Claude Managed Agents: precios, limitaciones y alternativas autohospedadas
Qué ofrece Claude Managed Agents, cuánto cuesta por hora de sesión, dónde radican los problemas de dependencia y privacidad, y cuándo resultan más adecuados las herramientas de código abierto como Multica.
Problema al que aborda este producto
Cualquiera que haya lanzado un agente de IA en producción conoce la lista de verificación que precede al trabajo real. El agente necesita un lugar seguro para ejecutar código, de modo que no dañe el sistema anfitrión. Un trabajo de dos horas no debería tener que comenzar de nuevo por un breve problema de red, lo cual implica la necesidad de crear puntos de control. Las herramientas que utiliza requieren credenciales, las cuales deben gestionarse adecuadamente. Los permisos deben limitarse a lo que el agente debe poder acceder, y cuando algo falla en el paso 47 de 60 se necesita un seguimiento end-to-end para identificar dónde ocurre el problema. Finalmente, la infraestructura debe seguir funcionando sin problemas cuando 500 agentes operen en paralelo en lugar de uno solo.
Nada de eso es lo divertido de crear agentes. Se trata de tareas técnicas complejas que llevan meses resolver adecuadamente. Los equipos que las omiten suelen darse cuenta en producción de por qué eran necesarias. La propuesta de Anthropic con Claude Managed Agents es eliminar toda esa capa técnica para que los desarrolladores puedan concentrarse en lo que hace el agente.
Resumen rápido de la beta pública del 8 de abril de 2026: el producto incluye APIs para aislamiento de agentes, sesiones prolongadas, permisos limitados por ámbito, ejecución de herramientas y seguimiento. La facturación sigue siendo el precio habitual del token API de Claude, con un cargo adicional de $0.08 por hora-sesión. Su afirmación de ser “10 veces más rápido” se refiere a la rapidez con la que los equipos pueden desarrollar, sin mencionar nada sobre la calidad del modelo. La coordinación entre múltiples agentes y la autoevaluación, dos de las principales ventajas, siguen siendo funciones en fase de prueba que deben solicitarse por separado. Los equipos que prefieren un control total tienen opciones de código abierto: CrewAI, Multica, Cabinet o una solución desarrollada internamente.
Qué es y qué no es
Claude Managed Agents no es ni un modelo nuevo ni una herramienta para crear agentes sin código. Consiste en una capa de infraestructura gestionada: APIs componibles entre el código de tu aplicación y los modelos de Claude que se encargan de asumir la carga operativa necesaria para ejecutar agentes a gran escala. Está alojado en la plataforma Claude, y el término que Anthropic utiliza para su componente central es “agent harness”. Esto se refiere al software que rodea a un modelo y le permite actuar en nombre de un usuario, incluyendo herramientas, gestión de memoria y contexto, así como mecanismos de recuperación ante errores.
Las principales funcionalidades son las siguientes:
- Los agentes se ejecutan dentro de entornos seguros, donde la autenticación, la ejecución de herramientas y la gestión de datos confidenciales corren a cargo de Anthropic; por lo tanto, nadie necesita configurar servidores ni escribir código de aislamiento.
- Las sesiones pueden funcionar sin supervisión durante horas y sobreviven a interrupciones de conexión, de modo que una tarea de investigación prolongada mantiene su progreso y resultados en lugar de tener que comenzar desde cero.
En cuanto al rendimiento, las pruebas realizadas por Anthropic en la generación de archivos estructurados mostraron que los Agentes Gestionados aumentaban la tasa de éxito en las tareas hasta en 10 puntos en comparación con un simple ciclo de instrucciones, con ganancias aún mayores a medida que las tareas se volvían más complejas.
