Contexto Técnico: Qué Lanzaron y Por Qué Cambia el Juego
He analizado detenidamente la documentación de Anthropic sobre Programmatic Tool Calling (PTC) y he visto lo principal: no es «otro uso de herramientas» más, sino un cambio en la mecánica de orquestación. Claude ahora puede generar un script en Python, ejecutarlo en un sandbox y, dentro de esa ejecución, realizar múltiples llamadas a herramientas, procesar datos y devolver al contexto únicamente el resultado final.
El elemento clave es la herramienta de ejecución de código code_execution_20260120. En el enfoque clásico, el agente crea una cadena: llama a la herramienta → recibe respuesta en crudo → inferencia de nuevo → siguiente llamada. Con PTC, obtengo un único «bloque ejecutivo»: Claude traslada los bucles, condiciones, manejo de errores y agregaciones al código, en lugar de diluirlos en tokens de razonamiento.
El detalle más práctico es el modelo de seguridad a través de allowed_callers. Si quiero que una herramienta pueda ser llamada desde el código del sandbox, defino explícitamente "allowed_callers": ["code_execution_20260120"] (o añado “direct” si necesito ambos modos). Esto disciplina la arquitectura: no permito operaciones peligrosas (pagos, borrados, cualquier acción «irreversible») dentro del circuito programático.
Y otra cosa que muchos pasan por alto: Anthropic anima directamente a describir las salidas de las herramientas de la forma más estructurada posible (esquemas JSON, campos, tipos). En PTC esto no es cosmético: de la calidad de los esquemas depende la estabilidad con la que el código parseará las respuestas y filtrará el ruido.
Impacto en el Negocio y Automatización: Dónde se Gana y Riesgos
En mis términos, esto se trata de tres métricas: latencia, coste de contexto y previsibilidad. Cuando un agente necesita realizar entre 20 y 200 acciones del mismo tipo (exportaciones, comprobaciones, conciliaciones, enriquecimiento), las llamadas secuenciales de ida y vuelta convierten el sistema en algo lento y costoso. PTC empaqueta una serie de pasos en un solo escenario ejecutable y reduce drásticamente los gastos generales por inferencias repetidas.
La segunda ventaja es que el contexto deja de inflarse con resultados intermedios. Puedo procesar miles de líneas de transacciones o posiciones de almacén a través de herramientas, agregarlas y devolver al modelo solo el resumen y las excepciones. Esto es una palanca directa para la automatización con IA en contabilidad, logística, compras, cumplimiento normativo y análisis, donde las «tablas en crudo» suelen matar la ventana de contexto.
Pero también veo una nueva clase de riesgos. Si un equipo sin experiencia empieza a «permitir todo desde el código», accidentalmente abre el camino a operaciones no deseadas. En los proyectos de Nahornyi AI Lab establezco una política de herramientas: solo lectura por defecto, herramientas de escritura solo con verificaciones adicionales, y acciones irreversibles a través de una puerta separada (humana o de servicio).
¿Quién gana? Las empresas con mucha rutina de procesos y datos, no solo un chatbot. ¿Quién pierde? Aquellos que contaban con «pegar un agente con prompts» sin disciplina de ingeniería: PTC eleva el listón para la arquitectura de soluciones IA y el testing.
Visión Estratégica: Cómo Construiría un Stack de Agentes para PTC en 2026
Percibo PTC como un paso hacia un modelo de agentes de «microservicios»: el modelo se convierte en orquestador y la lógica de negocio se descompone en circuitos instrumentales con contratos claros. En nuestras implementaciones destacaría tres capas: catálogo de herramientas con contratos, capa de políticas (quién y desde dónde puede llamar) y capa de observabilidad (trazabilidad, presupuestos, límites del sandbox).
Un sistema PTC no observable será costoso de mantener. Por eso diseño la telemetría desde el principio: qué herramientas se llaman, cuánto tiempo toma el bloque de ejecución, cuántos datos se filtran, dónde ocurren los reintentos. Esto convierte al «agente mágico» en un componente de producción gestionable, optimizable como un backend normal.
Mi pronóstico no evidente: a través de PTC, muchas empresas comenzarán a trasladar parte de sus ETL y conciliaciones de scripts de BI directamente a cadenas de agentes. Esto es posible, pero solo si la implementación de inteligencia artificial se hace con control de calidad de datos, versionado de esquemas y pruebas de regresión en casos típicos. De lo contrario, obtendrás una automatización «inteligente» que a veces se equivoca en silencio.
Este análisis fue preparado por Vadim Nahornyi, experto líder en Nahornyi AI Lab en arquitectura IA y automatización. Tomo PTC como una herramienta práctica para agentes en producción: desde políticas de allowed_callers hasta observabilidad e integración segura de IA en tus sistemas. Escríbeme: analizaremos tu proceso, elegiremos herramientas, diseñaremos perímetros de seguridad y llevaremos al agente a un funcionamiento estable en producción.