5 cosas que tu agente de IA debe hacer esta noche (mientras duermes)

La mayoría de la gente usa IA entre reuniones. Las empresas más astutas, en 2026, la usan entre medianoches.

Anthropic lanzó el 6 de mayo una función llamada Dreaming que cambia las cuentas de qué se supone que hace un agente de IA. En vez de despertarse confundido cada mañana, ahora tu agente pasa la noche releyendo el trabajo de ayer, identificando patrones y mejorando solo en su trabajo. La firma legal Harvey reportó 6 veces más tareas completadas después de activarlo. No 6% — seis veces. (Qore)

Si te estabas preguntando “¿qué pondría yo a hacer a un agente de IA durante la noche?” — acá van cinco trabajos reales que la gente ya está corriendo. Ninguno requiere que seas técnico. Todos ahorran plata de verdad. Y a USD 0.08 la hora de sesión, el costo está al alcance de una PyME mediana en México, Buenos Aires, Bogotá o Madrid.

Primero, ¿qué es “Dreaming”? (En español de a pie)

Pensá en tu agente de IA como un empleado nuevo en su tercer día. Atiende los tickets. Más o menos sabe del producto. A veces hace preguntas tontas porque todavía no tiene suficiente contexto acumulado.

Ahora imaginate al mismo empleado, pero todas las noches revisa los tickets de ayer, anota qué funcionó, archiva un machote para mañana y descarta los atajos que salieron mal. Después de dos semanas de eso, es el mejor del piso. Eso es Dreaming.

Técnicamente: Dreaming es un proceso de fondo que durante la noche relee las sesiones previas del agente, extrae patrones (“este cliente siempre quiere salida en formato CSV”), fusiona notas duplicadas, descarta lo obsoleto y arma un manual para mañana. Ojo: no es reentrenar el modelo de IA — es reescribir el cuaderno de notas del agente. El formato es texto plano, lo que significa que tú puedes leer, editar o eliminar lo que aprendió. Cero caja negra.

Lo importante para no-técnicos: Dreaming no corre en ChatGPT. Corre dentro de Claude Managed Agents, que es el producto de Anthropic para empresas que quieren desplegar IA como trabajadores automatizados, no como herramienta de chat. Configuras el agente, le das tareas y Dreaming corre mientras todo el equipo está durmiendo.

Tres piezas se lanzaron juntas en el evento Code with Claude:

Función	Qué hace	Estado
Dreaming	Consolidación de memoria nocturna	Research preview
Outcomes	Un agente “calificador” que revisa el trabajo contra una rúbrica que tú escribes	Public beta
Multi-agent orchestration	Un agente líder que delega a sub-agentes especialistas	Public beta

Úsalas juntas y consigues algo realmente nuevo: un equipo de agentes que se revisa solo, se califica solo y mejora solo durante la noche. Harvey no es el único cliente corriendo esto en producción — Anthropic también nombra a Notion, Rakuten, Asana, Sentry y Atlassian como deployments de Managed Agents.

Bueno, dicho esto, los cinco trabajos nocturnos que sí pagan.

1. Limpia tu backlog de soporte al cliente

Mejor para: equipos de soporte, customer success, cualquier equipo ahogado en tickets.

El trabajo de la noche: Lee todos los tickets de soporte de ayer. Clasifica cada uno por tipo de problema (facturación, onboarding, bug, request de feature), severidad (P0-P4) y área de producto. Marca cuáles se resolvieron al primer contacto y cuáles necesitaron escalación. Después arma el reporte matutino: top 10 de problemas recurrentes, respuestas-machote sugeridas y qué tickets debería ver primero tu equipo humano.

Por qué Dreaming mejora esto con el tiempo: Después de una semana, tu agente nota cosas como “los clientes de Argentina siempre se confunden con el IVA en facturas anuales” o “cada bug de iOS-en-iPad se escala a ingeniería — etiquetémoslos directo”. Eso lo escribe en su manual. Dos semanas después, tu reporte matutino incluye contexto que a un humano le tomó dos meses construir.

