En el equipo de Claude Code, Claude escribe y revisa alrededor del 90% del código nuevo, según cuenta Addy Osmani en el blog oficial de Anthropic. Con ese volumen, la pregunta deja de ser cuánto código escribe la IA: pasa a ser cómo funciona la verificación con IA detrás de ese código, sin que un humano revise cada línea antes de fusionarla.

Qué son los loops de verificación con IA en Claude Code

Un loop de verificación es el mecanismo que le devuelve al agente evidencia concreta de si su trabajo funcionó, en lugar de aceptar su propia palabra. Según el equipo de Claude Code, este bloque es lo que permite delegarle más trabajo a un modelo: sin loops de verificación solo se puede correr uno o dos agentes a la vez, porque hay que revisar todo manualmente.

Con un loop que aporte evidencia (una corrida real, una comparación de resultados, un veredicto contra una rúbrica) se puede pasar a decenas o cientos de agentes trabajando en paralelo. La diferencia no depende del modelo, sino de si existe algo que confirme el resultado sin depender de que el agente diga que funciona.

De un agente vigilado a cientos en paralelo

El propio equipo midió el efecto de agregar un verificador separado. En pruebas internas sobre generación de archivos estructurados, un grader que evaluaba el trabajo de Claude contra una rúbrica mejoró el éxito de la tarea hasta en 10 puntos frente a un loop de prompting estándar, con las mayores ganancias en los problemas más difíciles, según Anthropic.

Lo que antes era costoso de verificar (tests, benchmarks, specs, corridas end-to-end reales) hoy es barato de pedirle a un agente. Igual que el código, un agente genera tests y benchmarks rápido; una vez generados, corren como cualquier software, así que se pueden repetir muchas veces sin gastar tokens adicionales en cada corrida, explica el equipo.

El loop también se puede cerrar hacia atrás. Si un agente falla repetidamente un test que revisa que los logs no filtren datos de usuario, ese patrón se convierte en un hook o en una regla explícita en el CLAUDE.md del repositorio, lo que evita que el mismo error se repita en la siguiente corrida.

⚠️ Ojo: un test inestable (flaky) enseña al agente a correrlo otra vez en vez de arreglar el código. Uno lento reduce cuántos tests corre por lote, lo que complica encontrar qué se rompió. Por eso conviene reservar los tests pesados para el momento justo antes de confirmar un cambio, no para cada iteración.
Claude escribe y revisa cerca del 90% del código nuevo de Claude Code, según Anthropic (16 de noviembre de 2026).

Los tres tipos de test que el equipo recomienda construir

De todos los tipos de test posibles, el equipo de Claude Code destaca tres por su relación entre costo y evidencia real: end-to-end, de propiedades y diferenciales. Cada uno responde una pregunta distinta sobre el código que escribió el agente.

flowchart TD A["Agente escribe codigo"] --> B["Test E2E, de propiedades o diferencial"] B --> C{"Pasa con evidencia?"} C -->|"Si"| D["Se integra el cambio"] C -->|"No"| E["Hook o regla en CLAUDE.md"] E --> A 

Tests end-to-end: la prueba que no se puede engañar

Si hay que elegir un solo tipo de test, el equipo recomienda end-to-end: describen flujos reales de usuario, como agregar un producto al carrito, pagar y llegar a la confirmación. Son difíciles de engañar porque la función entera funciona o no funciona; tienen un criterio de éxito definitivo y pueden decir exactamente qué se rompió, según el artículo.

La diferencia con un test unitario es concreta. Uno unitario puede mostrar algo como "Error: Timeout after 30 seconds", mientras que uno end-to-end puede mostrar una captura de pantalla con la descripción exacta de qué falló. Los tests unitarios son más rápidos y menos inestables, pero se puede pasar un test unitario y romper la función igual, porque ni el agente ni el test entienden la tarea completa.

Para que esto funcione hay que darle al agente "manos y ojos" sobre el sistema real: una skill que pueda iniciar, manejar e inspeccionar la aplicación con herramientas como CDP, simuladores o harnesses de API. Un mapa de funciones (feature map) sirve de guía y de rúbrica de calificación, porque suele listar las funciones desde el punto de vista del usuario, con rutas, atajos de teclado, selectores y resultados esperados.

Tests de propiedades: miles de intentos de romper una regla

Un test de propiedades arranca de una afirmación que uno cree que no puede fallar, y usa una librería (fast-check para JS/TS, Hypothesis para Python, proptest para Rust) para generar miles de entradas que intenten demostrar lo contrario. El equipo de Claude Code enumera cuatro propiedades que aparecen en casi cualquier proyecto: round-trip (codificar y decodificar algo devuelve lo mismo), invariantes (algo que siempre debe ser cierto, como que un saldo nunca sea negativo), idempotencia (hacer una migración o un retry dos veces tiene el mismo efecto que hacerla una vez) y equivalencia (una versión optimizada produce el mismo resultado que una versión simple pero correcta).

Estas propiedades son particularmente útiles en reescrituras, cuando la especificación original ya se alejó del comportamiento real en producción y deja de ser una fuente confiable para verificar el código nuevo.

Tests diferenciales: el sistema viejo como árbitro

Los tests diferenciales rinden mejor en migraciones grandes donde se espera que la funcionalidad no cambie: se corre el sistema viejo y el nuevo con las mismas entradas y se comparan los resultados. Cualquier diferencia es un bug o un cambio de comportamiento que hay que revisar. La clave, según el equipo, es usar entradas generadas al azar o una muestra de tráfico real de producción, normalizar factores irrelevantes como espacios en blanco y mantener una lista de cambios ya aprobados para los casos donde la diferencia es intencional.

