¿Qué son los agentes gestionados de Claude? Arquitectura, funcionamiento y cuándo utilizarlos

Crear un agente de IA no es difícil porque llamar a un LLM sea complicado. La parte más difícil es todo lo que rodea al modelo: el bucle del agente, la ejecución de herramientas, el entorno aislado (sandbox), el estado, el tiempo de ejecución y los permisos necesarios para que un agente pueda completar una tarea.

Claude Managed Agents empaqueta esta infraestructura en un tiempo de ejecución de agentes gestionado, de modo que los desarrolladores pueden configurar un agente y dejar que Anthropic se encargue de gran parte de la infraestructura de ejecución subyacente.

¿Qué son los Claude Managed Agents?

Claude Managed Agents es el entorno de agentes preconfigurado y personalizable de Anthropic que se ejecuta en una infraestructura gestionada, diseñado para cargas de trabajo de agentes asíncronas y de larga duración, lo que proporciona a los agentes acceso a herramientas, entornos de ejecución, sesiones y otra infraestructura necesaria para completar tareas de varios pasos.

La forma más sencilla de entender los Managed Agents es compararlos con la Messages API de Anthropic.

Con la Messages API, obtienes acceso directo a Claude. Tu aplicación es responsable de construir el bucle del agente alrededor del modelo: mantener el historial de la conversación, decidir cuándo llamar a las herramientas, ejecutar dichas herramientas, devolver los resultados a Claude y determinar cuándo se ha completado la tarea.

ConClaude Managed Agents, Anthropic proporciona el entorno del agente y la infraestructura que rodea al modelo. En lugar de implementar tú mismo el bucle de ejecución completo, configuras un agente y su entorno, y luego creas sesiones en las que el agente puede realizar el trabajo.

La distinción se puede resumir así:

Todo se ejecuta detrás de la cabecera managed-agents-2026-04-01 beta, que los SDK oficiales configuran por ti. El acceso está habilitado de forma predeterminada en las cuentas de API, y el servicio también está disponible a través de Claude Platform en AWS, con algunas diferencias en la disponibilidad de funciones y el comportamiento de las sesiones. Anthropic ha mencionado a Notion, Rakuten y Sentry entre los primeros equipos que están desarrollando sobre esta plataforma.

La palabra que más peso tiene en "Anthropic Managed Agents" es gestionadoNo está obteniendo un nuevo modelo ni una nueva capacidad; Claude ya podía utilizar herramientas. Lo que está obteniendo es el equipo de operaciones de otra persona.

¿Cómo funcionan los agentes gestionados de Claude?

El ciclo de vida consta de cinco pasos, y merece la pena entenderlo porque cada uno de ellos se corresponde con un recurso que usted crea y por el que paga.

1. Crear un agente. Defina el modelo, el prompt del sistema, las herramientas, los servidores MCP y las habilidades. El agente se crea una vez y se hace referencia a él mediante un ID en cada sesión que lo utilice.
2. Crear un entorno. Configure dónde se ejecutan realmente las sesiones: ya sea en un entorno aislado (sandbox) en la nube gestionado por Anthropic, o en un entorno aislado autohospedado que se ejecuta en una infraestructura bajo su control, el cual existe principalmente por requisitos de cumplimiento y residencia de datos.
3. Iniciar una sesión. Una sesión es una instancia en ejecución de su agente dentro de un entorno, trabajando en una tarea específica.
4. Enviar eventos y transmitir respuestas. Su aplicación envía los turnos del usuario como eventos; Claude llama de forma autónoma a las herramientas y transmite los resultados mediante eventos enviados por el servidor. El historial de eventos se guarda en el servidor y puede recuperarse al completo posteriormente.
5. Dirigir o interrumpir. Puede inyectar eventos de usuario adicionales durante la ejecución para redirigir al agente o interrumpirlo por completo.

El quinto paso es el que la gente subestima. Un agente de largo alcance que no puede ser redirigido a mitad de camino es simplemente un trabajo por lotes con latencia adicional.

Los cuatro conceptos fundamentales

Claude Managed Agents se basa en unos pocos conceptos fundamentales que separan la configuración del agente de la tarea individual que realiza.

