Prompt 🤖 025 | Cómo diseñar tu primer loop de IA (y dejar de prompt-ear uno por uno)
El prompt ya no alcanza: esta guía te muestra cómo diseñar tu primer loop de IA, un sistema que ejecuta, verifica y repite tareas sin que estés en cada turno.
Por qué importa hacer esto
Durante casi tres años, ser un usuario avanzado de IA significó ser bueno escribiendo prompts: la instrucción correcta, el contexto justo, el tono preciso. Esa etapa está terminando.
El 7 de junio de 2026, el desarrollador Peter Steinberger publicó en X una frase que acumuló 2.2 millones de vistas: “No deberías seguir prompteando agentes de programación. Deberías diseñar loops que prompteen a tus agentes por vos”.
Boris Cherny, quien lidera Claude Code en Anthropic, lo confirmó en el mismo sentido pocos días después: “Ya no le escribo prompts a Claude. Tengo loops corriendo que lo prompt-ean y deciden qué hacer. Mi trabajo es escribir loops.”
La distinción no es exclusiva de programadores.
Un prompt resuelve una tarea puntual con vos sosteniendo la conversación turno a turno: escribís, leés lo que vuelve, escribís de nuevo.
Un loop es un sistema que decide qué tarea sigue, la ejecuta, verifica el resultado y repite el ciclo sin que estés presente.
Anthropic documentó en su informe When AI builds itself (julio de 2026) que más del 80% del código que se integra a su propio repositorio ya lo escribe Claude, no un ingeniero humano paso a paso — y ese salto de productividad (8x en líneas de código por ingeniero desde 2024) es producto de sostener ciclos autónomos, no de prompts sueltos cada vez mejor redactados.
▶ El prompt engineering no desaparece, pero deja de ser la habilidad diferencial. Lo que compone valor en el tiempo es diseñar el sistema que prompt-ea por vos. Esta guía te lleva paso a paso a construir el primero, sin necesidad de ser desarrollador.
Del prompt lineal al loop prompt
El uso clásico del prompt parte de una lógica lineal: escribís una instrucción, la IA responde, corregís, volvés a pedir, ajustás y repetís. Funciona, pero depende por completo de tu intervención humana en cada paso.
El salto no está en escribir un prompt más largo. Está en diseñar el ciclo de trabajo completo.
Un loop prompt —o bucle prompt— es una instrucción diseñada para que la IA no responda una sola vez, sino que ejecute un ciclo: producir, evaluar, corregir, mejorar, volver a ejecutar y detenerse sola cuando alcanza un criterio definido de antemano.
▶ El prompt tradicional pide una respuesta. ▶ El loop prompt diseña un sistema de mejora.
La diferencia parece menor. No lo es: cambia por completo la forma en que trabajás con la IA — de sostener una conversación a supervisar un sistema.
La diferencia está en la arquitectura
Un prompt común se sostiene con tres elementos básicos:
una tarea.
un contexto.
un formato de salida.
Un loop prompt agrega cuatro componentes más:
un criterio de evaluación.
una fase de crítica.
una fase de mejora.
una condición de detención.
No se trata de pedirle más cosas a la IA en un mismo prompt. Se trata de que la IA trabaje con un mecanismo de aprendizaje operativo dentro de la propia conversación, sin que vos tengas que reiniciar el ciclo a mano cada vez.
Anatomía de un buen loop prompt
Con los siete elementos anteriores —los tres del prompt clásico más los cuatro del ciclo— se arma la estructura mínima de un loop prompt bien diseñado. Una plantilla de referencia:
Tarea: qué tiene que producir la IA. Ejemplo: “Redactá el borrador de respuesta a este cliente.”
Contexto: la información que la IA necesita para no adivinar. Ejemplo: “Usá el tono de nuestra marca y el historial de la cuenta.”
Formato de salida: cómo tiene que entregarse el resultado. Ejemplo: “Máximo 150 palabras, en español neutro.”
Criterio de evaluación: qué convierte una respuesta en “buena”. Ejemplo: “Responde la consulta original, no promete nada que no podamos cumplir, y el tono es cordial.”
Fase de crítica: quién y cómo revisa el resultado contra ese criterio antes de aceptarlo. Ejemplo: “Evaluá tu propio borrador contra el criterio anterior y señalá qué falla.”
Fase de mejora: qué hace la IA con lo que encontró en la crítica. Ejemplo: “Corregí el borrador según lo que señalaste.”
Condición de detención: cuándo el ciclo se da por terminado. Ejemplo: “Repetí este proceso hasta cumplir los tres criterios, o hasta 3 intentos.”
▶ Un loop prompt sin condición de detención no es un loop: es un prompt que nunca sabe cuándo parar.
Estos siete elementos son, en esencia, la misma arquitectura que vas a automatizar en los pasos 1 y 2 de esta guía —objetivo y condición de cierre— llevada al nivel de una sola instrucción bien escrita, antes incluso de correrla con /loop o /goal.
