El creador de Claude revela cómo usar Claude de verdad en 2026

El vídeo de AI Edge abre con un fundador que quería expandir su negocio con IA pero se detuvo antes de comprometer decenas de miles de dólares en gasto de Claude. En lugar de seguir resúmenes de creadores, revisó más de cien horas de material oficial de Anthropic, con foco en Boris Cherny, responsable de Claude Code. La conclusión es inmediata: cómo usábamos Claude incluso hace seis meses ya no describe cómo piensan realmente los modelos más recientes.

La primera lección es la sustracción. Cherny describe cómo el equipo de Claude Code elimina la mayor parte del prompt del sistema con cada nuevo modelo y luego vuelve a añadir líneas una por una, una práctica que llaman ablación. La razón es que las correcciones escritas para una generación anterior se convierten en fricción para la siguiente. Los largos archivos de habilidades ajustados para Opus a menudo se comportan de forma distinta en los modelos de clase Fable. Su consejo a los usuarios refleja la rutina interna: cada seis meses, borra tu Claude.md, observa qué hace el modelo en crudo durante un día y restaura una línea solo cuando un fallo concreto lo exija. Conserva la identidad y el contexto de negocio, más los objetivos y una definición de «hecho», y elimina las prescripciones de comportamiento.

El anfitrión no defiende desechar la memoria por completo. Sigue usando un sistema de memoria y un pequeño conjunto de habilidades, pero respalda el ritmo de probar y luego restaurar. En la descripción del vídeo comparte un prompt de ablación gratuito que lee una configuración actual, hace unas pocas preguntas enfocadas y devuelve una configuración ligera. El punto no es el minimalismo por sí mismo, sino conservar solo lo que el nuevo modelo todavía necesita.

La segunda lección replantea el prompting como verificación. El error más común que Cherny ve es la sobre-especificación: decirle al modelo paso a paso cómo pensar, lo que restringe a un sistema mucho más capaz. Hace un año ese nivel de andamiaje era necesario; hoy los modelos del nivel Fable rinden peor cuando se les microgestiona. La alternativa es especificar claramente el resultado y definir cómo es el éxito, y luego dejar que el modelo elija el camino. El anfitrión lo demuestra volcando un conjunto de enlaces de X en Claude Code y pidiendo un resumen unificado sin dictar el método, y el sistema se encarga solo del scraping, la lectura y la síntesis.

El caso de Bun hace tangible el argumento. Bun, el runtime de JavaScript con más de 20 millones de descargas mensuales, estaba escrito en Zig y se había vuelto doloroso de mantener por problemas de memoria y fallos. Su creador estimó que una reescritura desde cero en Rust —más de 530.000 líneas— llevaría a un equipo de ingeniería cerca de un año. Con Claude Code, un solo ingeniero dirigiendo unos 64 agentes mediante flujos de trabajo dinámicos completó la reescritura en 11 días. El build de Rust resultante está en producción hoy, lo que significa que Claude Code ahora se ejecuta sobre código que el propio Claude ayudó a crear.

Las cifras de la propia Anthropic extienden la misma historia. El CEO Dario Amodei ha señalado que más del 80 % del código de producción fusionado en mayo fue escrito por Claude, con el código entregado por ingeniero por trimestre multiplicándose por unos ocho frente a la línea base de 2021-2025. El cuello de botella se desplaza de la escritura a la curación, la revisión y la verificación. La lección trata menos de una frase de apertura ingeniosa y más de si la verificación es automática en cada paso.

La tercera lección es que el modelo puede hacer mucho más de lo que los usuarios asumen. Dentro de Anthropic, alguien descubrió por accidente que Claude podía dibujar retratos y paisajes mediante OpenCV, una biblioteca de visión por computador que nadie le había entrenado a usar para arte. Cherny cree que decenas o incluso cientos de esas capacidades latentes siguen sin explotar porque nadie las ha pedido de la manera correcta, un fenómeno que el equipo enmarca como brecha de solicitud. El ejercicio práctico es intentar una vez por semana una tarea deliberadamente difícil que normalmente no delegarías.

