Loop Engineering: deja que la IA itere sola hasta el objetivo

De “pregunta y respuesta” a “encargo y resultado”

Para un segundo y mira el dato: un bot que perdía todas las partidas pasó a ganar 100 de 100. Y lo importante no es el bot: es que no programé nada de eso. Solo le di a la IA un objetivo y una forma de enfocar el trabajo, una sola orden, y fue capaz de ejecutarlo entero ella sola.

Eso es un loop, y es probablemente la diferencia más grande entre usar la inteligencia artificial como un buscador y tener una inteligencia artificial con esteroides. En este artículo te explico qué es exactamente un loop, cómo funciona por dentro y cómo montar el tuyo desde hoy, con un ejemplo real que vas a poder replicar al acabar.

El cambio de mentalidad

Hasta ahora trabajábamos así: lanzábamos una instrucción, recibíamos una respuesta, la revisábamos y volvíamos a pedir. Validábamos tarea por tarea, con nosotros delante todo el rato. Funciona, pero no escala: si no estás tú, no avanza.

Un loop le da la vuelta al planteamiento. En lugar de pedir una tarea concreta, defines el objetivo y no defines el paso a paso:

“Quiero llegar a este resultado. Desde el punto de partida hasta la meta, todo lo que ocurra por el camino lo iteras tú hasta conseguirlo.”

Pasamos de pregunta → respuesta a encargo → resultado.

Cómo funciona un loop por dentro

Un loop es una rotación de cuatro pasos que se repite hasta cumplir la meta:

1. Razona — recibe el objetivo y decide qué tiene que hacer.
2. Actúa — usa sus herramientas: ejecuta código, lee archivos, llama APIs, escribe lo que haga falta.
3. Observa — mira el resultado de lo que acaba de hacer.
4. Evalúa — ¿he llegado al objetivo? Si no, vuelve al paso 1 y repite. Si sí, entrega el resultado y el loop termina.

Esto es extrapolable a casi todo: edición de imagen o vídeo, crear una web o una app, corregir bugs… cualquier tarea con un resultado claro.

¿Cuándo para?

Cuando cumple el objetivo o cuando llega al límite que tú le pones. Esto es clave: siempre dale un freno duro (por ejemplo, “para a las 10 vueltas”). Sin límite, un loop puede correr eternamente — en pruebas reales ha habido loops de 3, 4 y hasta 5 horas precisamente por no acotarlos.

Dos tipos de loop

• Loop de agente (implícito). El que la IA ejecuta sola sin que se lo pidas. Antes, cuando salía un error en pantalla, tenías que decirle “soluciona este error”. Hoy, herramientas como Claude Code detectan un test en rojo o un error y lo arreglan solas hasta ponerlo en verde. Ese bucle ya viene “de fábrica”.
• Loop explícito. El que provocas tú. Por ejemplo: “Analiza archivo por archivo hasta encontrar todos los que tengan fallos de seguridad y corrígelos; repítelo hasta que no quede ninguno.” Este es el que vamos a aprender a diseñar, porque es el que cambia tu día a día.

Por qué lo cambia (casi) todo

Tres ideas resumen la ganancia:

• Autonomía: dejas de dar instrucción a instrucción. Defines el resultado final y la IA itera hasta llegar.
• Uso de herramientas: llega al objetivo combinando código, lectura de archivos, APIs y todo lo que tenga disponible en el proyecto.
• Autocorrección: detecta sus propios fallos y reintenta sin que estés encima.

Ejemplo claro: un login que no funciona. Forma antigua → ibas reportando fallo por fallo, uno a uno. Forma nueva → “El objetivo es que el login funcione. He visto estos fallos: A, B, C. Entra en loop y arréglalo hasta que pueda entrar sin errores.” Si tiene que trabajar una, dos o tres horas y gastar tokens, lo hará. Tú no estás delante.

El resultado: automatizas tareas de varios pasos en un solo encargo, dejas de microgestionar y escalas el trabajo sin escalar tus horas delante del ordenador.

