La conferencia AI Engineer New York 2026 abrió el lunes con una serie de talleres, y uno de ellos lo dio Anthropic sobre cómo orquestar sus Claude Managed Agents. El foco estuvo en una función nueva, anunciada el viernes, que se llama dynamic workflows y que los presentadores llamaron casi siempre "flows", a secas.

Anthropic define los flows como "un nuevo tipo de orquestación multiagente, construido para tus cargas de trabajo más ambiciosas".

CJ Avilla y Harrison Stall, los dos del equipo técnico de Anthropic, partieron recordando proyectos de sistemas operativos del pasado. Mencionaron a Ken Thompson armando el Unix original y a Linux, que pasó de ser el trabajo de una persona (Linus Torvalds) a funcionar con capas de mantenedores de confianza. Según ellos, los agentes necesitan ese mismo nivel de organización para abordar los proyectos grandes que Anthropic imagina para los dynamic workflows.

"Creo que muchos de los que estamos orquestando y gestionando montones de agentes podríamos empezar a sentir esta sensación de ser el cuello de botella y el punto de quiebre, con un montón de agentes aportando toneladas y toneladas de PR", dijo Avilla. "Y estamos ahí sentados en nuestro GitHub tratando de aprobar PR y de asegurarnos de que todo funcione como se espera."

De la lista de agentes al flujo dinámico

Los dynamic workflows nacieron dentro de Claude Code, con el concepto de "un arnés para cada tarea". La diferencia es que un flow puede correr más tiempo que un agente solo o que una lista fija de agentes. La idea de fondo es que Claude elige cómo se organizan los agentes.

"Los flows son, en esencia, la siguiente versión de la orquestación multiagente", dijo Stall, "donde puedes dejar que Claude orqueste por completo toda su propia topología multiagente."

En la práctica, el agente principal arma un plan para resolver la tarea. Después Claude escribe un programa de orquestación que lanza agentes, junta los resultados y maneja el flujo de información entre ellos.

Hasta ahora, Claude Managed Agents obligaba al desarrollador a configurar un coordinador y una lista de subagentes. Con los dynamic workflows, es Claude quien decide cómo dividir y orquestar el trabajo.

"A lo largo de varias fases distintas de la orquestación multiagente, es capaz de completar unidades de trabajo discretas y verificables sin que tengas que gestionar ninguna de las interconexiones entre ellas", explicó Stall.

Avilla aclaró que el usuario igual puede sumar subagentes especialistas si quiere.

"También es posible pasar subagentes preconfigurados en la configuración del agente", dijo.

Todo esto está disponible en Claude Console, la interfaz que usan los desarrolladores que acceden a Claude por API, que es justamente el público de Claude Managed Agents.

La demostración fue un flujo bastante simple, un escáner de una lista de acciones bursátiles. Queda lejos de los proyectos ambiciosos que Anthropic promueve, pero sirvió para ver el patrón básico. Una fase de escaneo repartió cada ticker a un agente con su propio contexto aislado, y una fase posterior de revisión examinó los hallazgos antes de producir un informe.

¿Cuántos agentes lanza Claude y cuánto gasta?

La ronda de preguntas sacó a la luz varios problemas posibles. Un asistente preguntó cómo decide Claude cuántos agentes necesita una tarea, y si un escaneo simple de tickers podía terminar disparando cientos de subagentes.

"La respuesta, de verdad, son las evaluaciones y valores por defecto más bajos", respondió Stall. Agregó que las tareas ambiciosas en general requieren pedirle explícitamente al modelo que paralelice más.

Una preocupación de siempre en la orquestación de agentes es mantener el control del presupuesto de tokens. Alguien preguntó si el agente principal sabe cuánto dinero tiene disponible.

Stall contestó que el modelo no conoce su presupuesto mientras corre, pero que el desarrollador puede fijar un presupuesto por sesión. Añadió que informarle a los modelos su presupuesto podría dejar a los agentes "un poquito ansiosos", y el público se rió.

Otra pregunta apuntó a cómo hacer que los flows repetidos salgan más baratos y eficientes con el tiempo.

Además de pedirle a Claude que revise los costos incurridos, Avilla sugirió usar otra función reciente llamada dreaming. En la documentación figura como función en vista previa de investigación. Un dream "lee un almacén de memoria existente junto con transcripciones de sesiones pasadas, y luego produce un almacén de memoria nuevo y reorganizado", con los duplicados fusionados, las "entradas obsoletas o contradichas" reemplazadas y "nuevas conclusiones a la vista".

Avilla describió el dreaming dentro de un flow como la posibilidad de "cristalizar y básicamente mejorar el almacén de memoria relacionado con esas sesiones".

¿Puede un flow mejorarse a sí mismo?

Para el ejemplo de la lista de acciones, alguien preguntó si el flow podía mejorarse solo. Por ejemplo, darse cuenta de que su modelo de escaneo no alcanza y cambiar la siguiente corrida programada.

Stall dijo que eso no viene incorporado, aunque él y Avilla sugirieron que el hill-climbing y el dreaming podrían usarse para mejorar el ciclo.

Otro asistente preguntó por la visibilidad de lo que hacen los subagentes. Avilla respondió que los desarrolladores siempre pueden inspeccionarlo con la función de grafos dentro de Claude Console.

"Puedes ver qué le pasó de verdad el agente principal al subagente. Puedes mirar esa carga acá para entender a fondo qué está pasando en cada transición de todo este grafo."

También surgió la duda de si los subagentes pueden comunicarse entre ellos. Stall explicó que los agentes comparten un sistema de archivos y pueden usarlo para intercambiar información. Lo que no se puede, a través de la API, es instruir directamente a un subagente del flujo para que le mande un mensaje a otro.

Cuestan bastante más y apuntan a tareas grandes

En la comparación del escáner de acciones, Avilla dijo que los flows cuestan "mucho más" que el enfoque de un solo agente, pero que también son "mucho más efectivos para encontrar todos los detalles".

La pregunta de fondo es qué tan ambiciosos pueden ser. Un asistente preguntó si los dynamic workflows podrían sostener proyectos grandes de investigación científica, y citó la demostración que OpenAI anunció hace poco sobre el problema del Premio del Milenio de Navier-Stokes.

Stall no entró en detalles sobre cómo Anthropic aborda problemas científicos de gran escala. Sí dijo que la meta es que el público general también pueda atacar ese tipo de problemas.

"Los flows son, básicamente, una forma de lanzarle cómputo en tiempo de prueba a problemas difíciles y sacarle más capacidad a los modelos más rápido", dijo. "Creemos, sobre todo como servicio de API, que liberar ese potencial es el primer paso para que este tipo de descubrimientos, o de progreso científico, sea algo que el público general pueda hacer en términos amplios."