Qué chequea la rúbrica (Outcomes): “¿Cada ticket tiene etiqueta? ¿La severidad es defendible? ¿La regla de ruteo tiene precedente?” Si la clasificación del agente falla la rúbrica, re-clasifica antes de irse a dormir.

Señal del mundo real: Este es el caso de uso más común con Dreaming en producción. El soporte es repetitivo, lleno de patrones, y hay una barra de calidad clara — exactamente la carga de trabajo para la cual se diseñó Dreaming.

2. Recalifica los leads de ventas de ayer

Mejor para: equipos B2B de ventas, fundadores haciendo outbound, RevOps.

El trabajo de la noche: Saca todos los leads y conversaciones de ayer. Cruza con datos de uso del producto, notas del CRM y señales nuevas (cambios en LinkedIn, anuncios de funding, visitas al sitio). Recalifica cada oportunidad abierta. Salida: una lista ranqueada de a quién debería llamar ventas primero por la mañana, con una línea de “acá está el por qué”.

Qué chequea la rúbrica (Outcomes): Fit de industria. Tamaño de empresa. Señal de intención (¿visitó pricing en las últimas 48 horas?). Engagement reciente (respondió correo, asistió a demo). Match con patrones de clientes previos. Si un lead no pasa la rúbrica, el agente lo baja.

Por qué Dreaming mejora esto: Después de un mes, el agente nota cosas como “los leads que mencionan SOC 2 en el segundo correo cierran 40% más” o “el outreach del martes a empresas de manufactura tiene el doble de tasa de respuesta que el del viernes”. Esos patrones van al brief matutino. Tus vendedores empiezan el día mirando una lista ordenada por lo que sí funciona — no por lo que en teoría debería funcionar.

El detalle escéptico: El agente no hace las llamadas de ventas por ti. Reordena la cola y explica su razonamiento. La parte difícil — conversaciones reales con humanos — sigue siendo tu trabajo. Pero empiezas el día mirando los nombres correctos.

3. Pasada nocturna de salud del código

Mejor para: equipos de ingeniería, fundadores técnicos, cualquiera que esté shippeando código.

El trabajo de la noche: Recorre un pedazo de tu codebase. Abre pull requests draft para arreglos chicos — documentación obsoleta, llamadas a APIs deprecadas, logging inconsistente, validación de inputs faltante, TODOs viejos que ya tienen fix. No mergea nada; solo deja los PRs como draft para que un ingeniero los revise con un café.

Qué chequea la rúbrica (Outcomes): Sin errores no manejados. Sin secretos hardcodeados. Los tests siguen pasando para el comportamiento cambiado. El lint pasa. El agente revisa hasta que esos criterios se cumplan, o se rinde después de N intentos y marca el archivo como “necesita humano”.

Por qué este es el caso de uso que Anthropic demuestra de verdad: Code review y refactor PRs son el fit más limpio para Managed Agents — inputs bien definidos, criterios de calidad claros, blast radius bajo si el PR está mal (el humano no lo mergea). Dreaming compone: después de soñar sobre un mes de reviews, el agente aprende “este equipo olvida actualizar el logger cuando agrega un endpoint nuevo” o “los servicios en Python acá siempre se retrasan de la config estándar”. Eso lo agarra sin que se lo digan.

Lo que no va a hacer: Rediseños arquitectónicos. Trabajo de features grandes. Cualquier cosa donde la respuesta correcta requiere juicio de producto. Úsalo para el 80% aburrido, libera a los ingenieros para el 20% interesante.

4. Clasifica documentos y evita que tu base de conocimiento se pudra

Mejor para: operaciones, IT, compliance, cualquiera con un Notion o Confluence o Drive que se volvió un cementerio.