Lo que el anuncio omite
Dos capacidades resultan las más impresionantes, pero también son las menos accesibles. La primera es la coordinación multiagente, en la que un agente se activa y dirige a los demás para que realicen tareas en paralelo. Se dice que Notion la utiliza para ejecutar docenas de tareas al mismo tiempo. Sin embargo, se debe solicitar acceso previamente, y no forma parte de la versión beta pública estándar. La segunda es la autoevaluación: un agente define los resultados y los criterios de éxito, luego evalúa e itera sus propias salidas hasta que se cumplan dichos criterios. Esto permite un funcionamiento mucho más autónomo, pero también solo está disponible en versión de prueba para investigación. Quienes planifiquen utilizar estas funciones deben tener en cuenta la incertidumbre en los plazos, ya que “versión de prueba para investigación” implica que las cosas pueden cambiar.
Costo
Toda inferencia de modelos se cobra según las tarifas estándar de tokens de la plataforma Claude. Además, el tiempo de ejecución de los agentes activos cuesta 0,08 dólares por hora-sesión. Para un único agente en una tarea de una hora, eso representa ocho centavos como costo adicional. Si hay 500 agentes en ejecución al mismo tiempo, las tarifas por sesiones ascienden a 40 dólares por hora, antes incluso de la inferencia. A gran escala, este costo aumenta rápidamente. Un sistema con 24 agentes, cada uno trabajando ocho horas al día, genera solamente 15,36 dólares diarios en costos adicionales por sesiones.
Solo los desarrolladores, las pequeñas empresas y las startups deberían calcular cuidadosamente estos costos antes de comprometerse. A menos que una organización sea grande, gestionar todo por cuenta propia suele ser más económico, y no existe un plan gratuito específico para los agentes gestionados. En algún momento resulta razonable preguntarse si contratar a un ingeniero para manejarlo costaría menos, especialmente si los ingresos del cliente no cubren la factura.
Lo que hace bien
- El problema de la infraestructura es realmente complejo, y los equipos que crean desde cero agentes observables, de larga duración y en entornos aislados suelen subestimarlo. Aquí se obtiene de inmediato una versión funcional de esa estructura.
- La capacidad de observabilidad es excelente. La trazabilidad, el análisis de datos y la resolución de problemas en la consola superan con creces el método manual de análisis de registros utilizado en la mayoría de las configuraciones hechas por el usuario.
- Dado que Anthropic desarrolla tanto el modelo como las herramientas de integración, ambos pueden ajustarse en conjunto. La ventaja de 10 puntos respecto al uso simple de instrucciones proviene de estrategias de formulación de instrucciones, gestión de contexto y patrones de recuperación de errores diseñados específicamente para Claude.
- La interfaz de línea de comandos cambia por completo el proceso de despliegue. Los agentes con versionado y posibilidad de promoción de entornos son algo que pocas equipos han logrado crear por sí mismos, por lo que contar con esta funcionalidad ya lista para usar resulta de gran ayuda.
Las desventajas
Managed Agents funciona únicamente con Claude. GPT-5, Gemini, Kimi K2 y DeepSeek no pueden integrarse en esta plataforma. Un equipo que base su flujo de trabajo en producción en ella y luego se enfrente a un cambio de precio, una modificación en el acceso a los modelos o la eliminación de alguna función descubrirá que abandonarla resulta costoso. Existe un viejo dicho sobre atar una cabra a un solo árbol: cuando se acaban las hojas, la cabra pasa hambre. El riesgo es real. Anthropic terminó recientemente el acceso a las suscripciones Claude Pro y Max para herramientas de terceros, incentivando a los desarrolladores a utilizar precios basados en API, y el encadenamiento a la infraestructura genera el mismo tipo de dependencia. Invertir profundamente en la infraestructura, los modelos y la plataforma de un único proveedor merece cautela.
Las funciones que hacen que el producto parezca extremadamente potente, como la coordinación entre múltiples agentes y la autoevaluación, no están disponibles en la beta pública. Un caso de uso que dependa del paralelismo autónomo entre múltiples agentes no podrá lanzarse la próxima semana.
Otra preocupación es la exposición de datos. Un agente en la nube de Anthropic procesa todo lo que se le proporciona. Ya se trate de documentos legales, registros financieros, código propietario o datos de pacientes, cada llamada a la herramienta y decisión pasa por la infraestructura de un tercero. La versión empresarial de Anthropic incluye compromisos de privacidad, pero si enviar los datos operativos más sensibles a través de la nube de otra empresa es otra cuestión distinta. Los foros de desarrolladores suelen usar la expresión “pesadilla de seguridad” cuando los agentes obtienen acceso a sistemas reales. Para las organizaciones que ya ejecutan todo en Claude, la preocupación podría ser menor.