El anfitrión ha convertido ese ejercicio en un hábito. Con Claude Code abierto en un segundo monitor, lanza por voz pequeñas tareas a lo largo del día —encontrar un archivo perdido, reescribir un archivo de escritorio, extraer datos de una página de YouTube, curar un calendario de contenido en Notion o hacer due diligence sobre un producto— y en muchos casos el modelo entrega. También sugiere una prueba de fin de semana: definir el alcance y los entregables de una nueva idea de negocio el viernes por la tarde, dejar que el agente construya una landing page, un pipeline y un embudo de investigación sin supervisión, y revisarlo el lunes. El riesgo son diez minutos; el beneficio puede ser de cientos de leads cualificados al mes.

La primera mitad de la cuarta lección son agentes que gestionan agentes. Cherny dice que ya no hace prompts directamente a sus agentes porque sus agentes hacen prompts a otros agentes, con miles ejecutándose en una noche típica. Dentro de Anthropic, Claude mantiene su propia base de código mediante 20 a 30 rutinas diarias, cada una expresada en una sola frase, y el rendimiento de ingeniería ha subido cientos de por ciento mes a mes, mientras el equipo sigue limitado por la plantilla de ingeniería. El anfitrión lo traduce en una ruta de adopción simple: elige un flujo recurrente —barrido de investigación, prospección o seguimiento de deals— ponlo en un calendario para que Claude lo genere y lo ejecute, y añade uno más cada semana hasta tener cuatro flujos autónomos en un mes y dos docenas en seis.

La segunda mitad son los bucles, presentados como la mejor manera de usar Claude en 2026. El bucle antiguo era humano: prompt, comprobar, revisar, repetir. El nuevo bucle está diseñado: das un objetivo y un intervalo, y dejas que el modelo ejecute comprobaciones internas contra tu definición de «hecho». Esto se volvió viable porque los modelos más recientes y los clasificadores de tráfico han hecho que la operación sin supervisión sea mucho más segura que hace un año, cuando una instrucción oculta podía descarrilar fácilmente a un agente. El patrón es explícito en Claude Code mediante /goal y /loop, y funciona mejor cuando un modelo separado y más rápido verifica la finalización tras cada turno en lugar de pedirle al autor que juzgue su propio trabajo.

El vídeo recorre un objetivo concreto: escanear un canal de la competencia en busca de nuevas subidas, registrar título, vistas, vistas por día y tema en un archivo de seguimiento de nicho, marcar cualquier vídeo que triplique la mediana del canal como valor atípico con una nota de una línea sobre el gancho, y detenerse tras ocho ejecuciones. Combinado con un intervalo de /loop, el agente gestiona los sub-bucles y las autocorrecciones. Una variante consciente de costes es usar Fable como orquestador que redacta la estrategia y luego delega subtareas a Opus, Sonnet o Haiku según corresponda, manteniendo la calidad alta sin pagar el precio del nivel superior en cada paso.

La quinta lección es la ingeniería de grafos. La mayoría de los flujos de trabajo viven como intuición en nuestras cabezas, pero se descomponen en variables y pasos. El anfitrión descompone su propia investigación en X en filtros discretos —valor atípico estadístico, encaje temático, fuerza del gancho, calidad de la redacción— y cada uno se convierte en un paso agéntico. La misma descomposición se aplica a conseguir un cliente: unas veinte procedimientos estándar, desde la prospección y la redacción de mensajes hasta la programación, la propuesta y la entrega, de los cuales diecisiete o dieciocho pueden ahora ejecutarse de forma autónoma cuando el grafo es explícito sobre quién hace qué y dónde se requiere revisión humana.

El grafo se visualiza para los humanos; el modelo en sí solo necesita markdown. El anfitrión construye tanto una vista HTML como un archivo markdown por flujo de trabajo y mantiene una biblioteca versionada en Notion o Sheets, actualizándola a medida que los procesos evolucionan. Esa biblioteca se convierte en la forma comprimida de su criterio y su gusto: el conocimiento comprimido que el agente puede leer. Comparte grafos de ejemplo de su agencia y sus operaciones de contenido en su comunidad, junto con prompts que generan nuevos grafos a partir de la descripción de un flujo de trabajo.

El cierre es deliberadamente estrecho: no intentes construir un ejército de agentes el primer día. Elige un proceso, automatízalo y deja que el efecto acumulativo se construya a lo largo de semanas. Como Claude ahora escribe la mayoría de su propio código de producción, las mejores prácticas seguirán cambiando, razón por la cual el vídeo apunta a actualizaciones continuas en lugar de un manual fijo. El intercambio subyacente sigue siendo el mismo: definir un resultado verificable, dar al sistema un bucle y un grafo dentro de los cuales trabajar, y conservar el juicio humano donde más importa.