Agente

UnaAgente es la configuración reutilizable que define cómo se comporta el agente. Puede especificar el modelo de Claude, el prompt del sistema, las herramientas, los servidores MCP y las habilidades disponibles para el agente.

Por ejemplo, un agente podría configurarse como:

Agente de investigación
├── Modelo: Claude
├── Prompt del sistema: Analista de investigación
├── Herramientas
├── Servidores MCP
└── Habilidades

‍Una vez configurado el agente, puedes crear sesiones utilizando esa definición en lugar de volver a configurar todo para cada tarea.

Entorno

Elentorno es donde el agente realiza realmente su trabajo.

Esto es importante porque un agente necesita un lugar donde ejecutar comandos, manipular archivos, ejecutar código e interactuar con herramientas. Los agentes gestionados pueden utilizar entornos sandbox gestionados por Anthropic, y Anthropic también ofrece soporte para configuraciones de sandbox autohospedadas.

Esto separa el razonamiento del agente del entorno en el que se ejecutan sus acciones.

Sesión

Unasesión representa una instancia en ejecución de un agente realizando una tarea.

En lugar de tratar cada llamada al modelo como una solicitud aislada, una sesión proporciona al agente un contexto de ejecución persistente en el que puede trabajar en una tarea, interactuar con herramientas y mantener el estado.

Un flujo simplificado se ve así:

Configuración del agente
       ↓
   Entorno
       ↓
     Sesión
       ↓
 El agente realiza el trabajo
       ↓
Herramientas / archivos / código / MCP

Este modelo basado en sesiones es especialmente relevante para cargas de trabajo de larga duración en las que un agente puede necesitar realizar muchas acciones antes de producir un resultado final.

Eventos

Las aplicaciones interactúan con las sesiones de Managed Agent a través de eventos. Estos pueden representar mensajes de usuario, actividad del agente, resultados de herramientas y otros cambios en la sesión.

Esto permite que una aplicación inicie una sesión de agente y transmita su progreso en lugar de implementar todo el bucle de orquestación por sí misma.

A grandes rasgos:

Tu aplicación
      │ Iniciar / enviar evento
      ↓
Sesión de Managed Agent
      ├── Razonar
      ├── Llamar a herramienta
      ├── Ejecutar código
      ├── Leer / escribir archivos
      └── Continuar trabajando
      ↓
Transmitir eventos de vuelta
      ↓
Tu aplicación

El resultado es una separación entre la aplicación que solicita el trabajoyla infraestructura que ejecuta el agente.

Esa separación es la idea central detrás de los Managed Agents: el desarrollador define el agente y sus capacidades, mientras que el entorno de ejecución gestionado se encarga de gran parte de la maquinaria necesaria para mantener el agente en funcionamiento.

¿Qué sucede cuando se ejecuta un Claude Managed Agent?

Una vez configurados el agente, el entorno y la sesión, el tiempo de ejecución de Managed Agents se encarga del bucle de ejecución.

1. Tu aplicación envía una tarea a la sesión.
2. El tiempo de ejecución aprovisiona el entorno donde trabajará el agente.
3. Claude decide qué acciones tomar basándose en la tarea y las herramientas disponibles.
4. Las herramientas se ejecutan dentro del entorno configurado y sus resultados se devuelven a Claude.
5. El bucle continúa hasta que el agente completa la tarea, mientras los eventos pueden transmitirse de vuelta a tu aplicación.

De forma simplificada:

Tarea
↓
Claude razona
↓
Llamada a herramienta
↓
Resultado de la herramienta
↓
Claude razona de nuevo
↓
...
↓
Resultado final

La diferencia clave respecto a crear un agente con la API de Messages es que tu aplicación no tiene que orquestar cada llamada al modelo ni cada resultado de herramienta por sí misma. Managed Agents gestiona ese bucle y expone la ejecución a través de las interfaces de sesión y eventos.

