Anthropic: cómo Claude organiza la memoria de sus agentes

Anthropic y el ‘dreaming’: la memoria de agentes deja de ser un cajón desordenado

Anthropic publicó una investigación sobre cómo diseña la memoria de sus agentes, y el dato más contundente es este: al escalar su proceso de ‘dreaming’ de 2 a 128 sesiones, el desempeño de Claude sobre un corpus interno de 350.000 archivos pasó del 13% al 48% de los criterios evaluados. Para quien construye agentes que deben recordar entre sesiones, ese salto es la diferencia entre un asistente que repite errores y uno que aprende.

La idea detrás del dreaming viene de la biología. El hipocampo captura experiencias en el momento; durante el sueño, esas experiencias se reproducen y se consolidan en la neocorteza, donde vive lo que llamamos conocimiento. Los agentes pueden dividir el trabajo igual: registran su actividad en logs y transcripciones, y después usan el tiempo muerto para reorganizar lo que saben. Anthropic cita como antecedente a investigadores de Letta y UC Berkeley, que propusieron el sleep-time compute para que los modelos aprovechen el tiempo ocioso entre interacciones.

¿Qué es el ‘dreaming’ y en qué se diferencia del entrenamiento?

La precisión más importante: dreaming no modifica los pesos del modelo. Los aprendizajes se guardan como notas de texto plano y playbooks estructurados. El agente no se convierte en otro modelo; obtiene un cuaderno mejor organizado.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Según Crypto Briefing, la capacidad se presentó el 6 de mayo de 2026 en la conferencia Code with Claude, en San Francisco. El proceso corre de forma asíncrona —no interrumpe al agente mientras trabaja— y cada ejecución puede procesar entre 1 y 100 transcripciones de sesión. El sistema lee, fusiona entradas duplicadas y busca contradicciones en la memoria operativa. También detecta patrones: errores que el agente repite y flujos de trabajo que consistentemente dan resultado.

Dos decisiones de diseño merecen atención. La primera es que los insumos originales quedan intactos: nada se sobrescribe en el lugar. La segunda es que el usuario elige si las actualizaciones se aplican automáticamente o esperan aprobación manual. Ambas apuntan al mismo riesgo: un sistema que resume y consolida información también puede consolidar errores, archivando con prolijidad la lección equivocada.

El acceso está restringido: las organizaciones deben solicitarlo. Crypto Briefing reporta que durante la vista previa de investigación el dreaming soporta tres modelos —claude-opus-4-8, claude-opus-4-7 y claude-sonnet-4-6—. El mismo medio señala que en pruebas tempranas con la firma legal Harvey, las tasas de finalización de tareas en benchmarks legales se multiplicaron por seis.

Los componentes: notas, saliencia y memoria como predicción

Anthropic define ‘memoria de agente’ como el conocimiento que Claude gana de la experiencia —interacciones con usuarios y tareas asignadas— y que retiene entre sesiones como contexto que puede leer después. Queda fuera todo lo demás: cambios en los pesos, aprendizaje dentro de una sola conversación y compactación de contexto.

El primer componente es la saliencia. En el cerebro, señales químicas marcan un recuerdo como importante antes, durante o después de la experiencia, y esos recuerdos se reproducen más durante los períodos offline. Un agente puede hacer algo parecido: etiquetar eventos relevantes en el log mientras ocurren, o escribirlos directamente en una carpeta de notas de memoria.

El segundo componente es la predicción. Escribir una regla es apostar a que el patrón descrito volverá a ser relevante. Anotar un hecho verificado es predecir que una sesión futura querrá confiar en ese hecho sin volver a comprobarlo. En el benchmark CL-Bench 1.0, que mide la capacidad de un agente de usar memoria en tareas de horizonte largo, los modelos mostraron niveles muy distintos de madurez: Claude Sonnet 4.6 llegó a generar teorías sobre por qué se equivocó, pero dejó una carpeta con archivos sueltos y conjeturas sin probar. Claude Opus 4.7 consolidó sus notas en un único documento de referencia y empezó a marcar qué estaba verificado. Claude Opus 5 fue el primero en cerrar el ciclo: la mayoría de sus entradas incluían una regla, cómo sabía que era verdadera y advertencias sobre trampas detectadas en el camino.

