For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/es/articles/claude-cowork-mobile-web-agent-harness.md.
El soporte de Claude Cowork para móvil y web es más que una actualización de la interfaz del producto. Demuestra que el trabajo de los agent...
La actualización de Claude Cowork de Anthropic parece simple al principio: Cowork se expande más allá del escritorio y ya está disponible también en web y móvil. Pero la señal real es más grande que una nueva interfaz.
Una vez que un agente puede seguir trabajando después de que el usuario abandona el escritorio, el producto ya no es solo una ventana de chat. Se convierte en un hilo de tareas persistente. El usuario puede comenzar el trabajo en el escritorio, verificar el progreso en un teléfono, responder una aclaración desde otro dispositivo y regresar más tarde para revisar un artefacto.
Ese cambio es importante para los equipos que usan Claude Cowork, Claude Code, Codex, Cursor, GitHub Copilot, NxCode o agentes internos. La pregunta ya no es solo "¿Puede el modelo resolver la tarea?". La mejor pregunta es: ¿Puede el sistema que rodea al modelo controlar el contexto, las herramientas, el estado, los permisos, los registros, la validación y la revisión humana?
Claude Cowork se está expandiendo de un flujo de trabajo centrado en el escritorio a una experiencia web y móvil. El usuario puede iniciar una tarea en una computadora, dejar que Claude continúe en segundo plano, verificar el estado desde un teléfono y regresar más tarde para revisar el resultado.
Eso cambia el modelo mental.
Un chatbot espera el siguiente mensaje. Una herramienta de autocompletado de código sugiere la siguiente línea. Un agente en segundo plano sigue trabajando después de que el usuario se retira. Esto significa que los equipos no pueden colocar toda la gobernanza dentro de una sola sesión de escritorio o una ventana de terminal visible.
La página de producto de Cowork de Anthropic también enfatiza el control. Los usuarios eligen carpetas y herramientas, y los administradores empresariales pueden configurar el acceso y los permisos. Esto es importante porque el trabajo entre dispositivos solo es útil si no convierte accidentalmente cada toque en el teléfono en una concesión amplia de permisos.
Para los equipos de ingeniería, la lección no es "mover cada tarea al móvil". La lección es que el trabajo delegado se está volviendo duradero. Las tareas continuarán a través de pestañas, dispositivos, reuniones, notificaciones y cambios de contexto humano. El modelo operativo debe asumir que el trabajo puede continuar después del primer mensaje.
Un arnés de agentes es el sistema que rodea al modelo y convierte una solicitud en trabajo controlado.
Incluye:
Un modelo fuerte dentro de un arnés débil aún puede fallar gravemente. Podría leer los archivos incorrectos, usar la herramienta equivocada, hacer un gran
cambio inseguro, o producir un resultado que parezca pulido pero no pueda ser revisado.
La expansión móvil y web de Claude Cowork hace que el arnés sea más visible. La tarea puede comenzar en el escritorio, continuar en la nube, solicitar aprobación en el móvil y finalizar con archivos o mensajes listos para revisión. Ese flujo necesita estado y permisos que viajen con la tarea, no solo con el dispositivo.
AWS está impulsando una idea relacionada desde el lado de la nube a través de Amazon Bedrock AgentCore. Su modelo de arnés se centra en la orquestación, ejecución de herramientas, gestión de contexto, persistencia de estado, recuperación de fallos y sesiones aisladas. Los escritos de Lilian Weng sobre ingeniería de arneses apuntan en la misma dirección desde una perspectiva de investigación: un mejor comportamiento del agente no proviene solo de pesos de modelo más fuertes, sino también de mejores entornos, bucles de retroalimentación, evaluación, herramientas y andamiaje.
En términos prácticos, el arnés es donde los equipos definen lo que significa "un buen trabajo de agente".
Los agentes entre dispositivos tienen un valor obvio.
Un gerente de producto puede solicitar un informe de investigación de clientes antes de abordar un tren. Un ingeniero puede iniciar una investigación de registros, cerrar la computadora portátil y aprobar un seguimiento específico desde el teléfono. Un fundador puede delegar una actualización para inversores y revisar el borrador más tarde.
Pero el riesgo es igualmente claro. Una tarea que sigue ejecutándose en segundo plano puede continuar usando herramientas, archivos, aplicaciones conectadas y contexto después de que la persona deje de mirar la pantalla.
Los equipos deben separar cinco tipos de autoridad.
| Tipo de Autoridad | Ejemplo | Regla Predeterminada |
|---|---|---|
| Leer contexto local | Archivos del repositorio, documentos, notas | Permitir solo carpetas delimitadas |
| Leer aplicaciones conectadas | Slack, correo electrónico, calendario, CRM | Usar aprobación por conector |
| Escribir artefactos locales | Borradores, ramas, hojas de cálculo | Permitir solo con diferencias revisables |
| Comunicación externa | Enviar correo electrónico, publicar en Slack, crear tickets | Requerir confirmación humana |
| Acción destructiva o de producción | Eliminar archivos, rotar secretos, desplegar | Requerir aprobación explícita y registros |
El acceso móvil debería hacer la revisión más rápida, no más débil. Un teléfono es útil para verificar el estado de una tarea, responder una aclaración o aprobar un siguiente paso específico. No es el lugar adecuado para revisar un gran diff de código, autorizar una migración de producción, aprobar cambios de facturación o conceder acceso amplio a datos de clientes.