Funcionalidades integradas

El valor de cualquier puerta de enlace de agentes o entorno gestionado se mide por lo que ya no tienes que programar. Managed Agents incluye:

• Un conjunto de herramientas integrado. Bash para comandos de shell dentro del entorno aislado (sandbox); operaciones de archivo para leer, escribir, editar, glob y grep; búsqueda y recuperación web, opcionalmente restringidas a una lista blanca o negra de dominios; y conexiones a servidores MCP para proveedores de herramientas externos.
• Entorno aislado seguro. El aislamiento de la ejecución, la autenticación y la gestión de secretos corren a cargo de Anthropic. No hay servidores que aprovisionar ni lógica de escape de contenedores que escribir.
• Sesiones con estado y puntos de control. Sistemas de archivos persistentes e historial de conversaciones entre interacciones, con sesiones que se reanudan limpiamente tras pausas o desconexiones.
• Gestión del contexto. El almacenamiento en caché y la compactación de prompts forman parte del entorno, en lugar de ser algo que añades cuando tu factura de tokens se dispara.
• Ejecución programada. Ejecuciones recurrentes de agentes mediante programación cron a través de despliegues programados.
• Permisos e identidad con alcance limitado. Defina a qué herramientas y fuentes de datos puede acceder un agente determinado, con trazabilidad de ejecución adjunta.
• Observabilidad en la consola. El seguimiento de sesiones, la analítica de integraciones y la resolución de problemas están disponibles en la consola de Claude, lo que le permite inspeccionar llamadas a herramientas, decisiones y modos de fallo individuales.

Anthropic informa que, en pruebas internas sobre generación de archivos estructurados, los agentes gestionados mejoraron el éxito de las tareas hasta en 10 puntos en comparación con un bucle de prompts estándar, obteniendo las mayores ganancias en los problemas más complejos. Esta es una afirmación sobre el entorno de ejecución, no sobre el modelo, y es una ilustración justa de por qué la calidad del entorno es importante.

Vale la pena tener presente lo siguiente: varias de las capacidades principales están no disponibles de forma general. La coordinación multiagente, la autoevaluación frente a criterios de éxito, los túneles MCP y el "dreaming" se encuentran en fase de vista previa de investigación bajo solicitud de acceso independiente. Si su arquitectura depende de que los agentes generen y dirijan a otros agentes, actualmente requiere un formulario de solicitud, no una API.

Agentes gestionados de Claude frente al SDK de agentes de Claude frente a crear su propia solución

La mayoría de los equipos que evalúan esto están eligiendo realmente entre tres puntos en un espectro. La comparativa del SDK de agentes de Claude profundiza más, pero aquí tiene la estructura general:

El patrón es constante: cada fila que delega a Anthropic le ahorra tiempo pero le cuesta capacidad de elección. Para un primer agente, suele ser el intercambio correcto. Para el vigésimo, que opera en tres equipos con diferentes requisitos de cumplimiento, normalmente no lo es.

Cuándo elegir los agentes gestionados

Los agentes gestionados funcionan mejor cuando:

• La tarea es realmente de largo plazo: minutos u horas de ejecución con muchas llamadas a herramientas, no una simple solicitud-respuesta.
• Su equipo ya se ha estandarizado en Claude y no tiene planes a corto plazo de ejecutar modelos abiertos o de múltiples proveedores.
• Tiene poca o ninguna capacidad de ingeniería de plataforma para dedicar a la infraestructura de agentes.
• El trabajo es asíncrono o programado: conciliación nocturna, investigación recurrente, generación de documentos por lotes.
• Las sesiones deben sobrevivir a las interrupciones, con un sistema de archivos y un historial que persistan entre interacciones.
• Necesitas estar en producción en cuestión de días y prefieres revisar la arquitectura una vez que el caso de uso esté validado.

Este último es el motivo más honesto. Alquilar un entorno para validar si merece la pena desarrollar un agente es una decisión de ingeniería razonable.

Dónde encuentran límites los equipos

Tres limitaciones aparecen repetidamente una vez que un agente pasa de la fase piloto al tráfico real.

