La demo conecta Claude Code con Vertex AI y construye un pequeño juego 3D desde una conversación de arquitectura hasta Git, Playwright y commits. La parte útil no es que genere código, sino el cierre: revisar el resultado, probarlo y mantener el historial en control de versiones. El agente acelera el trayecto; la evidencia decide si llegó. Transcripción completa revisada
El agente acelera el trayecto; la evidencia decide si llegó
La demostración de Google Cloud Tech conecta Claude Code con Vertex AI y presenta una forma de desarrollar por intención. El ejemplo parte de una idea amplia para un pequeño juego 3D de tirachinas. La conversación aborda arquitectura y librerías, crea el proyecto, utiliza Git, abre pruebas con Playwright y modifica la representación de la trayectoria. Es una secuencia rápida y visual, pero su enseñanza más útil aparece al final: generar código no elimina la obligación de comprobar el resultado.
La escena encaja con el resto de la remesa del día. Los agentes pueden completar cada vez más operaciones, pero una cadena larga multiplica también los lugares donde una interpretación temprana se convierte en un error caro. Revisar, probar y conservar historial no son gestos conservadores añadidos después de la innovación. Son la infraestructura que permite distinguir una entrega de una narración convincente sobre la entrega.
Desarrollo por intención no significa desarrollo sin especificación
Hablar con una herramienta permite comenzar en un nivel más cercano al objetivo: qué se quiere construir, cómo debería comportarse y qué decisiones arquitectónicas lo sostienen. Esa interfaz reduce fricción, pero no resuelve por sí sola la ambigüedad. Si la intención cambia durante la conversación o queda implícita, el agente puede producir un proyecto coherente con una lectura equivocada. La velocidad hace que ese desvío crezca antes de resultar visible.
El paper SpecFirst aporta una medida relacionada. En programación desde cero, un agente dedicado explora primero el comportamiento de un binario y redacta una especificación estructurada; un segundo implementa a partir de esa referencia. En 200 tareas y cuatro modelos, separar ambas fases mejora entre 6,9 y 21,3 puntos porcentuales la tasa de tests superados y entre 9,4 y 18,5 puntos la cobertura de exploración. La conversación ayuda, pero el salto llega cuando el comportamiento esperado queda estabilizado fuera del flujo que escribe código.
La combinación sugiere una disciplina sencilla. La intención abre el trabajo; la especificación fija qué cuenta como comportamiento correcto; los tests comprueban si el artefacto lo cumple; Git conserva el rastro de cómo se llegó hasta allí. Ninguna de esas piezas sustituye a las otras. Pedir un juego, verlo abrirse y celebrar una pantalla plausible sólo cubre una parte del recorrido.
La interfaz de éxito también puede equivocarse
Los agentes suelen informar de su propio progreso con una fluidez que invita a confundir relato y estado. «Hecho», «corregido» o «publicado» son frases baratas de generar. Una prueba, un archivo presente, una ejecución reproducible o un cambio versionado aportan evidencia independiente. Por eso la demo resulta más valiosa cuando muestra herramientas de verificación que cuando encadena acciones sin pausa.
Playwright permite abrir la aplicación y observar comportamiento en un navegador real. Git conserva cambios y facilita comparar, revertir y atribuir. Ninguno garantiza por sí solo que el producto responda a la necesidad original, pero ambos reducen el espacio en el que una afirmación del agente puede sustituir al resultado. La regla operativa es clara: el sistema que actúa no debería ser la única fuente que certifica su acción.
Esa separación se vuelve más importante a medida que el agente obtiene permisos. Generar archivos en un entorno aislado tiene un coste de fallo limitado. Hacer commits, desplegar o tocar datos amplía el radio. La autonomía útil no consiste sólo en conceder más herramientas, sino en asociar cada herramienta con una prueba posterior y una forma de recuperar el estado anterior.
Más rápido y más barato todavía puede ser peor
OmegaUse-OfficeVal lleva la misma pregunta a tareas de ofimática. El benchmark reúne 100 encargos largos derivados de solicitudes profesionales y adaptados para preservar privacidad. Cada uno exige 2,32 horas de trabajo humano de media e incorpora tiempo laboral y un precio proxy, además de verificadores de código construidos sobre rúbricas detalladas. Los modelos evaluados son sustancialmente más rápidos y baratos que las personas, pero todavía quedan lejos de su calidad de entrega.
Ese resultado impide comparar minutos de agente con horas humanas sin comprobar equivalencia. Si el documento necesita una revisión extensa, si una hoja calcula mal o si una presentación no cumple la rúbrica, el ahorro de inferencia no representa el coste del trabajo terminado. Falta sumar supervisión, reparación y el riesgo de aceptar un resultado plausible pero incorrecto.
La demo de desarrollo y el benchmark de oficina hablan de artefactos distintos, pero comparten unidad de valor: una entrega verificable. El tiempo de ejecución puede medirse con precisión y aun así ser secundario. Lo importante es cuánto cuesta alcanzar una versión que una persona responsable aceptaría, no cuánto tarda el modelo en declarar que ha terminado.
La factura está en el bucle
KodeKloud formula el problema económico desde la mecánica del agente. Una tarea no es una sola llamada al modelo. El sistema lee contexto, usa herramientas, ejecuta pruebas, observa fallos y vuelve a intentarlo. Aunque el token se abarate, docenas de ciclos pueden convertir una petición en una factura larga. Las cifras concretas del vídeo son estimaciones del canal y no deben tratarse como tarifas auditadas; la estructura del coste sí es útil.
La documentación pública de la Agent API de Perplexity hace visible ese despiece. Separa tokens, búsqueda web, lectura de URL, búsquedas especializadas y sesiones de sandbox. Además permite escoger proveedor o presets por nivel de esfuerzo. La unidad económica deja de ser únicamente el millón de tokens y pasa a ser el recorrido de herramientas y comprobaciones que necesita una tarea.
The Information añade una dimensión contractual. Según entrevistas y datos de un proveedor de routing sobre unas 200 cuentas, varias empresas mantienen Claude Code, Codex y herramientas abiertas en paralelo aunque una concentre más uso. La evidencia es una señal de mercado, no un censo universal. La lectura prudente es que la portabilidad se compra como seguro frente a precios, cuotas y costes de cambio.
Un buen arnés termina con una prueba
La lección editorial de hoy no es frenar la automatización. Es exigirle un final observable. Antes de programar, fijar el comportamiento. Durante la ejecución, conservar el rastro. Después, abrir el resultado, ejecutar pruebas y comparar con la intención. Si el agente falla, el sistema debe mostrar dónde y permitir volver a un estado conocido.
Esta disciplina también mejora la economía. Un modelo aparentemente más caro puede resolver en menos intentos; uno barato puede consumir más búsquedas, sandbox y correcciones. Dos proveedores con tarifas similares pueden producir costes opuestos cuando se mide la tarea aceptada. Sin verificación, esa comparación queda contaminada porque se premia al sistema que se detiene antes, aunque se detenga mal.
Google Cloud presenta un trayecto acelerado desde la conversación hasta un proyecto funcional. El punto decisivo no está en la velocidad con la que aparece el código. Está en que el recorrido termina en Git, navegador y pruebas. El agente puede conducir muchas etapas. La evidencia, fuera de su propia voz, sigue decidiendo si hemos llegado.