El caso Pokémon: guardar todo es el error más caro

La evaluación más ilustrativa es Pokémon Red. Anthropic comparó las carpetas de memoria de dos modelos a unos 10.000 pasos de partida. Claude Sonnet 3.7 asumió que todo podía importar y escribió sin filtro: 413 archivos de memoria en 225 carpetas, con un archivo separado por cada batalla, objeto encontrado y personaje con el que se cruzó. Ganó una medalla.

Claude Fable 5 escribió nueve archivos en dos carpetas, más un archivo global, y ganó cuatro medallas. La diferencia no fue de inteligencia, sino de criterio: el estado del juego cambia constantemente, así que el registro detallado de Sonnet 3.7 quedaba obsoleto todo el tiempo. Hacia el paso 10.000, ese modelo abrió su cuarta carpeta de archivos ‘maestros’ y en los siguientes 17 pasos creó seis archivos, borró nueve y no hizo ninguna acción en el juego.

Fable 5 usó la memoria para lo que el juego no dice: estrategia, planes y reglas probadas. Datos como cuánto dinero tiene el jugador o dónde está en el mapa se leen en pantalla cada turno, así que guardarlos es redundante. Claude Opus 5.5 adoptó un enfoque similar —una carpeta pequeña con el objetivo actual y los próximos pasos, reescrita mientras jugaba— y terminó el juego.

Cómo se mide el retorno de la memoria

Anthropic probó el dreaming sobre un corpus de documentos internos de Stainless, empresa de software que adquirió en mayo: unos 350.000 archivos, aproximadamente 420 millones de tokens. Instruyó a agentes Opus 5 para construir una wiki —páginas enlazadas que reúnen lo que el modelo sabe sobre un tema— a lo largo de 128 sesiones, con un log compartido para coordinar el trabajo.

El resultado: el desempeño en 25 preguntas de evaluación subió del 13% al 48% de los criterios calificados. Con búsqueda más wiki, el puntaje agregado pasó de 54% a 61% a medida que la wiki crecía, contra 53% con la herramienta de búsqueda sola. Usar ambos ahorró además unos 20.000 tokens por pregunta.

En el benchmark Harvey LAB, con documentos de una fusión, una prueba de 24 preguntas —más de la mitad requerían cruzar información entre varios documentos— dio 87% cuando Claude consultó la wiki, contra 73% con búsqueda sola.

Pero la wiki no siempre ayuda. En una tarea del LAB, los criterios se podían recuperar con una búsqueda de texto en un solo documento y la wiki no mostró ninguna ventaja. En otra, la wiki terminó siendo más grande que los documentos originales: Anthropic la compara con los cartógrafos del cuento de Borges que dibujaron un mapa tan detallado como el imperio que representaba. Una representación que no abstrae nada no es una representación.

¿Qué significa esto para tu startup?

Tres lecciones concretas si estás construyendo agentes con memoria persistente.

Separa el estado efímero del conocimiento destilado. Antes de escribir una nota, pregúntate si ese dato se puede volver a leer de la fuente en el próximo turno. Si la respuesta es sí, no lo guardes: guarda la regla, el plan y la trampa. Es exactamente lo que separó a Fable 5 de Sonnet 3.7.
Mantén pequeña la capa que inyectas en cada sesión. La memoria automática de Claude Code carga solo las primeras 200 líneas o 25 KB de su archivo MEMORY.md, que funciona como índice. Todo lo demás se busca cuando hace falta. Anthropic advierte además que los archivos de instrucciones más largos reducen el cumplimiento.
Prefiere dar criterio antes que reglas fijas. Cuando Anthropic impuso la regla ‘registrar solo los fallos’, tanto Opus 5 como Opus 4.7 perdieron buena parte del beneficio que les daba la memoria. En modelos fuertes, la libertad para juzgar qué es relevante rindió más que una instrucción rígida.

Y una advertencia de arquitectura: si tu memoria se escribe solo en el momento de la tarea, le estás robando atención al trabajo principal. El dreaming resuelve eso moviendo la consolidación al fondo, pero a cambio los resultados no están disponibles de inmediato. Anthropic deja abierta la pregunta de cuándo crear memoria y con qué frecuencia revisarla, y sugiere que lo razonable es concentrar el esfuerzo en la información que probablemente cambie.

Para un equipo chico, la traducción es simple: no necesitas un sistema de memoria sofisticado, necesitas uno que se pueda auditar. Notas en texto plano, versionadas y comparables contra la transcripción original, son más útiles que un embedding opaco que nadie puede inspeccionar.