La elección del modelo viene impuesta. El entorno está diseñado específicamente para Claude, lo cual es precisamente la razón por la que funciona bien y, a su vez, por la que no puedes redirigir el 80 % de tus tareas que no requieren un modelo de vanguardia a algo más económico. En un agente que se ejecuta miles de veces al día, ahí es donde se acumula la factura.

El coste tiene dos componentes, no uno. Pagas las tarifas estándar por token de Claude más un cargo basado en la sesión por el tiempo de ejecución gestionado. Los precios por hora de sesión se mencionan a menudo en artículos de terceros, pero consulta las tarifas actuales en la página de precios de Anthropic antes de hacer tus cálculos. Desglosamos la situación completa en nuestro análisis de precios de Claude Managed Agents.

La retención de datos es un obstáculo real para los equipos sujetos a normativas. Dado que Managed Agents tiene estado por diseño (las sesiones almacenan el historial de conversaciones, el estado del entorno aislado y las salidas en el servidor), la documentación de Anthropic indica que actualmente no cumple los requisitos para la Retención Cero de Datos ni para la cobertura del Acuerdo de Asociado Comercial (BAA) de HIPAA. Mantienes el control en el sentido de que puedes eliminar sesiones y archivos cargados a través de la API en cualquier momento, pero si tu política de cumplimiento exige ZDR o un BAA, esto supone un impedimento absoluto y no algo que se pueda negociar. La opción de entorno aislado autohospedado aborda dónde se ejecuta el código, no lo que la plataforma retiene.

TrueForge: una alternativa de código abierto a los agentes gestionados de Claude, hasta un 75 % más económica

TrueForgees el entorno de agentes de código abierto y neutral respecto al proveedor de TrueFoundry para equipos que desean un mayor control sobre cómo se ejecutan sus agentes en producción. En lugar de vincular el tiempo de ejecución a un único proveedor de modelos, TrueForge le permite utilizar sus propios modelos, servidores MCP e infraestructura, mientras gestiona el bucle del agente, la ejecución de herramientas, la gestión del contexto, las aprobaciones y el aislamiento (sandboxing).

Mientras que un agente autohospedado como Hermes deja gran parte de la infraestructura de producción en manos del desarrollador, TrueForge proporciona el plano de control necesario para operar agentes en distintos equipos y entornos. Esto incluye acceso y credenciales MCP centralizados, aprobaciones con intervención humana, ejecución aislada, observabilidad y gobernanza.

Puede ejecutarlo localmente connpx @truefoundry/trueforgeo desplegarlo para un equipo mediante Docker Compose o Helm.

TrueForge también separa el tiempo de ejecución del agente de la capa del modelo. Esto significa que los equipos pueden cambiar de modelo o dirigir las cargas de trabajo a diferentes proveedores sin tener que reconstruir el agente. Junto con la puerta de enlace de IA (AI Gateway) de TrueFoundry, los equipos también pueden aplicar el enrutamiento de modelos y controles de costes para evitar el uso de modelos de vanguardia costosos en tareas que no los requieren. El resultado es un punto intermedio entre un tiempo de ejecución totalmente gestionado y la creación de toda la infraestructura del agente por su cuenta:un entorno de agentes de código abierto con los controles operativos necesarios para ejecutar agentes en producción a escala.‍

En la comparativa de TrueFoundry frente a Claude Managed Agents, TrueForge alcanzó aproximadamente la misma precisión en las tareas utilizando cerca de un 40% menos de tokens cuando ambos se ejecutaron en Opus 4.8, lo que lo hace aproximadamente un 30% más barato por ejecución. Cuando se realizó la misma comparativa con GLM-5.2 en TrueForge, se obtuvo la misma puntuación de ~11/14 en las tareas con un coste de unos 2,90 $ por ejecución frente a los 11,80 $ de Claude Managed Agents, aproximadamenteun 75 % menos de coste.

TrueFoundry también ofrece una segunda palanca para reducir los costes de los modelos medianteelenrutamiento automáticode AI Gateway. En lugar de enviar cada solicitud a un modelo de vanguardia, el enrutamiento automático clasifica las solicitudes según su complejidad y las dirige a diferentes niveles de modelos. En la comparativa de TrueFoundry con 550 prompts, el enrutamiento entre Haiku, Sonnet y Opus redujo el coste en un 69 % manteniendo el 98 % de la calidad base, y la latencia media se redujo de 7,6 segundos a 4,0 segundos. En tráfico de producción, la reducción de costes global alcanzó el 80 %.

