- Claude Opus 4.7 ofrece importantes mejoras en ingeniería de software avanzada, visión multimodal, memoria y gestión del conocimiento, manteniendo la ventana de contexto de 1 millón de tokens y los precios actuales.
- Esta versión mejora el comportamiento con un seguimiento de instrucciones más literal, un nuevo analizador léxico, parámetros de muestreo más estrictos y un pensamiento adaptativo, lo que requiere actualizaciones de API y de avisos al migrar desde Opus 4.6.
- Los nuevos controles, como los niveles de esfuerzo, los presupuestos de tareas, el uso mejorado de la memoria del sistema de archivos y las medidas de ciberseguridad, hacen que Opus 4.7 sea más adecuado para flujos de trabajo de agentes extensos y agentes autónomos más seguros.
- El modo automático, los resúmenes, el modo de concentración y el ajuste del esfuerzo de Claude Code, combinados con la autoverificación sistemática del trabajo, permiten obtener importantes aumentos de productividad en proyectos de codificación complejos del mundo real.
Claude Opus 4.7 se está implementando como el nuevo modelo insignia de disponibilidad general de Anthropic, y para los desarrolladores se siente mucho menos como una pequeña mejora y mucho más como una nueva generación de herramientas. El objetivo de esta versión es claro: tareas de ingeniería de software más complejas, flujos de trabajo autónomos más extensos, una comprensión multimodal más profunda y un control más estricto sobre la capacidad de procesamiento y el tiempo de ejecución del modelo. Si has llevado al límite las versiones anteriores de Opus con agentes de codificación complejos, tareas de análisis de datos intensivos o automatización basada en visión artificial, esta actualización supone un cambio radical en varios aspectos prácticos.
Lo que realmente destaca es que Anthropic no solo ha aumentado la capacidad bruta, sino que también ha reelaborado comportamientos clave. API y medidas de seguridad De este modo, Opus 4.7 se comporta más como un compañero de equipo fiable que puede dejarse funcionando en tareas de larga duración. El seguimiento de instrucciones es más estricto, la memoria es más utilizable en proyectos reales, la compatibilidad multimodal alcanza una verdadera alta resolución y la plataforma circundante (Claude Code, presupuestos de tareas, niveles de esfuerzo) se ha optimizado en torno a los flujos de trabajo reales de los desarrolladores. Esto significa que tendrás que revisar algunas indicaciones e infraestructura, pero si te adaptas, podrás delegar más tareas tediosas y complicadas que antes.
Lo que Claude Opus 4.7 pretende ser para los desarrolladores
Anthropic posiciona a Claude Opus 4.7 como su modelo más capaz disponible en general, ajustado específicamente para el trabajo "agencial" a largo plazo y las tareas de conocimiento avanzado. En pocas palabras, está diseñado para ejecutar flujos de trabajo de software y datos de varios pasos con menos ayudas, mejores autocomprobaciones y un comportamiento más consistente a lo largo de múltiples iteraciones.
En comparación con Opus 4.6, el nuevo modelo muestra mejoras notables en la ingeniería de software avanzada, especialmente en las tareas más complejas que antes requerían una estrecha supervisión humana. Los primeros usuarios informan que ahora pueden delegar sus problemas de codificación más complejos —incluidas refactorizaciones anidadas, cambios en múltiples servicios y depuraciones complicadas— a Opus 4.7 con mucha más confianza. El modelo no solo genera código; planifica, ejecuta y verifica su propio trabajo con mucha más rigurosidad.
Internamente, Opus 4.7 conserva la misma ventana de contexto de 1 millón de tokens y hasta 128 tokens de salida que hicieron que las versiones anteriores de Opus resultaran atractivas para grandes bases de código y documentos extensos. También es compatible con el pensamiento adaptativo, la conocida plataforma y herramientas de Opus 4.6, y está disponible en todos los lugares habituales: a través de la API de Claude, todos los productos de Claude, Amazon Bedrock, Google Cloud Vertex AI y Microsoft Foundry. El precio se mantiene: aproximadamente 5 dólares por millón de tokens de entrada y 25 dólares por millón de tokens de salida.
Más allá del rendimiento bruto y los límites de tokens, el modelo es deliberadamente más autónomo en la forma en que maneja los bucles "similares a los de un agente". Combinado con nuevos conceptos como los presupuestos de tareas y el parámetro de esfuerzo refinado, Opus 4.7 está diseñado para integrarse en sistemas donde pueda orquestar múltiples pasos (uso de herramientas, edición de archivos, comprobaciones, resúmenes) sin que el control vuelva constantemente al usuario.
Los desarrolladores deben adaptarse a cambios de comportamiento y una mayor capacidad para seguir instrucciones con precisión.
Una de las mayores diferencias que notarán los desarrolladores en su día a día es la forma en que Opus 4.7 sigue las instrucciones al pie de la letra, en comparación con los modelos Claude anteriores. Mientras que Opus 4.6 y sus pares a veces pasaban por alto detalles, generalizaban de un ejemplo a otro o se saltaban discretamente las partes menos claras de una consigna, Opus 4.7 se esfuerza mucho más por ajustarse exactamente a lo que escribiste, y poco más.
