Durante los últimos años, aprender a utilizar la inteligencia artificial parecía depender de una habilidad muy concreta: saber escribir el prompt perfecto. Empresas, profesionales y desarrolladores han dedicado tiempo a mejorar sus instrucciones, aportar contexto y encontrar las palabras adecuadas para conseguir que modelos como ChatGPT, Claude o Gemini ofrecieran mejores respuestas.
Ahora, algunos de los profesionales que trabajan en la primera línea de esta tecnología están desplazando la atención hacia un concepto diferente: el loop engineering o ingeniería de bucles. La idea consiste en dejar de dirigir a la inteligencia artificial mediante una sucesión de instrucciones humanas y empezar a diseñar sistemas en los que sea el propio agente quien decida qué debe hacer después, revise lo realizado y continúe trabajando hasta completar el objetivo.
El cambio se está produciendo especialmente en el desarrollo de software, donde los agentes de programación pueden explorar un repositorio, modificar archivos, ejecutar comandos, comprobar pruebas y corregir sus propios fallos. Sin embargo, sus posibilidades no se limitan a la programación. La misma lógica puede aplicarse al análisis de documentos, la investigación, la atención al cliente, la generación de informes o cualquier proceso complejo cuyo resultado pueda verificarse. “Es una forma de enseñar a una inteligencia artificial a trabajar por pasos: analiza lo que tiene que hacer, actúa, revisa el resultado y repite hasta terminar correctamente la tarea o hasta alcanzar el número máximo de intentos establecido”, explica Omar Martínez, CTO de SDi.
Del arte de formular preguntas al diseño de procesos
Un prompt es, en esencia, una instrucción. Puede ser sencillo, como pedir un resumen, o incorporar abundante información sobre el contexto, el tono, los límites y el formato esperado. El modelo recibe esa petición y genera una respuesta. En el loop engineering, la instrucción inicial continúa existiendo, pero pasa a formar parte de una estructura más amplia. El usuario ya no se limita a decirle al sistema qué quiere obtener, sino que define el objetivo, las acciones disponibles, los mecanismos de comprobación, los límites operativos y las circunstancias en las que el agente debe detenerse o solicitar ayuda.
La diferencia puede observarse en una tarea de programación. Con un enfoque basado únicamente en prompting, una persona podría pedir a la IA que localizara un error en una aplicación. Tras recibir una primera propuesta, tendría que revisar el resultado, indicarle que ejecutara las pruebas, comunicarle los nuevos errores y solicitar otra corrección.
Dentro de un bucle, el agente puede recibir un objetivo más completo: localizar el fallo, estudiar el código, realizar una modificación, ejecutar las pruebas, interpretar el resultado y continuar corrigiendo la solución mientras existan errores. El proceso termina cuando todas las comprobaciones se superan, cuando se alcanza un límite de intentos o cuando aparece una decisión que requiere intervención humana.
“El prompt engineering se centra en formular bien una petición para obtener una buena respuesta en un momento concreto. El loop engineering va un paso más allá: busca que la inteligencia artificial sea capaz de avanzar sobre una tarea, revisar lo que ha hecho, corregir errores y continuar hasta alcanzar un resultado válido”, señala Martínez. Por tanto, no se trata únicamente de conseguir que la IA responda mejor. Se trata de diseñar las condiciones necesarias para que pueda completar un proceso.
Por qué se habla de “loop engineering” ahora
Los bucles no son nuevos en informática. Los programas tradicionales llevan décadas repitiendo operaciones hasta que se cumple una condición determinada. Tampoco es nueva la idea de utilizar sistemas que observan un entorno, ejecutan una acción y modifican su comportamiento en función del resultado. La novedad está en que los modelos actuales pueden decidir qué acción realizar en cada iteración. En lugar de repetir siempre una secuencia programada de antemano, interpretan el estado de la tarea, seleccionan una herramienta, observan lo ocurrido y adaptan el siguiente paso. “Las inteligencias artificiales actuales ya pueden mantener conversaciones más largas, utilizar herramientas y corregir parte de sus propios errores. Esto se debe, en gran medida, a la evolución de los modelos”, explica el CTO de SDi.
Las grandes compañías tecnológicas están orientando sus herramientas hacia este modelo de trabajo. El loop engineeringno ha aparecido, por tanto, como una invención aislada. Es el nombre que empieza a recibir una práctica construida sobre años de investigación en agentes inteligentes, razonamiento, automatización y aprendizaje mediante retroalimentación.
Cómo funciona un loop de inteligencia artificial
Aunque cada aplicación puede utilizar una arquitectura diferente, un bucle básico comienza con la definición de un objetivo. Este debe ser suficientemente concreto para que el sistema pueda saber qué resultado persigue y, sobre todo, cuándo puede considerarlo terminado. A continuación, el agente analiza el estado de la tarea y elige una acción. Puede consultar un documento, buscar información, ejecutar un programa, modificar un archivo, llamar a una interfaz de programación o solicitar la intervención de otro agente especializado.
El sistema observa después el resultado. Esa observación se incorpora al contexto y sirve para decidir si la acción ha acercado el proceso al objetivo. Si todavía queda trabajo, el agente selecciona el siguiente paso. Si detecta un error, puede modificar su estrategia. Cuando la comprobación confirma que el resultado es correcto, cierra la tarea. El ciclo puede resumirse en cinco acciones: analizar, actuar, observar, verificar y repetir.
Para que este proceso sea fiable, debe contar con varios elementos mínimos. “Tiene que saber qué objetivo debe conseguir, qué puede hacer para alcanzarlo, cómo comprobar si va por buen camino y en qué momento debe terminar o pedir ayuda a una persona”, indica Martínez. Transformar un objetivo general en un proceso autónomo exige convertirlo en tareas comprensibles para el agente. Es necesario explicar qué resultado se busca, con qué información puede trabajar, qué decisiones puede tomar por sí mismo y en qué situaciones debe detenerse.