El trabajo de la noche: Toma todos los documentos creados o editados ayer — notas de reunión, specs, contratos, transcripciones de llamadas. Clasifica cada uno por tema, equipo dueño, nivel de sensibilidad y estado del ciclo de vida (borrador / actual / reemplazado / archivar). Actualiza el índice del wiki. Agrega candidatos a FAQ al backlog del help center.

Por qué Dreaming importa acá: Las bases de conocimiento internas tienen un modo de falla específico — el mismo proceso lo documentan cinco equipos en cinco formatos. Dreaming detecta eso (“tenemos cinco checklists de onboarding, acá está la versión consolidada”) y promueve la versión fusionada a la página live. Los docs obsoletos se archivan. Las versiones contradictorias se marcan para que un humano las resuelva.

La trampa a evitar: No dejes que el agente borre cosas de forma autónoma. La regla debería ser “marcar para revisión, archivar después de aprobar”. El framing de Anthropic es que Dreaming escribe notas — tu equipo aprueba qué se vuelve canónico. Mantenlo así también para documentos.

5. Arma un brief matutino para cada función

Mejor para: fundadores, COOs, equipos de liderazgo, cualquiera que quiera el pulso de la empresa en 60 segundos.

El trabajo de la noche: Orquesta cuatro sub-agentes (acá entra multi-agent orchestration). Uno para Ventas, uno para Soporte, uno para Producto, uno para Operaciones. Cada uno saca sus propios datos de las herramientas relevantes. Cada uno resume “qué pasó ayer” — métricas, eventos destacados, qué cambió.

Después el agente líder cose los cuatro briefs en un solo correo matutino. A las 7 AM, cada gerente de función tiene un resumen de una página de su dominio más la visión cross-funcional.

Qué chequea la rúbrica (Outcomes): Cada brief debe responder las mismas preguntas core — riesgos top, mayores ganancias, bloqueadores, acciones sugeridas para hoy. Si algún brief se salta una sección, el agente re-corre ese sub-agente antes de enviar.

Por qué Dreaming hace el brief legible en vez de robótico: Con las semanas, el agente aprende que el VP de Ventas lee los cambios de pipeline primero y solo escanea revenue. Producto quiere quotes de clientes y rollouts de feature flags arriba. Operaciones se preocupa por conteo de incidentes por encima de todo. Dreaming escribe esas preferencias en memoria y el brief se auto-formatea acorde.

Lo que cuesta (en plata real)

A diferencia de muchos productos enterprise, los precios están a la vista:

Claude Managed Agents: USD 0.08 por hora de sesión activa, más el costo estándar de tokens según el modelo (Claude Opus 4.7 o Claude Sonnet 4.6).
Para tareas que duran minutos: El costo de sesión representa fracciones de centavo.
Para un agente de soporte que corre 4 horas cada noche durante un mes: ~USD 9.60 de sesión + costos de tokens según volumen.

Para una PyME mexicana, argentina o española, esto está perfectamente al alcance — no es un producto enterprise carísimo, es algo que puedes probar con un presupuesto de menos de USD 50 al mes.

Cómo empezar (paso a paso para PyMEs)

Acá la verdad sin floritura:

Obtén una clave API de Claude: Regístrate en platform.claude.com y genera tus credenciales.
Solicita acceso a la Research Preview: Dreaming todavía está en vista previa de investigación. Completa el formulario de Claude Managed Agents.
Pon los headers beta en las solicitudes: Usa managed-agents-2026-04-01 y dreaming-2026-04-21 en cada llamada API.
Ten tu API propia bien estructurada: El agente no se conecta directo a tu infraestructura — llama a tus endpoints con autenticación. Si tu CRM o tu sistema de tickets no tiene API o tiene una API mala, esa es la barrera real, no el costo.
Define el agente, el entorno y la sesión: Configura el agente con instrucciones en lenguaje natural, crea el entorno de ejecución con credenciales y permisos, e inicia sesiones según demanda.