Qué significa esto para un equipo que ya corre agentes en producción

Para un ingeniero de plataforma o backend en una startup de LATAM que ya corre Claude Code, Cursor o un agente similar sobre un repositorio real, el cuello de botella para paralelizar no suele ser el modelo: es si existe un loop de verificación con evidencia corriendo contra cada cambio antes de fusionarlo.

La decisión concreta antes de subir el número de agentes concurrentes es auditar dos cosas. Primero, si cada flujo crítico del producto tiene al menos un test end-to-end real, no solo unitario, y si el agente tiene "manos y ojos" sobre el sistema (vía CDP, un simulador o un harness de API) para correrlo. Segundo, si las fallas que se repiten ya se convirtieron en una regla explícita del CLAUDE.md o en un hook, en vez de seguir dependiendo de que alguien las note a mano cada vez.

Sin esos dos elementos, sumar más agentes en paralelo multiplica el volumen de cambios sin fuente de verificación, no la velocidad real de entrega.

Comparación: otros skills de Claude Code y lo que no cuentan sobre su verificación

Buscar "Claude Code" en GitHub, más allá de este artículo, trae un resultado curioso: varios de los proyectos con más estrellas construidos sobre Claude Code son skills para tareas muy distintas a programar. Ninguno de los tres que aparecieron en esta investigación trae, en la descripción pública que recoge el research, una explicación de cómo verifican su propia salida, a diferencia del detalle que publica el equipo de Claude Code sobre el suyo.
ProyectoQué haceEstrellas (al 2026-11-17)¿El research menciona su verificación?geo-seo-claudeSkill de SEO/GEO para Claude Code: puntaje de citabilidad, análisis de crawlers de IA, autoridad de marca~11.700Novibe-wisePlugin para Claude Code o Codex que ayuda a aprender a programar mientras la IA escribe el código~4.400Noai-legal-claudeAsistente legal con 14 skills: revisión de contratos, análisis de riesgo, NDA, cumplimiento~1.800No
Ninguno de los tres es un competidor directo de los tests end-to-end, de propiedades o diferenciales: son skills para tareas de negocio, no frameworks de testing. Pero la comparación sirve igual, porque miles de desarrolladores instalan estos skills sin que la información pública disponible explique cómo se verifica que generan el contrato, el reporte de SEO o el ejercicio correctos. El equipo de Claude Code, al menos en lo que publica, es la excepción dentro de su propio ecosistema, no la norma.

Cuándo este enfoque no alcanza

La discusión en Hacker News sobre este artículo trajo dos objeciones que vale la pena sumar antes de copiar este pipeline tal cual.

El usuario sashank_1509 argumenta que diez o veinte programadores con experiencia, trabajando un año, terminarían con una versión superior de Claude Code, sin los miles de bugs que se arreglan y se rompen de nuevo y sin los billones de tokens gastados. Es una opinión, no un dato verificado, pero apunta a algo real: la rúbrica y los tres tipos de test compensan la falta de fiabilidad del agente, no la eliminan. Un repo con lógica de negocio difícil de formalizar en invariantes va a sufrir para sacarle provecho a los tests de propiedades, justamente porque esa lógica es la parte que nadie terminó de ordenar.

Duskdozer apunta a algo más incómodo sobre incentivos: los scripts deterministas que corren en tu propia CPU no cuestan tokens, así que empresas que facturan por token no tienen el mismo incentivo para promoverlos frente a tests generados y calificados por un agente. Antes de adoptar un grader basado en rúbrica para cada cambio, conviene comparar su costo en tokens contra un script determinista equivalente (un linter, una aserción, una comparación de hashes) que resuelva el mismo chequeo sin depender del modelo.

También hay límites técnicos propios del enfoque. Los tests diferenciales solo sirven cuando existe un sistema viejo que haga de árbitro, así que no aplican a una función nueva sin precedente. Montar la infraestructura de "manos y ojos" para tests end-to-end (CDP, simuladores, harnesses de API) tiene un costo de configuración y mantenimiento que un equipo chico puede no tener tiempo de pagar.

Preguntas frecuentes

¿Qué diferencia hay entre un test end-to-end y un test de propiedades?

El end-to-end confirma que un flujo completo de usuario funciona de principio a fin sobre el sistema real. El de propiedades no prueba un flujo: genera miles de entradas aleatorias para intentar romper una regla puntual, como que una función de codificación y decodificación siempre devuelva el valor original.

¿Cuándo conviene un test diferencial en vez de uno end-to-end?

Cuando hay una migración o una reescritura donde el comportamiento esperado es que no cambie nada para el usuario. El sistema viejo hace de árbitro: se le dan las mismas entradas que al sistema nuevo y cualquier diferencia en la salida es sospechosa.

¿Qué hace exactamente el grader o rúbrica que menciona el equipo de Claude Code?

Es un verificador separado del agente que escribió el código: evalúa el resultado contra criterios explícitos, en vez de aceptar la propia afirmación del agente de que la tarea salió bien. Según Anthropic, agregar ese paso mejoró el éxito de la tarea hasta 10 puntos en generación de archivos estructurados.

Referencias

Seguimos el tema en @programacion.