Qué hace que un loop funcione de verdad

No todo necesita un loop, pero cuando uses uno, estas son las buenas prácticas que marcan la diferencia entre que funcione y que corra sin sentido:

• Meta comprobable. Sé claro y conciso: la IA tiene que poder medir si llegó (un número, un test en verde, una condición exacta).
• Freno duro. Un máximo de iteraciones para evitar bucles infinitos. Cada vuelta cuesta más tiempo y más tokens.
• Buenas herramientas. Dile exactamente qué puede ejecutar y dale acceso a lo que necesite.
• Memoria resumida. Que vaya guardando el historial de lo que hace, pero en resumen, para no inflar el contexto.
• Evaluador aparte. Quien hace la tarea no debe ser quien se evalúa a sí mismo. Un agente ejecuta y otro puntúa: aquí entran los subagentes.
• Planifica primero (en tareas grandes). Que escriba el plan, tú le das el OK y entonces ejecuta. En tareas simples no hace falta.
• Registro de decisiones. Que anote cada decisión y por qué, para poder revisarlo después.
• Sentido del coste. Los loops queman tokens. Empieza en pequeño y acotado y escala desde ahí.

La mayoría de loops fallan por lo mismo: mal acotados, corriendo sin fin. Meta clara + límite duro lo evitan.

Ejemplo real: un bot que pasa de perder siempre a ganar el 100%

Para verlo a nivel visual, el ejemplo es un Conecta 4 con dos bots enfrentados (nuestras fichas rosas contra las naranjas del rival). El bot de partida tenía un win rate pobre — en la primera tirada, jugando al azar, 0 victorias y 12 derrotas.

El objetivo: ganar más del 90% de las partidas. El loop se lanzó con el comando /goal y una instrucción tipo:

Mejora el bot de Python hasta que el reto muestre un win rate ≥ 90%.
En cada turno, ejecuta y mide. No modifiques los archivos de reto ni de juego.
Mantén cada ejecución rápida y eficiente (nada de fuerza bruta).
Detente cuando el win rate sea ≥ 90%. Máximo: 10 intentos.

Y se puso a trabajar solo:

1. Exploró los archivos para entender el reto y midió la baseline (0 victorias).
2. V1: sustituyó la elección aleatoria por Minimax con poda alfa-beta, profundidad 5 → win rate 75% en 2,3 s. Supera el 60%, pero aún no llega al objetivo.
3. V2: subió la profundidad → 100% de win rate… pero tardaba 17 s, demasiado lento.
4. V3: bajó la profundidad buscando velocidad → 83,3% (rápido, pero ya no gana siempre).
5. V4: ajuste final → 100% de win rate en 11,4 segundos. Objetivo cumplido. El loop se detiene solo y entrega un resumen con todas las versiones.

Todo el proceso: 4 minutos, sin tocar nada. Fíjate en el detalle: la IA no se conformó con el primer 100% (lento), sino que siguió iterando para cumplir también la condición de velocidad. Eso es un loop bien definido trabajando.

Este ejemplo es simple a propósito. En proyectos grandes con problemas serios verás loops de 30, 50 iteraciones, o de varias horas.

El consejo práctico

Busca una tarea realmente compleja, con un objetivo claro y donde más o menos conozcas el camino. Programa el loop, ponle un límite y déjalo corriendo mientras no estás delante del ordenador. Cuando vuelvas, lo más probable es que te encuentres el resultado final ya hecho.

Si quieres entender mejor la pieza /goal y cómo encaja con el resto del stack de agentes, lo cuento en detalle en Claude Code: 6 herramientas para que la IA programe sola.

Conclusión

El loop engineering no es un truco más: es un cambio de forma de trabajar con la IA. Pasas de validar tarea por tarea a definir un objetivo comprobable, darle herramientas y un freno, y dejar que itere hasta lograrlo. No lo necesitas siempre, pero cuando la tarea es compleja, es muchísimo más eficiente que ir dando indicaciones a cada paso.

En ExpertBrain diseñamos exactamente este tipo de agentes y automatizaciones autónomas para empresas y organismos en producción. Si quieres llevar tus procesos a este nivel, hablemos.