Finalmente, la tarifa de 0,08 dólares parece económica hasta que se ejecutan tareas prolongadas en gran escala; por lo tanto, es necesario calcular los costos antes de registrarse.
Alternativas de código abierto y autohospedadas
Managed Agents es una opción adecuada para equipos que desean lanzar rápidamente y evitar tener que gestionar su propia infraestructura. No es la única vía posible. Aquellos que necesitan libertad para elegir modelos, control sobre los datos o costos más bajos a gran escala pueden construir la solución por sí mismos o adoptar proyectos comunitarios. Varios frameworks merecen ser considerados en 2026, entre ellos dos proyectos de código abierto creados como alternativas comunitarias a la infraestructura de agentes gestionados.
Multica
Dentro de las opciones de código abierto, Multica se acerca más a lo que ofrece Managed Agents en términos de infraestructura. Trata a los agentes de programación como compañeros de equipo: se les asignan tareas de la misma manera en que un problema de GitHub se envía a un colega, junto con seguimiento del estado, informes de obstáculos y habilidades que todo el equipo puede reutilizar.
Su conjunto de características es el siguiente:
- Un ciclo de vida completo para las tareas (colocar en cola, reclamar, iniciar, completar o fallar) con seguimiento en tiempo real a través de WebSockets
La tecnología subyacente consiste en un backend en Go con frontend en TypeScript y Next.js, además de PostgreSQL 17 con pgvector. Funciona con Claude Code, OpenAI Codex, OpenClaw y OpenCode, y está diseñado de forma neutral con respecto a los proveedores.
En comparación con Managed Agents, no cuenta con aislamiento a nivel de contenedor ni con protección para credenciales en un cofre fuerte, y su seguimiento de llamadas a herramientas es inferior al de Claude Console. Orquesta tareas sobre CLI existentes y no constituye una infraestructura de cómputo, por lo que las necesidades de aislamiento avanzado como cofres fuertes o limitación de red por ejecución no están incluidas de forma predeterminada. Sí destaca por su soporte para múltiples modelos, posibilidad de autohospedaje total, una experiencia de colaboración más enriquecida con tableros Kanban, perfiles de agentes y habilidades compartidas, además de no depender de ningún proveedor. El autohospedaje no tiene costo alguno.
Para instalarlo con Homebrew o autohospedarlo mediante Docker Compose, basta con ejecutar una orden de conexión y otra de instalación.
brew tap multica-ai/tap && brew install multica
# Or self-host via Docker Compose
Gabinete
El Gabinete aborda las cosas desde un ángulo diferente. Se trata de un “sistema operativo para startups” de código abierto en el que los agentes de IA trabajan en equipo con los humanos alrededor de una base de conocimientos persistente. Notion y Obsidian son sus rivales naturales más que Managed Agents, pero los equipos que buscan una memoria de agentes duradera y tareas recurrentes programadas obtienen algo que Managed Agents no ofrece.
La tecnología utilizada es TypeScript con Next.js 16, un backend de Node.js y un programador de tareas node-cron, y su configuración se realiza con un único comando.
npx create-cabinet@latest
Es compatible con las CLI de Claude Code y Codex, además de OpenCode, siguiendo una filosofía de “trae tu propia IA”. En comparación con los Agentes Gestionados, no cuenta con un entorno aislado de procesamiento y deja que la ejecución se realice localmente en Claude Code o Codex. También carece de capacidad para observar llamadas a herramientas, bóvedas de credenciales y sesiones duraderas del lado del servidor; además, los agentes solo funcionan mientras la máquina del usuario está encendida. Existe una versión alojada en lista de espera. Su punto fuerte es la base de conocimientos persistente combinada con tareas programadas y recurrentes para los agentes. Los equipos que desean que los agentes acumulen conocimiento, escriban resúmenes nocturnos o mantengan un wiki corporativo en constante actualización obtienen algo verdaderamente diferente: una solución autoalojada, con licencia MIT y gratuita para operar.