Una regla operativa simple funciona bien:
El móvil puede dirigir, pero la aprobación seria debe ocurrir donde la evidencia sea visible.
Cada tarea delegada necesita un límite por escrito.
Un buen alcance debería incluir:
Sin estos límites, un agente en segundo plano es solo un mensaje de larga duración con herramientas adjuntas. Eso no es un modelo operativo seguro.
Un revisor no debería tener que adivinar qué hizo el agente.
Para tareas de código, el informe final debería incluir:
relevante
Para las tareas de investigación, el informe final debe incluir:
El objetivo es que el trabajo del agente sea auditado. Una respuesta pulida no es suficiente.
No todas las tareas necesitan el mismo modelo, ventana de contexto o presupuesto.
Las tareas de resumen de bajo riesgo, clasificación de incidencias, formato y transformaciones deterministas a menudo pueden usar modelos más económicos. La depuración compleja, la planificación de arquitectura, las migraciones y el trabajo sensible a la seguridad pueden justificar modelos más potentes y una revisión más rigurosa.
Una política de enrutamiento podría verse así:
| Tipo de tarea | Estrategia de modelo sugerida | Nivel de revisión |
|---|---|---|
| Formato o limpieza | Modelo de bajo costo | Revisión ligera |
| Resumen o clasificación | Modelo de bajo costo | Verificación al azar |
| Corrección de código pequeña | Modelo medio/alto según el riesgo | Revisión de diff + pruebas |
| Cambio de arquitectura | Modelo más potente | Revisión humana requerida |
| Tarea de seguridad o producción | Modelo más potente + entorno estricto | Aprobación humana requerida |
| Comunicación externa con clientes | Modelo más potente o liderado por humano | Aprobación antes de enviar |
El punto no es usar siempre el modelo más barato. El punto es usar el modelo adecuado según el nivel de riesgo.
Los agentes persistentes hacen tentador almacenarlo todo. Eso es riesgoso.
Los equipos deben almacenar información estable y reutilizable, como:
Los equipos deben evitar almacenar:
Una buena memoria mejora la fiabilidad del flujo de trabajo. Una mala memoria convierte la suposición de ayer en la instrucción oculta de mañana.
No evalúes a los agentes solo con demostraciones o clips de redes sociales.
Elige tareas reales del último mes. Incluye errores, refactorizaciones, ediciones de documentación, limpieza de datos, investigaciones de soporte y verificaciones de lanzamiento. Ejecuta cada agente con el mismo presupuesto de tiempo y compara los resultados.
Mide:
Un punto de referencia local del equipo es más valioso que una tabla de clasificación genérica porque refleja el trabajo real del equipo.
Un arnés útil no tiene que comenzar como un proyecto de plataforma grande. Se puede construir una versión mínima con un archivo de instrucciones del repositorio, una plantilla de tarea, una lista de verificación de validación y una regla de revisión.
Usa una plantilla de tarea como esta:
Objetivo:
Contexto permitido:
Herramientas permitidas:
Acciones no permitidas:
Comando de validación:
Artefacto esperado:
Aprobación humana necesaria para:
Detener si:
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
Luego asigna los tipos de tarea a los flujos de trabajo.
Esta plantilla es simple, pero obliga al equipo a hacer visibles la autorización y la validación.
Para flujos de trabajo estilo We0 AI, el arnés debe ayudar a los equipos a definir instrucciones, ejecutar verificaciones repetibles, comparar salidas de agentes y conservar suficiente contexto para la revisión. El objetivo no es ralentizar
adopción. El objetivo es hacer que la delegación sea lo suficientemente predecible como para generar confianza.
No compares a Claude Cowork, Claude Code, Codex, GitHub Copilot, Cursor o agentes internos por "intuiciones".
Utiliza tareas reales y haz cinco preguntas:
Ejecuta cada tarea más de una vez. Los agentes son estocásticos. Una única ejecución impresionante no demuestra fiabilidad, y una única ejecución fallida no demuestra que el sistema sea inútil.
También mide la carga de revisión. Si un agente crea un artefacto grande que lleva más tiempo verificar que realizar la tarea manualmente, no está ayudando. Un agente útil reduce el coste de llegar a una decisión con confianza. No se limita a generar más resultados.
La versión móvil y web de Claude Cowork forma parte de un cambio más amplio.
AWS está convirtiendo los arneses de agentes en infraestructura gestionada en la nube. El agente en la nube de GitHub Copilot admite codificación en segundo plano y flujos de trabajo de pull request. Claude Code, Codex, Cursor y los agentes internos están impulsando a los equipos hacia trabajos asíncronos que utilizan herramientas. Los debates de investigación sobre ingeniería de arneses también sugieren que mejores sistemas de agentes dependerán de entornos, herramientas, bucles de retroalimentación y evaluación más sólidos.