Estas dos capas abordan diferentes partes de la ecuación de costes.TrueForge reduce la sobrecarga de ejecutar el propio agente, mientras queel enrutamiento de modelos te permite evitar el uso de un modelo costoso cuando la tarea no lo requiere. Para los equipos que ejecutan agentes a gran escala, disponer de ambos controles puede ser más importante que el precio del modelo por sí solo.

TrueForge es de código abierto ycuenta con licencia MIT,mientras que la AI Gateway de TrueFoundry añade la capa operativa que los equipos necesitan al pasar de agentes individuales a producción: acceso centralizado a modelos, presupuestos, barreras de seguridad, gestión de credenciales y trazabilidad unificada.

Si estás comparando los agentes gestionados de Claude con una arquitectura más configurable, merece la pena considerar TrueFoundry cuandola flexibilidad del modelo, el control de la infraestructura y la optimización de costes de los agentesimportan tanto como el propio tiempo de ejecución del agente.

An Open-Source Alternative to Claude Managed Agents, Up to 75% Cheaper

Run production-ready AI agents on your own infrastructure with TrueForge, using your choice of models, tools, and sandbox providers.

View on GitHub

Docs

Lo que los agentes gestionados no cubren

Los agentes gestionados controlan muy bien el tiempo de ejecución de un solo agente. Lo que no hacen es controlar una flota , que es el problema que surge alrededor del quinto agente, cuando el departamento financiero pregunta cuánto cuesta todo esto y el de seguridad pregunta quién aprobó las credenciales.

Un entorno de ejecución de agentes controla cómo funciona un agente. Una puerta de enlace de IA (AI Gateway) controla cómo accede ese agente a los modelos.

Por ejemplo, una organización podría ejecutar agentes utilizando Claude Managed Agents o TrueForge mientras enruta las solicitudes de modelos a través de una puerta de enlace de IA.
TrueFoundrypuerta de enlace de IA (AI Gateway) se sitúa delante de cada llamada a modelos y MCP que realiza un agente, aplicando un acceso centralizado a los modelos, presupuestos por equipo, límites de tasa, medidas de seguridad, gestión de credenciales y trazabilidad unificada, independientemente de los agentes y marcos de trabajo que utilicen sus equipos. Es compatible con más de 1000 LLM a través de una única API compatible con OpenAI, añade aproximadamente 3-4 ms de sobrecarga y gestiona más de 350 RPS en una sola vCPU, por lo que puede situarse en la ruta crítica de un agente de larga ejecución sin convertirse en un cuello de botella. Se ejecuta en su propia VPC, en sus instalaciones o en entornos aislados (air-gapped).

Esto resulta especialmente útil cuando una organización ejecuta agentes en múltiples modelos en lugar de depender de un único proveedor.

Tiempo de ejecución del agente: gestiona el bucle del agente, las herramientas, el estado y la ejecución.

Puerta de enlace de IA (AI Gateway): gestiona el acceso a los modelos, el enrutamiento, las políticas, la observabilidad y la abstracción del proveedor.

Esta separación permite a los equipos cambiar o añadir modelos sin tener que rediseñar el agente en sí.

Conclusión

Claude Managed Agents eleva el desarrollo de agentes a un nivel superior: en lugar de construir usted mismo la infraestructura de ejecución en torno a Claude, puede utilizar un entorno gestionado diseñado para cargas de trabajo de agentes asíncronas y de larga duración.

La distinción importante reside entre el modelo y todo lo que lo rodea. El modelo proporciona el razonamiento, mientras que el entorno de ejecución del agente gestiona el bucle, las herramientas, el entorno aislado (sandbox), las sesiones y la ejecución. Los agentes gestionados integran gran parte de esa infraestructura en la plataforma de Anthropic, mientras que los enfoques de código abierto como TrueForge ofrece a los equipos un mayor control sobre el entorno de ejecución y el harness.