La memoria y el historial de decisiones pueden mejorar el funcionamiento, aunque no sean imprescindibles para que exista un bucle. Permiten registrar lo que ya se ha intentado, evitar la repetición de errores y mantener la coherencia cuando una tarea se prolonga durante numerosas operaciones. “El agente revisa en qué punto se encuentra, qué ha conseguido hasta ese momento y qué le falta para llegar al objetivo. Con esa información decide cuál es la siguiente acción que tiene más sentido”, señala el CTO de SDi.
La diferencia frente a una automatización tradicional
“Una automatización tradicional sigue siempre el mismo camino para cualquier petición realizada dentro de un contexto. Un loop permite que la IA vaya decidiendo qué hacer según los resultados que obtiene e itere de manera controlada para encontrar una respuesta correcta”, diferencia Martínez. La automatización tradicional sigue una ruta. El agente, en cambio, interpreta el terreno y decide cómo recorrerlo. Esta flexibilidad permite abordar procesos que no pueden resolverse mediante una cadena completamente predecible. Sin embargo, también introduce más incertidumbre y obliga a incorporar controles adicionales.
La verificación, la pieza que determina su utilidad
La autonomía de un agente no garantiza que su resultado sea correcto. Una inteligencia artificial puede malinterpretar el objetivo, utilizar incorrectamente una herramienta, repetir una estrategia fallida o asegurar que ha terminado sin haberlo hecho realmente. Por eso, la verificación es uno de los componentes más importantes del loop engineering. El agente no debería decidir únicamente a partir de su propia percepción que el trabajo está bien hecho. “Se pueden utilizar reglas concretas, pruebas automáticas, comparaciones con resultados esperados o la revisión de una persona. Lo importante es que el agente no dé por bueno su propio trabajo sin algún tipo de comprobación”, advierte Martínez.
En atención al cliente, el sistema puede verificar si ha consultado los datos necesarios, si la solución propuesta cumple las políticas de la empresa y si dispone de autorización para ejecutar una acción. También pueden utilizarse varios agentes con funciones diferenciadas. Uno desarrolla la solución y otro revisa el resultado. Esta separación reduce el riesgo de que el mismo modelo que ha cometido un error sea también el único encargado de juzgarlo.
Las condiciones de parada evitan bucles infinitos
Tan importante como saber qué debe hacer el agente es establecer cuándo debe detenerse. Un loop sin límites puede consumir recursos, quedar atrapado repitiendo la misma acción o continuar modificando un resultado que ya era válido. El sistema necesita una definición clara de cuándo el objetivo se considera cumplido. “Hay que dejar claro cuándo la tarea puede darse por terminada y cuándo el agente tiene que detenerse, aunque no haya alcanzado el objetivo. Por ejemplo, si ha realizado demasiados intentos, si se encuentra con un error que no puede solucionar o si necesita una decisión humana”, explica Omar Martínez.
Entre las condiciones de parada habituales se encuentran alcanzar un número máximo de iteraciones, superar un límite de coste o tiempo, detectar una sucesión de acciones repetidas, encontrar un error irresoluble o llegar a una operación que requiere autorización. Estos límites permiten que la autonomía sea controlada en un perímetro definido.
De corregir código a gestionar procesos empresariales
El desarrollo de software es actualmente uno de los campos más adecuados para aplicar estos sistemas porque buena parte de sus resultados puede comprobarse automáticamente. “Las tareas más apropiadas son aquellas en las que el resultado se puede comprobar con facilidad: localizar y corregir errores, crear pruebas, revisar código, actualizar documentación o realizar cambios repetitivos. Cuanto más claro sea el resultado esperado, mejor funciona este enfoque”, explica el CTO de SDi.
Sin embargo, Martínez considera que esta forma de trabajar ya puede aplicarse de manera general a la resolución de tareas complejas. El requisito común es que el objetivo pueda convertirse en tareas claras y que exista alguna forma fiable de evaluar el resultado. Cuanto más ambiguo o subjetivo sea el criterio de éxito, mayor será la necesidad de supervisión humana.
Más autonomía también implica nuevos riesgos
El potencial del loop engineering está directamente relacionado con su principal peligro: cada nueva capacidad concedida al agente amplía también las consecuencias de un posible error. Un sistema con permiso para leer información puede interpretar mal un documento. Uno que pueda escribir en una base de datos puede modificar un registro incorrecto. Un agente conectado al correo electrónico puede enviar un mensaje que todavía necesitaba aprobación. Un loop ejecutado de manera repetida puede multiplicar rápidamente una acción equivocada.
A ello se suma el coste. Cada iteración puede implicar una nueva consulta al modelo, nuevas búsquedas y llamadas a herramientas. Los sistemas con varios agentes, historiales extensos o ciclos mal diseñados pueden consumir una cantidad elevada de recursos. Las tareas reversibles y fácilmente verificables admiten una mayor independencia. Las acciones económicas, legales, personales o irreversibles deben conservar puntos claros de intervención humana.
El loop engineering tampoco elimina la importancia de formular buenas instrucciones. Un objetivo mal definido seguirá produciendo resultados deficientes, aunque el agente disponga de numerosos intentos para alcanzarlo. La diferencia es que el trabajo de diseño se amplía. Ya no basta con redactar una petición: hay que construir todo el entorno en el que la inteligencia artificial va a actuar, especificar las decisiones que puede tomar, determinar cómo se evaluará su trabajo y establecer cuándo debe detenerse.
