etfw) No es un capricho: **entregar software** exige más que generar archivos. Hace falta **cerrar la integración** (autenticación, permisos, estados, persistencia, *webhooks*), **gestionar dependencias y entornos** (runtimes, *package managers*, *build systems*), y **pasar pruebas end-to-end** (no solo *happy paths*). Los modelos actuales **escriben** cada vez **mejor**, pero **fallan** con demasiada frecuencia al **entregar** un conjunto coherente que funcione **de verdad** y **sin tocar**. --- ## Por qué persiste la brecha “código bonito vs software que funciona” 1. **Complejidad invisible.** Un Slack no es solo una UI: hay **eventos**, **synch**, **permiso granular**, **cachés**, **migraciones**, **observabilidad**… El agente tiende a **sobre-arquitecturar** y **subestimar** detalles de integración. 2. **Entornos y reproducciones.** Falta **disciplina de entorno**: versiones exactas, scripts de **build/run**, *seed data*, configuración de **CI**, *Dockerfiles* robustos. 3. **Tests significativos.** Generar tests no es lo mismo que **pasar** tests que **merezcan la pena**. Los *happy paths* abundan; los casos límite no tanto. 4. **Planificación y coherencia.** Sin una estrategia de **paquetes y contratos** entre módulos, un refactor masivo deja **inconsistencias** sutiles que **rompen** el producto. --- ## Lo que sí es un paso adelante Aun así, hay **progresos reales**. Que un agente pueda **mantener contexto** durante horas, **volver** a sus propios archivos y **revisar** decisiones previas, **automatizar** tareas de “sudor digital” (recopilar perfiles en LinkedIn, preparar hojas de cálculo, redactar briefings) y **operar un navegador** con fiabilidad **mejora** la productividad. Y la **pila** añadida —**VMs**, **memoria persistente**, **gestión de contexto**, **multiagente**— reconoce explícitamente el talón de Aquiles: el **modelo puro** no basta; hacen falta **mecanismos de estado, herramientas y control** para simular algo parecido a un **“sistema operativo” de agentes**. --- ## Cómo evaluar utilidad sin comerse el *hype* **Para equipos de ingeniería** - **Acotar tareas**: pedir **piezas cerradas** (CRUDs, *migrations*, *parsers*, *telemetry* básica) y evaluar con **tests reales** en **CI**. - **Reproducibilidad obligatoria**: scripts (Makefile/NPX/Poetry), versiones fijas y **README** con **pasos exactos** para *build/run*. - **Métricas de entrega**: tiempo a *build verde*, **bugs por *diff***, **tiempo a PR** aprobado. - **Entorno controlado**: *containers* y **linters** para frenar el “refactor por deporte”. **Para producto/negocio** - **Casos con retorno**: *slides*, *dashboards*, resúmenes de reuniones, informes, clasificaciones. - **Humano en el bucle (HITL)**: el agente propone, alguien **valida**. - **Horas ahorradas**: cuantificar semanalmente **tiempo** y **calidad percibida**. --- ## El contexto de industria: “runtime de agente” vs “tamaño de modelo” La carrera no es solo por el **modelo más grande**. **OpenAI**, **Google** y **Anthropic** se están moviendo hacia **entornos de ejecución** que proporcionen **memoria de trabajo**, **planificación**, **herramientas** (navegador, terminal, editor), **reintentos** y **seguridad** (permisos y *sandboxes*). El ganador no será quien **recite** mejor, sino quien **entregue** flujos **reproducibles** y **útiles** sin pedirle a un humano que **reconstruya** todo al final. --- ## Un checklist de señales “serias” para seguir el progreso - **Repos reproducibles**: *infra as code*, *Dockerfiles*, *seed data*, **CI** público. - **Benchmarks de entrega**: medir **tiempo-to-green** y **MTBF** (*mean time between failures*) tras el primer despliegue. - **Integraciones reales**: **OAuth**, *webhooks*, colas (**Kafka/Rabbit**), **Postgres/Redis**, **observabilidad** (*OpenTelemetry*). - **Economía unitaria**: que el **coste de cómputo** del agente **no** supere el **valor** del trabajo automatizado. --- ## ¿Cuándo veremos agentes que “programan solos” de verdad? No hay fecha. Es probable que el camino pase por **modelos menos monolíticos** y más **compuestos** (modelos medianos + **RAG** + *tools*), **silicio** ajustado al trabajo (GPU + **NPUs/ASICs**) y, sobre todo, **runtimes** de agente que abran menos frentes de **incertidumbre**. Mientras tanto, la manera **realista** de extraer valor de Claude Sonnet 4.5 (o de sus rivales) es tratarlo como **acelerador**: quitar trabajo repetitivo, **sembrar** código y documentación con **calidad aceptable**, y **automatizar** tareas con **bajo riesgo**. La “IA que entrega sola” —sin un ingeniero cerrando— **aún no** está aquí. --- ## Conclusión El experimento de **30 horas y 11.000 líneas** coloca a **Claude Sonnet 4.5** donde Anthropic quería: en el **centro** del debate sobre **agentes autónomos**. Al mismo tiempo, la experiencia de los equipos recuerda que escribir **código bonito** y **entregar software** siguen siendo **dos oficios** distintos. Lo positivo es que **el oficio de agente** —memoria, herramientas, contexto, *multiagent*— **mejora**. Lo prudente es **aterrizar promesas** en **pruebas medibles**, con **reproducibilidad** y **benchmarks de entrega**. Hasta entonces, más que programadores que se van de vacaciones mientras el agente “clona” un Slack, tendremos **parejas** de trabajo: IA que **prepara** y humanos que **encienden**. --- ### Preguntas frecuentes **¿Claude Sonnet 4.5 puede construir aplicaciones complejas sin ayuda?** Puede **generar** grandes bases de código y **mantener contexto** durante horas. En la práctica, **entregar** una app compleja **suele requerir** un **ingeniero** para cerrar **integraciones**, **entornos** y **pruebas**. **¿Qué diferencias reales aporta respecto a versiones anteriores?** Según Anthropic, es **3× mejor** en **uso del ordenador** y llega con **pila** de agente (**VMs**, **memoria**, **gestión de contexto**, **multiagente**) para tareas de **largo contexto**. Beta-testers (p. ej., **Canva**) reportan mejoras en **automatizaciones complejas**. **¿Por qué el código “de libro” a veces no compila ni corre?** Los LLM **imitan estructura y estilo**, pero fallan en **contratos** entre módulos, **dependencias**, **entornos** y **tests** significativos. Sin **reproducibilidad** y **CI**, el salto de **parecer** a **funcionar** es frágil. **¿Cómo aprovecharlo hoy sin riesgo?** Acota tareas (CRUD, *migrations*, *parsers*), exige **scripts** y **versiones** fijadas, integra **CI** con *tests* reales y **mide** **€/resultado** (tiempo ahorrado, *lead time*, bugs evitados). Usa el agente como **copiloto ejecutor**, no como **equipo completo**.