Qué son los Dynamic Workflows de Claude
En el AI Engineer New York 2026, CJ Avilla y Harrison Stall, miembros del equipo técnico de Anthropic, presentaron los dynamic workflows —o simplemente «flows»—, una función anunciada el viernes que la compañía define como «un nuevo tipo de orquestación multiagente, construida para tus cargas de trabajo más ambiciosas».
El dato que resume el salto: según The Decoder, un flujo dinámico puede coordinar hasta 1.000 subagentes en paralelo en una sola ejecución. Ya no se trata de un agente haciendo una tarea larga, sino de una organización de agentes que se divide el trabajo por sí sola.
Para un founder que ya usa IA en producción, esto ataca un cuello de botella concreto: cuando tienes muchos agentes generando pull requests y resultados a la vez, tú terminas siendo el revisor. Avilla lo describió sin rodeos: «muchos de los que estamos orquestando y gestionando muchos agentes empezamos a sentir que somos el cuello de botella y el punto de quiebre».
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasCómo funciona: el agente líder escribe su propio plan
La mecánica es la parte interesante. Hasta ahora, Claude Managed Agents exigía que el desarrollador configurara un coordinador y un roster de subagentes. Con los flows, Claude decide la topología.
El agente líder arma un plan y escribe un programa de orquestación que lanza agentes, recoge resultados y gestiona el flujo de información. Stall lo resumió así: «los flows son esencialmente la siguiente versión de la orquestación multiagente, donde puedes dejar que Claude orqueste por completo su propia topología multiagente».
El origen está en Claude Code, donde la idea nació bajo el concepto de un entorno de ejecución dedicado para cada tarea. Pero los flows pueden correr más tiempo que un solo agente o un roster completo.
Detalles operativos que salieron del workshop:
- Todo está disponible en Claude Console, la interfaz que usan los desarrolladores que acceden a Claude vía API.
- Puedes inyectar subagentes preconfigurados si quieres mantener especialistas bajo control.
- El tipo de agente a activar es
multiagent_20261001, según The Decoder. - La demo fue un escáner de watchlist de acciones: una fase de escaneo repartió cada ticker a agentes con contexto aislado, y una fase de revisión examinó los hallazgos antes de producir un informe.
El dato que justifica el costo: 66 de 70 bugs
Aquí está el argumento más fuerte a favor de los flows. Según The Decoder, Anthropic escondió 70 bugs en un código de 116.000 líneas. Un solo agente detectó entre 14 y 27 por corrida. El flujo dinámico encontró 66 de forma consistente.
Esa diferencia —de unos 20 a 66— es la que explica por qué Anthropic insiste en que vale la pena. Pero el mismo medio advierte que hay escepticismo: un ingeniero senior de OpenAI calificó a los enjambres de agentes como «un desperdicio masivo de tokens». La conclusión práctica es la de siempre: pruébalo con tus propias cargas antes de estandarizar.
El problema del costo: los flows queman tokens
Avilla fue directo en el workshop: en la comparación del escáner de watchlist, los flows costaron «mucho más» que un enfoque de un solo agente, pero también fueron «mucho más efectivos encontrando todos los detalles».
El control del presupuesto es la pregunta que más incomoda. Stall confirmó que el modelo no conoce su presupuesto mientras corre, aunque los desarrolladores pueden fijar un presupuesto de sesión. Y añadió un detalle llamativo: informar a los modelos de su presupuesto podría ponerlos «un poco ansiosos».
El contexto de precios ayuda a dimensionar. Según Geeky Gadgets, que revisó la documentación de Anthropic, Managed Agents cobra US$0,08 por hora de sesión activa además del costo de tokens. Y los tokens no son baratos: según TechRepublic, Claude Opus 5.5 cuesta US$4 por millón de tokens de entrada y US$20 por millón de salida, frente a los US$2 y US$10 de GPT-6 Sol de OpenAI.
Ese es el punto que todo founder debe internalizar: multiplicar agentes multiplica el consumo. El sector ya lo está discutiendo. Pega, según SiliconANGLE, lanzó un modelo de precios que cobra una tarifa plana por caso de negocio completado en lugar de por token, y su CEO Alan Trefler dijo que «tokenmaxxing es ridículo: solo lleva a costos insostenibles y resultados impredecibles».
Cómo mejorar los flows con el tiempo: dreaming y hill-climbing
Dos preguntas de la audiencia apuntaron a la eficiencia. ¿Cómo hacer que los flows repetidos sean más baratos? Avilla sugirió usar una función reciente: dreaming, definida en la documentación como una función de investigación en preview. Un «sueño» lee un almacén de memoria existente junto con transcripciones de sesiones pasadas y produce un almacén reorganizado, con duplicados fusionados y entradas obsoletas o contradictorias reemplazadas.
En el contexto de los flows, Avilla lo describió como una forma de «cristalizar y mejorar el almacén de memoria relacionado con esas sesiones».
Sobre si un flow puede mejorarse a sí mismo —por ejemplo, detectar que su modelo de escaneo es inadecuado y cambiar la siguiente corrida programada—, Stall dijo que eso no viene incorporado, pero sugirió combinar hill-climbing y dreaming para mejorar el loop.
Qué significa esto para tu startup
1. Empieza con alcance limitado, no con tu proyecto estrella. Anthropic recomienda arrancar con tareas acotadas justamente por el consumo de tokens. Elige un proceso donde el volumen sea alto y el resultado verificable —revisión de documentos, auditoría de código, análisis de datos— y mide el costo real antes de escalar.
2. Define tu presupuesto de sesión antes de lanzar. El agente no sabe cuánto puede gastar. Si no fijas un límite, un flow ambicioso puede consumir más de lo que esperabas. Trata el presupuesto como un guardrail, no como un detalle.
3. Usa la visibilidad del grafo para auditar. Desde Claude Console puedes inspeccionar qué pasó el agente líder a cada subagente y entender cada transición del grafo. Para equipos en industrias reguladas, esa trazabilidad es la diferencia entre adoptar la tecnología y no poder justificarla.
4. No esperes auto-mejora mágica. Los flows no se optimizan solos. Si quieres que bajen de costo con el tiempo, tendrás que diseñar el loop de mejora —dreaming, hill-climbing o simplemente pedirle a Claude que examine los costos incurridos.
Conclusión
Los dynamic workflows son la apuesta de Anthropic por un futuro donde no orquestas agentes: los agentes se orquestan entre ellos. El dato de los 66 bugs sobre 70 es su mejor argumento, y el costo es su mayor riesgo. Para un founder, la decisión no es si adoptarlo, sino dónde: elige un proceso acotado, ponle un techo de gasto y mide si el resultado justifica la factura.
Fuentes
- How Anthropic’s Dynamic Workflows Coordinate Claude Agents (fuente original)
- Anthropic’s Claude can now orchestrate up to 1,000 AI agents in parallel through dynamic workflows
- Deploy AI Agents 10X Faster Using Anthropic’s Pre-Configured Templates
- GPT-6 Sol vs Claude Opus 5.5: Coding, Pricing, and AI Agents
- Pega expands AI platform with agent orchestration, development tools and new pricing model
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