Prerequisitos
Acceso a un agente de IA con capacidad de ejecutar tareas de forma autónoma (Claude/Code con tareas programadas, ChatGPT/Codex, Gemini/Antigravity o un asistente conectado a tus herramientas de trabajo).
Una tarea repetitiva real de tu organización — no un experimento aislado ni una prueba de concepto sin dueño.
Un criterio de éxito verificable sin ambigüedad: un dato, una lista, una condición que se cumple o no.
Un responsable dispuesto a revisar los primeros resultados antes de dejar el loop corriendo sin supervisión.
Los pasos a realizar
1. Elegí una tarea “con forma de loop”
Instrucción: evaluá si la tarea es repetitiva (la hacés seguido), revisable (podés definir qué significa “terminada bien”) y valiosa (el resultado justifica el costo de diseñarla).
Resultado esperado: una tarea candidata concreta — no una intención vaga como “usar más IA en el equipo”.
2. Definí el objetivo y la condición de cierre
Instrucción: escribí en una frase qué tiene que ser verdad para que el loop se detenga. No “hacé lo mejor posible”, sino algo verificable: “todas las facturas de julio están conciliadas y sin discrepancias”.
Resultado esperado: un criterio binario que un tercero —humano o IA— pueda calificar como cumplido o no.
3. Documentá el contexto una sola vez
Instrucción: escribí el conocimiento que hoy repetís en cada conversación —procesos, excepciones, tono de marca, criterios de calidad— en un documento de referencia único que el agente pueda consultar.
Resultado esperado: el agente deja de “adivinar” tu contexto en cada corrida porque ya quedó escrito fuera de la conversación.
4. Diseñá el disparador
Instrucción: decidí qué activa el loop sin que vos lo llames: un horario fijo, un correo entrante, un mensaje en un canal, un cambio en una planilla.
Resultado esperado: el sistema arranca solo cuando ocurre el evento, no cuando vos abrís la aplicación.
5. Separá a quien ejecuta de quien verifica
Instrucción: asigná una segunda instancia de IA —o un checklist automatizado— que audite el resultado de la primera antes de darlo por bueno.
Resultado esperado: ningún entregable se considera “terminado” solo porque el mismo agente que lo generó dice que está bien.
6. Conectá el loop a tus herramientas reales
Instrucción: integrá el agente con el sistema donde vive el trabajo —CRM, calendario, correo, planilla de gestión— en lugar de dejarlo aislado en una ventana de chat.
Resultado esperado: el loop actúa sobre datos reales y entrega el resultado donde tu equipo ya trabaja, sin pasos manuales de por medio.
7. Dale memoria persistente
Instrucción: definí un lugar fuera de la conversación —un documento, un tablero, una base de datos— donde el loop registre qué hizo, qué falló y qué queda pendiente.
Resultado esperado: cada corrida retoma donde terminó la anterior, en lugar de arrancar de cero cada vez.
8. Ponele límites duros
Instrucción: fijá un tope de repeticiones, un presupuesto máximo de uso y un tiempo límite de ejecución antes de activar el loop en modo autónomo.
Resultado esperado: un loop mal calibrado se detiene solo, sin vaciar tu cuenta ni saturar el sistema real mientras no lo estás mirando.
9. Dejá que se audite y mejore (nivel avanzado)
Instrucción: una vez estabilizado, sumá una revisión periódica que analice los errores recurrentes del loop y ajuste sus propias instrucciones.
Resultado esperado: el loop de la próxima semana arranca con una versión mejor de sí mismo, sin que nadie haya tocado el proceso a mano.
Variaciones o atajos con IA
Si tu organización no tiene equipo técnico, no necesitás escribir código.
Empezá con las tareas programadas de tu asistente de IA (por ejemplo, tareas recurrentes en Claude, o una automatización tipo Make/Zapier con un paso de IA integrado).
La disciplina que importa —objetivo claro, condición de cierre, verificador separado— es la misma que aplica un desarrollador escribiendo un loop en producción.
La ejecución técnica se la delegás a la plataforma; el diseño del criterio sigue siendo tuyo.
5 ejemplos prácticos (con el código o la configuración exacta)
No hace falta ser desarrollador para entender estos ejemplos, pero sí ayuda verlos en su forma real para perder el miedo a la “caja negra”. Son deliberadamente simples — cada uno cubre una plataforma distinta.
1. Claude Code — comando /loop para tareas recurrentes
Corre un prompt en un intervalo fijo hasta que lo detengas vos:
/loop --every 1h "Revisá los tickets de soporte sin responder hace más de 2hs.
Clasificalos por urgencia y actualizá el tablero. Si no hay nada nuevo, no hagas nada."Resultado: cada hora, el agente entra, mira si hay trabajo, y si no hay, se queda callado — no te notifica ruido.
2. Claude Code — comando /goal con condición de cierre verificable
Le das un objetivo y una condición de éxito explícita; el agente reintenta solo hasta cumplirla:
/goal "Todas las facturas de julio en el archivo facturas.csv están conciliadas
contra el extracto bancario, sin discrepancias mayores a $1.
