Anthropic refuerza a Claude con funciones avanzadas para agentes de IA empresariales
La carrera por agentes de inteligencia artificial verdaderamente útiles evoluciona, y Anthropic da un paso decisivo con mejoras que van más allá del tamaño del modelo. Optimizar el uso de herramientas —APIs, bases de datos, servicios SaaS, servidores MCP— es el nuevo terreno clave. Anthropic ha anunciado en su plataforma para desarrolladores tres funcionalidades pensadas para entornos empresariales y flujos complejos: Tool Search Tool, Programmatic Tool Calling y Tool Use Examples. Junto a capacidades como effort control y context compaction, Claude se prepara para tareas automatizadas mucho más sofisticadas, gestionando cientos de herramientas con mayor eficiencia y menos intervención humana.
El reto: gestionar el contexto ante el aumento de herramientas
En escenarios corporativos avanzados, los agentes de IA deben operar con decenas o cientos de integraciones. El modelo típico de trabajo consiste en declarar todas las herramientas disponibles mediante JSON Schema y “inyectarlas” en el contexto del modelo. Sin embargo, este enfoque no escala bien:
- Servidores MCP (Multi-Channel Platform) como GitHub pueden incluir decenas de herramientas.
- Integraciones variadas: Slack, Jira, Grafana, Sentry o Splunk.
- Herramientas internas específicas para CRMs, ERPs o bases de datos.
Según datos de Anthropic, solo cinco servidores MCP pueden consumir 55.000 tokens en definiciones antes de comenzar la petición del usuario, y en implementaciones internas han registrado picos de hasta 134.000 tokens solo en la inicialización.
- Reduce espacio para la conversación y el histórico.
- Aumenta los costes por petición y la probabilidad de errores al seleccionar herramientas.
- La estabilidad decrece en sesiones prolongadas.
De ahí la relevancia de Tool Search Tool.
Tool Search Tool: búsqueda dinámica de herramientas
En lugar de cargar todas las herramientas posibles en cada sesión, Claude emplea una herramienta de búsqueda de herramientas. Al inicio solo se incluyen las utilidades críticas, mientras que el resto permanece como diferidas, fuera de contexto hasta que resulten necesarias.
- Al necesitar, por ejemplo, crear un ticket en Jira, Claude utiliza Tool Search Tool para buscar por nombre, descripción o palabras clave.
- Solo se inyectan en el contexto las herramientas relevantes.
El resultado: un uso del contexto mucho más eficiente. Según la propia Anthropic:
- Enfoque tradicional: ~72.000 tokens en definiciones de herramientas + conversación.
- Con Tool Search Tool: ~500 tokens de la búsqueda + 3–5 definiciones relevantes (<3.000 tokens).
Esto preserva cerca del 95 % de la ventana de contexto. En pruebas internas, la precisión de Claude Opus 4 en tareas con múltiples herramientas pasó del 49 % al 74 %, y Opus 4.5 del 79,5 % al 88,1 %.
Programmatic Tool Calling: orquestación a través de código
La gestión ineficiente del contexto también surge al encadenar múltiples llamadas de herramientas, especialmente en procesos de análisis de grandes volúmenes de datos o procesamiento de flujos empresariales.
Tradicionalmente, cada llamada:
- Genera una inferencia y resultados que se añaden al contexto.
- Obliga al modelo a procesar todos los datos intermedios.
Programmatic Tool Calling introduce un cambio fundamental: en lugar de procesar cada llamada una a una, Claude puede generar y ejecutar scripts (por ejemplo, en Python) que orquestan las llamadas, procesan los datos y devuelven únicamente el resultado final o un resumen al contexto.
- Ahorro de tokens: en investigaciones internas, el consumo se redujo un 37 % (de 43.588 a 27.297 tokens).
- Menor latencia: múltiples llamadas se agrupan y procesan en una sola ejecución.
- Más precisión: la lógica de control se expresa de forma explícita en código, facilitando flujos complejos y evitando repeticiones.
Este paradigma permite implementar agentes con flujos de trabajo de gran escala, manteniendo costes y contexto bajo control.
Tool Use Examples: mejora del aprendizaje mediante ejemplos
La documentación técnica, basada en esquemas JSON, no siempre refleja el uso óptimo de una API. Tool Use Examples soluciona esta carencia permitiendo al desarrollador añadir casos de uso reales directamente en la definición de cada herramienta.
- Modelos de formato correcto para fechas, identificadores o parámetros anidados.
- Combinaciones habituales de valores en operaciones complejas.
- Diferenciación de casos de uso frecuente para reducir ambigüedades.
Anthropic afirma que la inclusión de 3–5 ejemplos por herramienta incrementa la precisión en el manejo de parámetros complejos del 72 % al 90 %, resultando esencial en workflows internos con reglas empresariales estrictas.
Effort control y context compaction: optimización de sesiones largas
Estas novedades se apoyan en dos mecanismos ya incluidos en la Claude Developer Platform:
- Effort control: configuración flexible de los recursos computacionales dedicados a cada tarea, permitiendo ajustar la “profundidad” del razonamiento IA según la necesidad.
- Context compaction: algoritmos para condensar conversaciones y mantener el histórico relevante con menor consumo de tokens.
La combinación permite que los agentes IA funcionen durante horas o días, integrando tareas, consultas y acciones múltiples sin pérdida de contexto ni incremento de costes.
Implicaciones para desarrolladores y empresas
El impacto de estas funciones para desarrolladores y equipos técnicos es relevante:
- Asistentes IDE: integración avanzada con sistemas de control de versiones, testing y despliegue, preservando la eficiencia del contexto.
- Coordinadores de operaciones: gestión simultánea de múltiples plataformas (Slack, GitHub, Jira, MCP servers…) sin saturación de recursos.
- Agentes empresariales internos: acceso optimizado a grandes volúmenes de datos, Lógica de negocio avanzada y transferencias de información relevantes y condensadas para la toma de decisiones.
Mientras otras plataformas apuestan por la “magia de los prompts”, Anthropic adopta un enfoque de infraestructura de orquestación avanzada, con potencial para redefinir la utilidad real de los agentes de IA en producción.
Preguntas frecuentes sobre las nuevas funciones en Claude
¿Es recomendable usar Tool Search Tool con pocas herramientas?
Solo gana sentido en bibliotecas de tamaño medio/grande (más de 10 herramientas), donde el consumo de tokens es significativo.
¿Programmatic Tool Calling es sustitutivo de las llamadas tradicionales?
No, es complementario. Resulta útil para flujos complejos, grandes volúmenes y lógica avanzada, pero las llamadas clásicas siguen siendo idóneas para operaciones sencillas.
¿Tool Use Examples incrementa mucho el consumo de tokens?
El aumento es marginal, y se compensa ampliamente con la reducción de errores y reintentos. Se recomiendan entre 1 y 5 ejemplos por herramienta, priorizando los casos ambiguos.
¿Estas herramientas se limitan a MCP o sirven para APIs internas?
Funcionan en ambos casos. Cualquier API o flujo interno se puede beneficiar de búsqueda diferida, orquestación programática y ejemplos prácticos, especialmente en arquitecturas empresariales complejas.
Más información oficial en Anthropic Engineering y análisis adicional en Noticias.ai.