La barrera principal no es el costo. Es la preparación técnica — necesitas endpoints API documentados para que el agente pueda hablar con tus sistemas. Si eres una agencia con un CRM de SaaS típico (HubSpot, Pipedrive, Salesforce, Zoho) ya tienes esa parte. Si eres una manufactura con un ERP custom de hace 15 años, ahí está el trabajo previo.

¿Y cómo se compara con ChatGPT y Gemini?

La gente lo va a preguntar, así que acá el chuleta:

Capacidad	Claude Dreaming	Memoria de ChatGPT	Contexto largo de Gemini
Propósito principal	Mejorar workflows de agentes solos	Memoria de chat personalizada	Procesar documentos enormes en una sesión
Cuándo corre	De noche, en batch	A demanda durante el chat	Durante una sesión
Qué cambia	Manuales en texto plano que el agente lee	Pequeño almacén de datos del usuario	Hasta 2M de tokens de contexto + datos guardados
Audiencia	Equipos de ingeniería / ops corriendo agentes	Usuarios que quieren chats más personalizados	Devs analizando documentos/código grandes
Mejor fit	Soporte, ventas, code review, KB, briefs	“Recuerda mi proyecto, mi perro, mis preferencias”	Refactors de repos completos, análisis masivo de documentos

Los tres enfoques no compiten directo — resuelven problemas distintos. Dreaming es para empresas con workflows repetitivos. ChatGPT Memory es para individuos que quieren un chat más inteligente. El contexto largo de Gemini es para levantamientos pesados de una sola pasada. Usa cualquiera que encaje con la tarea.

Lo que Dreaming todavía no puede hacer

Lista honesta de límites, porque todo blog sobre IA nueva necesita una:

No arregla workflows malos. Si tu equipo de soporte está apagando incendios porque el producto está roto, un agente que aprende a apagar incendios más eficiente no resuelve el problema de fondo.
Puede sobre-generalizar. El agente puede decidir que un patrón aislado es una regla. Necesitas un humano que revise los outputs del sueño periódicamente — Anthropic lo llama el modelo del pasante autónomo por una razón.
Es research preview. Dreaming explícitamente tiene esa etiqueta, no es GA. La confiabilidad, los precios y hasta la superficie API pueden cambiar. No construyas todo tu negocio sobre él todavía.
La memoria contaminada muerde. Si entran datos ruidosos o sesgados a la memoria del agente, puede desarrollar “creencias” equivocadas que tienes que limpiar manualmente. La higiene de memoria es una tarea continua, no un paso de setup.
Funciona peor con flujos que cambian rápido. Dreaming paga cuando el trabajo es repetitivo y las normas son estables. Si tu equipo se reorganiza cada trimestre, los patrones que aprende caducan rápido.

Para concluir

El cambio de “IA como herramienta de chat” a “IA como trabajador nocturno” es la historia real de 2026, y Dreaming es la señal más concreta. Los cinco trabajos de arriba no son hipotéticos — Anthropic está nombrando clientes que los corren en producción. El 6x de Harvey es la prueba de concepto; el resto del mundo ahora está descubriendo cuáles de sus workflows encajan.

Para la mayoría de los equipos, el siguiente paso correcto es elegir uno — probablemente triaje de soporte o scoring de leads — y correr un piloto real. No un slide deck, no una discusión en Slack, un test real de 30 días. Las empresas que empezaron a correr agentes nocturnos en mediados de 2026 van a saber cosas sobre sus propias operaciones para Q4 que la competencia no va a sacar hasta 2027.

Si quieres pasar de leer sobre agentes a desplegarlos, nuestro curso de Agentes de IA recorre la construcción, la rúbrica y el deployment — incluyendo las partes que siempre se rompen en el primer intento. Y si recién empiezas con IA en serio, Claude para Todos es el punto de entrada antes de pasar a agentes.

Fuentes: