Claude Managed Agents y memoria persistente: cómo los agentes recuerdan entre sesiones
Anthropic lanzó en beta pública la memoria para Claude Managed Agents en abril de 2026. Este artículo explica el modelo técnico, contrasta los tres enfoques de memoria disponibles y aterriza la decisión en costo y gobernanza para una empresa chilena.
Cognitiva, agencia chilena de IA, lleva meses acompañando a empresas que han migrado de chatbots puntuales a agentes que ejecutan tareas de múltiples pasos. El obstáculo recurrente no es la capacidad del modelo: es que cada sesión parte de cero. Anthropic resolvió eso en abril de 2026 al lanzar en beta pública la memoria persistente para Claude Managed Agents, un cambio arquitectónico que transforma al agente de herramienta puntual a activo organizacional con conocimiento acumulado. Los agentes ahora pueden recordar errores pasados, preferencias del usuario y contexto operativo sin que el equipo de desarrollo construya infraestructura custom. El anuncio llega en un momento en que la memoria se ha convertido en el eje competitivo central entre plataformas de agentes: OpenAI, Google y Anthropic publicaron capacidades de memoria con semanas de diferencia. Este artículo explica el modelo técnico de la implementación de Anthropic, contrasta los tres enfoques de persistencia disponibles hoy y aterriza la decisión en términos de costo, control y gobernanza para una empresa chilena que ya opera agentes o quiere escalarlos.
Por qué la memoria cambia la naturaleza del agente
Un agente sin memoria es, en rigor, una función sin estado: recibe un input, produce un output y olvida todo. Útil para tareas atómicas, pero insuficiente para cualquier proceso que mejore con el tiempo. La analogía operativa es contratar a un analista que cada lunes llega sin recuerdo de la semana anterior.
La memoria persistente corta ese ciclo. Un agente que recuerda puede evitar repetir errores documentados, aplicar preferencias de formato que el cliente corrigió en la sesión anterior y acumular contexto de dominio que acelera la ejecución de tareas similares. En términos de negocio, el agente deja de ser un costo fijo por tarea y empieza a comportarse como un activo que se valoriza con el uso.
Este cambio tiene implicancias de gobernanza: si el agente aprende, alguien debe decidir qué aprende, quién puede leer esa memoria y qué ocurre cuando el dato aprendido es incorrecto o sensible. Las empresas que no resuelven esto antes de escalar enfrentan riesgos de cumplimiento bajo la Ley 21.719 de datos personales.
Tres enfoques de memoria: in-context, external store y Managed Agents hosted
Enfoque 1 — Memoria in-context (todo en la ventana)
El enfoque más simple: la historia completa de la conversación se incluye en cada llamada al modelo. No requiere infraestructura adicional y tiene la mayor precisión de recuperación porque el modelo ve todo el contexto directamente. La desventaja es doble: el costo escala con cada token de historia acumulada y la ventana tiene un límite físico que tarde o temprano se agota en tareas largas.
Datos de referencia: el enfoque in-context alcanza un 72,9% de precisión en benchmarks estándar con una latencia p95 de 17,12 segundos y un consumo de alrededor de 26.000 tokens por conversación. Aceptable para prototipos o tareas cortas; costoso y lento a escala.
Enfoque 2 — External vector store (recuperación semántica)
El agente escribe hechos relevantes en una base vectorial (Pinecone, Qdrant, pgvector) y los recupera por similitud semántica en cada sesión. El consumo de tokens cae a alrededor de 1.764 por conversación y la latencia p95 baja a 1,44 segundos, con un costo de 91% menos tokens que el enfoque in-context. El trade-off: la precisión baja aproximadamente seis puntos porcentuales porque la recuperación semántica no garantiza que el fragmento correcto llegue al modelo. Además, el equipo debe construir y mantener la pipeline de embedding, el índice y la lógica de retrieval.
Enfoque 3 — Claude Managed Agents hosted memory (beta pública desde abril 2026)
Anthropic implementó la memoria como un directorio de archivos montado en el contenedor del agente en la ruta /mnt/memory/. El agente lee y escribe memorias con las mismas herramientas de bash y archivos que ya usa para el resto de sus tareas. No hay un API de retrieval propietario ni una base vectorial oculta: la memoria es texto plano, inspeccionable y exportable. Cada escritura genera un evento en el log de sesión, lo que produce un audit trail completo de qué aprendió el agente, en qué sesión y bajo qué contexto.
El modelo Opus 4.7 fue específicamente optimizado para este esquema, con mejor selectividad sobre qué vale la pena retener y mayor organización en la escritura de memorias.
| Dimensión | In-context | External store | Managed Agents memory |
|---|---|---|---|
| Infraestructura propia | Ninguna | Vector DB + pipeline | Ninguna |
| Tokens por conversación | ~26.000 | ~1.764 | Variable (optimizado) |
| Latencia p95 | ~17 s | ~1,4 s | Baja (hosted) |
| Audit trail | No | Depende del stack | Nativo por sesión |
| Exportabilidad | No aplica | Sí (datos propios) | Sí (archivos exportables) |
| Lock-in de plataforma | Ninguno | Bajo | Claude / Anthropic |
| Gobernanza granular | Básica | Según implementación | Org-level + user-level |
Qué persiste entre sesiones y qué no
Entender los límites de la memoria es tan importante como entender sus capacidades. La implementación de Anthropic persiste el contenido escrito explícitamente por el agente en /mnt/memory/: correcciones del usuario, patrones de error documentados, preferencias de formato y cualquier hecho que el agente decida retener. La sesión (el log append-only de toda la actividad) también persiste y puede recuperarse con getSession(id).
Lo que no persiste automáticamente: el estado de herramientas externas (una conexión de base de datos, un archivo temporal en /tmp), las inferencias implícitas que el modelo hizo pero no escribió, y cualquier cosa que ocurrió en el contexto de trabajo pero que el agente no registró. La analogía es la de un profesional que escribe notas de reunión: lo que anotó queda; lo que no anotó se pierde.
- Persiste: archivos escritos en /mnt/memory/ con bash o herramientas de archivo
- Persiste: el log de sesión completo (recuperable vía getSession o wake(sessionId))
- Persiste: audit trail de cada escritura (agente, sesión, timestamp)
- No persiste: estado de herramientas externas no serializado
- No persiste: inferencias implícitas del modelo no documentadas
- No persiste: archivos fuera del directorio de memoria del workspace
La arquitectura también soporta concurrencia: múltiples agentes en el mismo workspace pueden leer y escribir en la misma memoria sin sobreescribirse, lo que habilita escenarios de colaboración multi-agente con conocimiento compartido. Los permisos se configuran a nivel de organización (read-only) y a nivel de usuario (read-write), lo que da control granular sobre quién puede modificar lo que el agente ha aprendido.
Resultados documentados y adopción temprana
Rakuten, uno de los adoptantes tempranos del beta, reportó una reducción de 97% en errores de primera pasada al usar memoria para que sus agentes de tareas largas evitaran repetir errores ya documentados. El mismo despliegue logró una reducción de 27% en costo por tarea y 34% en latencia. Wisedocs, empresa de verificación documental, reportó un 30% de aceleración en sus flujos de verificación.
Estos resultados ocurren en un contexto específico: agentes que ejecutan tareas repetitivas donde los errores tienen patrones reconocibles y la corrección se puede codificar en texto. No son extrapolables a cualquier caso de uso: un agente de análisis financiero ad hoc, por ejemplo, se beneficia menos de la memoria acumulada que un agente de atención a cliente que maneja las mismas tipologías de consulta semana tras semana.
El contexto competitivo es relevante para entender la urgencia del anuncio: OpenAI lanzó memoria persistente para Codex for Mac y Google activó Vertex AI Memory Bank en fechas próximas. La diferenciación de Anthropic es la exportabilidad y el audit trail nativo, que responden directamente a preocupaciones de gobernanza empresarial.
Modelo de costo y gobernanza para una empresa chilena
Las sesiones de Managed Agents se facturan aparte de la tarifa estándar de tokens de Claude: 0,08 dólares por session-hour. La memoria no añade un sobrecargo por hora propio —usa la misma sesión—. El costo es bajo en despliegues pequeños pero escala con el número de agentes concurrentes. Una empresa con diez agentes activos en paralelo durante ocho horas diarias suma alrededor de 6,4 dólares por día solo en session-hours, más el costo de tokens.
Para empresas chilenas, hay consideraciones adicionales que van más allá del costo por hora:
- Residencia de datos: todos los writes y audit logs pasan por la infraestructura de Anthropic. Si el agente maneja datos personales cubiertos por la Ley 21.719, se debe evaluar el DPA (Data Processing Agreement) de Anthropic y los términos de residencia.
- Vendor commitment: la memoria hosted es específica de Claude. No hay portabilidad multi-modelo; si la empresa quiere migrar a otro proveedor, debe exportar las memorias (Anthropic lo permite) y reescribir la lógica de lectura/escritura.
- Gobierno de contenido: ¿quién decide qué puede aprender el agente? Las memorias incorrectas o sesgadas no desaparecen solas. Se recomienda establecer una política de revisión periódica del directorio de memoria, análoga a la revisión de logs de sistema.
- Multi-agent coordination y self-evaluation están en research preview con aprobación separada, lo que limita los casos de uso más avanzados en el beta actual.
La alternativa de external store (vector DB propia) da más control de residencia y elimina el lock-in de plataforma, pero requiere un equipo técnico capaz de mantener la pipeline de embedding y retrieval. Para empresas sin esa capacidad interna, el overhead de mantener una infraestructura de memoria puede superar el costo del enfoque hosted.
El framework de decisión de Cognitiva para esta elección considera tres ejes: volumen de sesiones por mes (a bajo volumen, el costo hosted es marginal), sensibilidad de los datos (a mayor sensibilidad, mayor incentivo para external store propia) y capacidad del equipo técnico (sin ingenieros de ML disponibles, hosted es la ruta pragmática). La memoria in-context se reserva para prototipos o tareas con historia corta y bien acotada.
Cómo evaluar si tu organización está lista para memoria persistente
Antes de activar memoria persistente en producción, hay preguntas de arquitectura y gobernanza que conviene responder. No se trata de si la tecnología funciona (los benchmarks son positivos), sino de si la organización tiene los controles para operar con un agente que aprende.
- ¿Tienes definido qué información puede aprender el agente y cuál está fuera de límites (datos personales sensibles, información competitiva)?
- ¿Tienes un proceso para auditar y corregir memorias incorrectas antes de que se propaguen a futuras sesiones?
- ¿El DPA de Anthropic es compatible con tu política de protección de datos y con la Ley 21.719?
- ¿Tienes un plan de migración si decides cambiar de proveedor? (La exportabilidad existe, pero la migración no es automática.)
- ¿El beneficio esperado justifica el costo de session-hours a la escala proyectada?
Si las respuestas son afirmativas, la memoria hosted de Managed Agents es la ruta de menor fricción técnica para una empresa que ya usa Claude. Si la residencia de datos es un obstáculo, la alternativa es un external store con pgvector sobre una base de datos bajo control propio, opción que Cognitiva también implementa y que puede coexistir con el mismo agente.
El punto de partida recomendado es un piloto acotado: un agente en un proceso repetitivo de bajo riesgo (atención a consultas internas, clasificación de documentos no sensibles) donde el ciclo de aprendizaje sea corto y los errores, fáciles de detectar y corregir. Escalar a procesos de mayor criticidad solo después de validar la calidad de lo que el agente retiene.
Preguntas frecuentes
Da el siguiente paso
Hablemos
Cuéntanos sobre tu negocio. Respondemos en 24 horas.
Otros canales
Escríbenos por WhatsApp o agenda una llamada de 30 minutos.