Anthropic ha presentado una capacidad llamada "dreaming" (ensueño) que permite a sus Claude Managed Agents apartarse del trabajo activo, revisar sesiones pasadas y reorganizar sus memorias sin ningún cambio en el modelo subyacente. La compañía reveló la función el 6 de mayo de 2026, en su conferencia para desarrolladores Code with Claude en San Francisco.

El nombre hace referencia a la consolidación de la memoria durante el sueño, cuando el cerebro repite y reorganiza las experiencias del día. Aquí el mecanismo es completamente de software: nada en el modelo cambia, solo las notas que un agente guarda sobre su propio trabajo.

Según Anthropic, el proceso ordena las memorias, corrige errores y facilita que Claude encuentre la información correcta en sesiones posteriores. En pruebas tempranas con la empresa de IA legal Harvey, las tasas de finalización de tareas en benchmarks legales realistas aumentaron, según se reporta, seis veces después de aplicar dreaming.

Cómo funciona Dreaming

Un agente toma notas mientras trabaja, en tiempo real, sin saber de antemano qué detalles serán importantes más adelante. A lo largo de muchas sesiones, esas notas se acumulan con duplicados, contradicciones, observaciones de utilidad parcial y, de vez en cuando, una lección genuinamente valiosa enterrada en el fondo. Para los agentes cuyo trabajo abarca días o semanas en lugar de una sola conversación, ese cuaderno acumulado puede volverse tanto un obstáculo como un activo.

Dreaming funciona como el proceso de limpieza. Se ejecuta de manera asincrónica, operando en segundo plano en lugar de interrumpir a un agente a mitad de una tarea. Cada ejecución puede procesar entre una y 100 transcripciones de sesiones. El sistema las lee, fusiona las entradas duplicadas y está diseñado para eliminar contradicciones de la memoria de trabajo del agente.

La función también busca patrones, detectando los errores que el agente repite constantemente y los flujos de trabajo que consistentemente dan resultados. El resultado es un almacén de memoria limpio y reorganizado. De manera crucial, las entradas originales permanecen intactas, por lo que nada se sobrescribe.

Notas, no neuronas

Un detalle importa más que el nombre llamativo: dreaming no cambia los pesos del modelo subyacente de Claude. En cambio, los aprendizajes se almacenan como notas de texto plano y playbooks estructurados. El agente no se convierte en un modelo diferente; obtiene un cuaderno mejor organizado. Este enfoque también diferencia la función del reentrenamiento: las mejoras se acumulan en archivos que un equipo puede leer y aprobar, en lugar de en parámetros bloqueados dentro de la red.

Los usuarios también mantienen el control sobre cómo se aplican las actualizaciones. Pueden elegir si las actualizaciones del almacén de memoria ocurren automáticamente o esperan la aprobación manual antes de entrar en vigor.

Durante la vista previa de investigación, dreaming admite tres modelos: claude-opus-4-8, claude-opus-4-7 y claude-sonnet-4-6. El acceso está restringido: las organizaciones deben solicitar acceso para usar la función, por lo que no es algo que cualquier desarrollador de Claude pueda activar hoy.

Por qué importa el resultado sextuplicado de Harvey

El resultado de Harvey es la métrica principal, y proviene de un dominio exigente. El trabajo legal premia la precisión y castiga la inconsistencia, lo que lo convierte en una prueba de estrés razonable para la memoria de un agente.

Aun así, se trata de un solo socio y una sola categoría de benchmark. Los resultados de un único probador temprano en una vista previa de investigación son una señal, no una garantía de cómo se desempeña la función en todas las industrias. La evidencia más clara dependerá de una mayor disponibilidad, que por ahora requiere una solicitud aprobada.

El panorama más amplio para los agentes de IA

Dreaming llegó junto con otras funciones complementarias en la conferencia. Esas funciones se han movido desde entonces a una beta pública más amplia, mientras que dreaming permanece detrás de su barrera de solicitud de acceso.

Como los aprendizajes viven en texto plano y playbooks estructurados, una persona realmente puede leer lo que el agente ha decidido que sabe.

También hay riesgos que vale la pena observar. Cualquier sistema que resume y consolida información también puede consolidar errores, decidiendo que la lección incorrecta es la correcta y archivándola ordenadamente. Las decisiones de diseño de Anthropic—mantener los originales intactos y ofrecer la aprobación manual—parecen apuntar directamente a ese problema.

Para los equipos que evalúan la función, los indicadores a observar son concretos: si el acceso se amplía más allá de la barrera de solicitud, si Harvey u otros socios publican resultados más completos, y si la aprobación manual resulta práctica a gran escala. Ninguna de esas preguntas está resuelta todavía.

Divulgación: El informe original fue editado por Diego Almada Lopez.