CrewAI
CrewAI está dirigido a equipos de múltiples agentes. Un equipo está formado por agentes especializados, como un investigador, un escritor y un analista, que colaboran en tareas. Es fácil de comenzar a usar y ofrece un control menos detallado. Se basa en LiteLLM, por lo que es agnóstico a modelos por defecto, y la opción de hosting significa que no tienes que preocuparte por la infraestructura.
Una solución auto-hospedada que es completamente tuya
Una configuración de producción que controlas de principio a fin podría combinar estas capas:
- Orquestación mediante LangGraph, el SDK de OpenAI Agents o el SDK de Vercel agents
- Gestión de tareas con Multica si es importante contar con una experiencia tipo Kanban para el equipo
- Memoria persistente de los agentes con Cabinet
- Ejecución dentro de tu propia cuenta en la nube (AWS, GCP o Azure) dentro de una VPC
- Capacidad de observabilidad mediante LangSmith, Langfuse o Prometheus
Cada capa le pertenece a usted; solo paga por lo que utiliza y puede cambiar de modelo.
Los agentes aún necesitan datos y búsqueda
La mayoría de las discusiones sobre la infraestructura de agentes pasan por alto este aspecto. Los Agentes gestionados, así como todas las alternativas autohospedadas, proporcionan la capa de ejecución: cómo funciona un agente. No deciden qué puede acceder el agente. Los agentes que realizan trabajos reales, como investigación financiera, análisis biomédico, análisis bursátil e inteligencia competitiva, rara vez se limitan a consultar una base de datos interna. A menudo necesitan búsquedas en la web o investigación profunda sobre temas específicos.
Un agente de codificación puede trabajar exclusivamente con archivos locales. Un agente de investigación que hace referencias cruzadas entre documentos de la SEC, ensayos clínicos, patentes y llamadas de resultados financieros termina utilizando de tres a cinco APIs con formatos e esquemas de autenticación incompatibles. Ese es el problema de los datos. Una forma de simplificarlo es contar con un único punto de búsqueda que abarque búsquedas en la web y fuentes especializadas como documentos de la SEC, PubMed, ensayos clínicos y precios de acciones, devolviendo resultados estructurados y normalizados que los agentes puedan utilizar. Conectar un servicio de este tipo como herramienta requiere unas pocas líneas de código, ya sea en agentes gestionados o en una configuración autohospedada.
import { Valyu } from "valyu-js";
const valyu = new Valyu();
// Short snippets
const response = await valyu.search({
query: "renewable energy trends",
responseLength: "short",
maxNumResults: 10,
});
// Full content
const response2 = await valyu.search({
query: "financial market analysis",
responseLength: "max",
maxNumResults: 3,
});
// Custom limit
const response3 = await valyu.search({
query: "Meta-analyses of immunotherapy efficacy in lung cancer",
responseLength: 5000,
maxNumResults: 5,
});
La infraestructura y los datos son problemas separados, y solucionar uno deja al otro sin cambios.
Elegir entre el enfoque gestionado y el DIY
Los agentes gestionados son adecuados cuando:
- La prioridad es entregar un agente listo para uso en pocos días y no en meses
- El equipo es demasiado pequeño como para gestionar la infraestructura de los agentes
- Claude es el modelo elegido y no se necesita flexibilidad adicional
- El caso de uso es similar al de los primeros clientes: agentes para productividad, programación o procesamiento de documentos
- Se aceptan las limitaciones de la beta pública y cierta inestabilidad
El auto-hospedaje es adecuado cuando:
- Diferentes tareas requieren combinar Claude, GPT-5 y modelos de código abierto
- Los requisitos de privacidad exigen que las cargas de trabajo de los agentes permanezcan dentro de la propia infraestructura
- El volumen es lo suficientemente alto como para que importe $0.08 por hora de sesión
- Las funciones en versión de prueba para investigación deben ser estables y estar disponibles de inmediato
Multica es adecuado para equipos que desean tener agentes como colegas, con intercambio de habilidades y sistema Kanban, además de flexibilidad multi-modelo e auto-hospedaje. Cabinet es adecuado para equipos que necesitan memoria persistente de los agentes y tareas recurrentes programadas, donde los agentes acumulan conocimiento y funcionan según un horario fijo en lugar de a demanda. También parece probable que otros proveedores de plataformas, como Cloudflare, lancen ofertas competitivas, lo cual sería beneficioso para la comunidad.