Estas son historias de producto diferentes, pero apuntan a la misma realidad operativa: los productos de IA se están convirtiendo en sistemas.
Necesitan:
La era de "pegar prompt, obtener respuesta" no ha terminado. Pero para equipos serios, ya no es la frontera.
Este es un plan práctico de despliegue en 30 días.
Enumera cada herramienta de agente que use tu equipo.
Para cada herramienta, registra:
Esto le da al equipo una línea base clara.
Divide las tareas en bajo, medio y alto riesgo.
Esta política debe estar por escrito. Si una categoría de tarea no está clara, trátala como de riesgo medio o alto hasta que el equipo decida lo contrario.
Selecciona unas 20 tareas reales del mes anterior.
Incluye:
Ejecuta los flujos de trabajo actuales y al menos una configuración de agente alternativa. Rastrea finalización, tiempo de revisión, coste, fallos y sorpresas.
Añade o mejora:
Si una tarea
no puede verificarse, no debe delegarse sin un propietario humano claro.
El acceso móvil debe diseñarse en torno a controles estrechos, no a autoridad amplia.
Un flujo de trabajo móvil seguro puede permitir a los usuarios:
No debería permitir casualmente a los usuarios:
Esto no significa que el control móvil sea malo. Significa que el control móvil debe limitarse a los tipos de decisiones que pueden tomarse responsablemente desde una pantalla pequeña.
El soporte móvil y web de Claude Cowork es importante porque muestra hacia dónde se dirigen los productos de agentes. El trabajo con IA será persistente, entre dispositivos, asíncrono y basado en herramientas.
Los equipos que traten a los agentes solo como autocompletados más inteligentes perderán el cambio. Los equipos que traten a los agentes como colegas totalmente confiables crearán riesgos evitables.
El camino más seguro es la delegación controlada: alcances de tarea estrechos, permisos explícitos, registros persistentes, validación determinista, enrutamiento de modelos y revisión humana en los momentos adecuados.
Claude Cowork es el producto de trabajo agéntico de Anthropic que permite a Claude manejar tareas a través de archivos, herramientas y flujos de trabajo mientras el usuario revisa el resultado final. Su soporte web y móvil hace que el flujo de trabajo sea más persistente y entre dispositivos.
El acceso móvil es importante porque cambia la forma en que los usuarios interactúan con los agentes. En lugar de permanecer en una sesión de escritorio, una tarea puede continuar en segundo plano mientras el usuario verifica el progreso, responde preguntas o revisa el estado desde otro dispositivo.
Un arnés de agente es el sistema que rodea al modelo y que gestiona el contexto, las herramientas, el estado, los permisos, la validación, los registros y la revisión humana. Es lo que convierte una respuesta del modelo en trabajo controlado.
La aprobación móvil puede ser segura para decisiones estrechas y de bajo riesgo, como aclarar un requisito o verificar el progreso. No debe reemplazar la revisión completa para cambios grandes de código, acciones en producción, datos de clientes, mensajes externos u operaciones destructivas.
Utilicen tareas internas reales en lugar de demostraciones. Comparen la tasa de finalización, la carga de revisión, el costo, la seguridad, la complejidad de reversión, la evidencia de origen y si el agente puede detenerse o redirigirse en los momentos adecuados.
Una buena plantilla debe incluir el objetivo, el contexto permitido, las herramientas permitidas, las acciones prohibidas, el comando de validación, el artefacto esperado, los puntos de aprobación requeridos y las condiciones de detención.
Diferentes tareas tienen diferentes niveles de riesgo y complejidad. Los resúmenes simples pueden no necesitar el modelo más caro, mientras que los cambios de arquitectura, depuración, migraciones y tareas sensibles a la seguridad sí.
las tareas pueden requerir modelos más potentes y una revisión más rigurosa.
El riesgo principal es que el agente pueda seguir usando herramientas, contexto o permisos después de que el usuario deje de prestar atención. Por eso son esenciales el acceso delimitado, los registros, los artefactos revisables y los puntos de aprobación.
El soporte móvil y web de Claude Cowork es más que una actualización de la interfaz de producto. Muestra que el trabajo de los agentes se está volviendo persistente, multidispositivo, asíncrono y con uso de herramientas.
Ese cambio hace que el arnés del agente sea más importante. Los equipos necesitan ámbitos de tarea más claros, permisos más estrictos, registros persistentes, enrutamiento de modelos, validación determinista y aprobación humana en los puntos adecuados.
Un buen siguiente paso no es perseguir cada nueva función de agente. Es construir un pequeño punto de referencia interno, definir niveles de riesgo y hacer que el trabajo delegado sea revisable.
El flujo de trabajo de agente más fuerte no es el que tiene más autonomía. Es el que tiene los límites más claros, la mejor evidencia y la ruta de revisión más segura.
Empieza con una sola frase y obtén un sitio completo en minutos.