Si encontrás una discrepancia, corregila y volvé a verificar.
Detenete cuando la condición sea verdadera o tras 15 intentos."Resultado: el agente no se detiene en el primer intento — sigue iterando hasta que la condición que vos definiste es objetivamente verdadera.
3. El “loop Ralph” — el bucle más simple que existe (bash)
Es la versión mínima de un loop, popularizada por el desarrollador Geoffrey Huntley: un script que vuelve a invocar al agente una y otra vez hasta que el propio agente escribe una señal de “terminado” en un archivo:
#!/bin/bash
# ralph.sh
while true; do
claude -p "$(cat prompt.md)"
if grep -q "TAREA_COMPLETA" ./estado.md; then
echo "Loop terminado."
break
fi
sleep 60
doneResultado: no necesitás una plataforma sofisticada para tu primer loop — un archivo de instrucciones, un archivo de estado y diez líneas de bash alcanzan.
4. Automatización sin código — Make.com o Zapier
Un “escenario” (así se llaman en Make) con IA integrada, sin escribir una línea de código. Así se ve el blueprint simplificado que exportás:
{
"trigger": "Google Sheets: fila nueva",
"modules": [
{ "app": "Claude", "accion": "Enviar prompt",
"prompt": "Calificá este lead del 1 al 10 según fit con nuestro ICP: {{fila}}" },
{ "app": "Router", "condicion": "score >= 7" },
{ "app": "Slack", "accion": "Enviar mensaje",
"canal": "#ventas", "texto": "Lead caliente: {{nombre}} — score {{score}}" }
]
}Resultado: cada lead nuevo se califica solo y los de score alto avisan a ventas en Slack, sin que nadie abra el CRM.
5. Tarea programada en Claude (scheduled task / Cowork)
La forma más accesible para un directivo sin equipo técnico: un prompt con cadencia fija, sin código real, solo la definición del disparador:
Prompt: "Cada lunes a las 8am revisá los correos de la última semana,
identificá los 3 pedidos de clientes sin responder hace más de 48hs,
y armá un borrador de respuesta para cada uno."
Cadencia (cron): 0 8 * * 1Resultado: el lunes a la mañana ya tenés los borradores esperando en lugar de arrancar la semana revisando la bandeja de entrada.
6. Bucles Multi-Agente Dinámicos (Team-Driven Loops)
Para proyectos de alta complejidad que un solo agente no puede resolver de manera lineal, se invoca un organigrama o departamento completo de subagentes autónomos que interactúan en bucles paralelos y cruzados.
Caso de Uso Práctico: Desarrollo de Productos Mínimos Viables (MVP) complejos.
Ejemplo: El despliegue de una plataforma transaccional de reservas (estilo Airbnb). El bucle principal coordina subagentes especializados: un agente de arquitectura backend, un diseñador de interfaces dinámicas y un tester de integración. Los agentes se notifican entre sí, corrigen errores de compatibilidad en bucle y presentan el sistema integrado funcional (con pasarelas de simulación de costos y renderizados 3D) solo cuando el ecosistema está maduro para producción.
Errores frecuentes
Loop sin condición de cierre → gasto descontrolado. Uber tuvo que topear el gasto de IA de sus ingenieros después de agotar el presupuesto anual en cuatro meses. Solución: nunca actives un loop sin tope de iteraciones y presupuesto definido.
El mismo agente ejecuta y aprueba su propio trabajo → falsa sensación de control. Solución: separá siempre a quien crea de quien verifica, con instrucciones y criterios distintos.
Loop sin memoria → repite trabajo o pierde contexto entre corridas. Solución: un archivo o tablero externo al chat no es opcional, es la columna vertebral del sistema.
Automatizar una tarea de bajo valor → producís resultados irrelevantes más rápido. Solución: aplicá el filtro repetitiva-revisable-valiosa antes de construir nada.
Resultado final
Al terminar esta guía, tenés un sistema —no una conversación— que detecta trabajo, lo ejecuta, lo audita y deja registro, sin que sostengas cada turno de diálogo con la IA.
Pasaste de ser la persona que le escribe prompts al agente a ser quien diseña el sistema que lo hace por vos.
Es, casi literalmente, la frase que hoy repiten quienes lideran los laboratorios de IA más avanzados del mundo — y el mismo principio, a escala de un individuo o de una organización, que Anthropic describe como motor de su propio desarrollo interno.
Fuentes
Favaro, M. y Clark, J. (2026). When AI builds itself. The Anthropic Institute. anthropic.com/institute/recursive-self-improvement
Osmani, A. (2026). Loop Engineering. addyosmani.com/blog/loop-engineering
Fathima, H. (2026). Loop Engineering: Should You Stop Prompting Agents and Start Designing Loops. Firecrawl Blog.
Pastor, J. (2026). La moda del prompt engineering ya pasó. Ahora lo que se lleva es el loop engineering. Xataka.
Argüello, R. (2026). Los cuatro loops que reemplazaron al prompt engineering. IQ Source Blog.