Para los sistemas de IA en producción, la elección no depende solo de qué modelo utilizar. También se trata de dónde reside el entorno de ejecución del agente, quién lo opera, cuánto control necesitas y cómo gestionas el acceso a los modelos..

A medida que los agentes adquieren más capacidades y gestionan flujos de trabajo cada vez más complejos, estas decisiones de infraestructura se convertirán en una parte fundamental para crear agentes de producción fiables.

Preguntas frecuentes

P: ¿Qué son los Claude Managed Agents?

‍R: Claude Managed Agents es el conjunto de API componibles de Anthropic para crear y ejecutar agentes de IA alojados en la nube en la plataforma Claude. Proporciona un harness para agentes preconfigurado (el bucle de llamadas a herramientas, ejecución en entorno aislado, estado de sesión, permisos con alcance definido y trazabilidad), lo que permite a los equipos desplegar agentes sin tener que crear su propio entorno de ejecución. Se lanzó en versión beta pública el 8 de abril de 2026 y se basa en cuatro conceptos: agentes, entornos, sesiones y eventos.

P: ¿Cuál es la diferencia entre Claude Managed Agents y el SDK de agentes de Claude?

‍R: El SDK de agentes de Claude ejecuta el bucle del agente dentro de tu propio proceso e infraestructura; Claude Managed Agents lo ejecuta en la de Anthropic. Con el SDK, tú eres responsable del entorno de ejecución, el entorno aislado y la carga operativa. Con Managed Agents, delegas los tres aspectos en Anthropic y, a cambio, obtienes infraestructura de producción, persistencia y trazabilidad en la consola. Ambos son exclusivos de Claude.

P: ¿Cuánto cuestan los Claude Managed Agents?

‍R: El coste consta de dos partes: las tarifas estándar de tokens de la API de Claude para el modelo, más un cargo basado en la sesión por el entorno de ejecución gestionado. Dado que los agentes funcionan durante largos periodos y el propio harness consume tokens para las llamadas a herramientas y la gestión del contexto, la parte de los tokens suele ser la que más peso tiene en la factura. Nuestro desglose de precios detalla el cálculo completo por ejecución.

P: ¿Puedo desplegar TrueFoundry en mi propia VPC o de forma local (on-prem)?

‍R: Sí. TrueFoundry se ejecuta en tu VPC, de forma local, en entornos aislados (air-gapped), híbridos o en múltiples nubes, y ningún dato sale de tu dominio. Esta es la razón principal por la que las empresas en sectores regulados lo eligen frente a las pasarelas exclusivamente SaaS; algo especialmente relevante aquí, ya que Managed Agents no cumple actualmente con los requisitos de retención cero de datos ni con la cobertura BAA de HIPAA.

P: ¿Es compatible TrueFoundry con MCP y agentes de IA?

‍R: Sí. TrueFoundry incluye una pasarela MCP, una pasarela de agentes y un registro de MCP y agentes con control de acceso a nivel de herramienta. Los agentes creados con LangGraph, CrewAI, AutoGen, el SDK de agentes de Claude o marcos de trabajo personalizados pueden desplegarse y gestionarse de forma centralizada.

P: ¿Cuántos LLM admite TrueFoundry?

‍R: Más de 1000 LLM a través de una única API compatible con OpenAI. Puedes cambiar de modelo simplemente modificando el nombre en la solicitud (misma URL, mismas credenciales), lo que permite que redirigir tareas sencillas a modelos económicos sea un simple cambio de configuración en lugar de una reescritura.

Lecturas relacionadas

• Alternativas a Claude Managed Agents las cinco opciones que merece la pena evaluar si la opción gestionada no es la adecuada
• TrueForge frente a Claude Managed Agents: la comparativa metodología completa de Enterprise-Bench y cifras de coste por ejecución
• ¿Qué es la orquestación multiagente? la capa superior a un entorno de ejecución de agente único
• Agentes LLM: arquitectura y patrones la introducción detrás de esta publicación
• Registro de agentes de IA cómo realizar un seguimiento de los agentes cuando se gestionan más de unos pocos