Preguntas frecuentes
¿Qué son los Claude Managed Agents?
El servicio de infraestructura gestionada de Anthropic para agentes de IA, que proporciona el entorno de ejecución: aislamiento en sandbox, sesiones prolongadas, permisos por ámbito, ejecución de herramientas y capacidad de observabilidad. La beta pública comenzó el 8 de abril de 2026, y los desarrolladores pueden describir el comportamiento de los agentes sin tener que crear ninguna de las infraestructuras subyacentes.
¿Cuánto cuesta?
La inferencia tiene los costos habituales de los tokens de la plataforma Claude, más 0,08 dólares por hora-sesión de tiempo de ejecución activo. No existe una tarifa mensual fija para los Agentes Gestionados, por lo que los costos dependen del uso.
¿Está disponible para todos?
No del todo. Las funciones clave, como sesiones prolongadas, aislamiento en sandbox y mecanismos de gobernanza, se encuentran en beta pública en la plataforma Claude, mientras que la coordinación entre múltiples agentes y la autoevaluación siguen siendo funciones en fase de prueba y requieren una solicitud de acceso separada.
¿Cuáles son las principales alternativas de código abierto?
Multica es la opción más cercana: una plataforma autohospedada que gestiona el ciclo de vida de las tareas, con agentes concurrentes y soporte para varios modelos. Cabinet aborda necesidades relacionadas como la memoria persistente y las tareas recurrentes programadas. LangGraph, el SDK OpenAI Agents y CrewAI también son opciones maduras.
¿Qué tan grave es el riesgo de dependencia?
El framework solo funciona con modelos Claude. Quien construya flujos de trabajo en él y posteriormente quiera un modelo diferente o depender menos de la nube de Anthropic, deberá reconstruir la capa de orquestación. Los frameworks autohospedados como Multica evitan esto al soportar varios proveedores de modelos.
¿Cómo maneja la privacidad de los datos?
Los agentes se ejecutan en la nube de Anthropic, lo que significa que todos los datos procesados, así como las entradas y salidas de las herramientas, pasan por los sistemas de Anthropic. Las cuentas empresariales cuentan con protecciones contractuales de privacidad, pero la carga de trabajo no está aislada completamente. Los trabajos muy sensibles reciben un aislamiento aún mayor al desplegarse dentro de su propia VPC utilizando Multica, Cabinet o CrewAI.
¿Pueden los agentes utilizar datos externos como documentos de la SEC o PubMed?
Sí, cualquier API puede vincularse como herramienta. Los agentes pueden acceder a APIs externas, incluidas fuentes especializadas para investigación financiera, biomédica o académica. La autenticación y la ejecución en entorno aislado son gestionadas por la infraestructura, mientras usted elige las herramientas que puede utilizar el agente. Un servicio de búsqueda que ofrezca acceso normalizado a resultados web y fuentes especializadas a través de un único punto de conexión es una opción adecuada.
Lecturas relacionadas
- Comparación de 16 arquitecturas RAG: qué patrón se adapta a qué problema — Un recorrido por dieciséis patrones RAG en cuatro niveles, desde recuperación estándar e híbrida hasta diseños basados en agentes, grafos y federados, con un orden de construcción mes a mes.
- Cómo funciona la IA moderna: explicación de LLMs, técnicas de prompt, RAG, agentes y MCP — Una explicación en lenguaje sencillo de la tecnología de IA: cómo los LLMs predicen tokens, cuatro técnicas de prompt, RAG con embeddings, el ciclo de agentes ReAct y qué hace MCP.