Este cumplimiento más estricto de las instrucciones tiene una consecuencia práctica: las indicaciones que antes funcionaban "bastante bien" ahora pueden empezar a comportarse de maneras sorprendentes. Si sus sistemas anteriores dependían del modelo para inferir pasos que usted no había especificado completamente, o para generalizar patrones de un elemento de la lista al siguiente, es posible que ahora vea resultados que parezcan rígidos o incompletos. Por este motivo, Anthropic recomienda revisar y reajustar las indicaciones y los sistemas de integración.
La longitud de la respuesta también se calibra de forma diferente: Opus 4.7 ajusta la verbosidad a la complejidad percibida de la tarea en lugar de recurrir por defecto a un estilo de respuesta de longitud fija. Para preguntas sencillas, las respuestas suelen ser más concisas, mientras que las tareas más complejas, con varias partes o que requieren la intervención de agentes, generan resultados más extensos y detallados. Este tamaño dinámico implica que deberá especificar con mayor claridad la brevedad si su aplicación tiene restricciones de salida estrictas.
El modelo también utiliza menos llamadas a herramientas por defecto y se basa más en su propio razonamiento, a menos que se le induzca deliberadamente a utilizar herramientas aumentando el nivel de esfuerzo. En muchos casos, esto son buenas noticias en cuanto a latencia y coste, pero si su sistema requiere una arquitectura con muchas herramientas (por ejemplo, ejecución de código agresiva, analizadores de código o simuladores), debería comprobar si necesita fomentar un mayor uso de herramientas mediante avisos y ajustes en el esfuerzo.
En cuanto al tono, Opus 4.7 se aleja del estilo excesivamente cálido y centrado en la validación de Opus 4.6 para adoptar una voz más directa y contundente, con menos emojis y menos expresiones del tipo "lo estás haciendo genial". Para las herramientas de desarrollo, esto suele ser una ventaja: se obtienen juicios más claros, críticas más directas y menos eufemismos. Para las aplicaciones de usuario final que se basan en un lenguaje demasiado amigable, quizás convenga dirigir el tono de forma explícita en las indicaciones.
Visión de alta resolución y ventajas multimodales que marcan la diferencia en proyectos reales.
La Opus 4.7 es el primer modelo de Claude con soporte para imágenes de alta resolución auténticas, lo que aumenta el tamaño máximo de la imagen a 2576 píxeles en el lado más largo, o aproximadamente 3.75 megapíxeles. Eso supone más del triple del límite anterior de 1568 píxeles / 1.15 MP, y cambia radicalmente lo que se puede introducir de forma segura en el modelo al tratar con densos artefactos visuales.
Este salto en la resolución permite un mejor rendimiento en cargas de trabajo con gran carga visual: ahora los agentes pueden analizar de forma fiable capturas de pantalla de interfaces de usuario con muchos elementos, diagramas complejos y escaneos de documentos que contienen detalles muy precisos. Casos de uso como agentes informáticos que leen capturas de pantalla completas del escritorio, extraen datos estructurados de gráficos complejos o comparan diseños con precisión de píxel se vuelven mucho más viables sin reducir la escala de todo hasta el punto de perder información.
Anthropic también simplificó el manejo de coordenadas para que las coordenadas internas del modelo coincidan 1:1 con los píxeles reales de la imagen. Esto significa que, al crear cuadros delimitadores, puntos de clic o anotaciones superpuestas, no es necesario ajustar los factores de escala. Es mucho más sencillo indicar "haz clic en (x, y)" basándose en la salida del modelo y confiar en que se corresponde exactamente con la imagen enviada.
Más allá de la resolución pura, Opus 4.7 mejora la percepción y la localización de bajo nivel: es mejor para señalar, medir, contar y realizar tareas granulares similares, y su detección de cuadros delimitadores de imágenes naturales es más precisa. Para los desarrolladores que crean agentes de prueba de interfaz de usuario, canalizaciones de control de calidad visual o bots de análisis de gráficos, estos ajustes, que parecen pequeños, se traducen en menos errores en los cálculos de coordenadas y la detección de objetos.
Por supuesto, existe una contrapartida: las imágenes de mayor resolución consumen más tokens. Si no necesitas una fidelidad adicional, Anthropic sugiere reducir la resolución de las imágenes antes de enviarlas al modelo para controlar el uso de tokens. Pero cuando necesitas cada píxel —por ejemplo, al transcribir datos de gráficos a nivel de píxel o verificar el diseño de las diapositivas hasta el último detalle— los nuevos límites representan una clara ventaja.
Trabajo del conocimiento, finanzas y flujos de trabajo de documentos profesionales
Opus 4.7 no es solo una actualización de código; también obtiene mejores resultados en las pruebas de rendimiento del trabajo intelectual, especialmente en ámbitos como las finanzas y el derecho, donde la precisión y el razonamiento entre documentos son realmente importantes. En la evaluación interna de Anthropic sobre agentes financieros, Opus 4.7 logra un rendimiento de vanguardia y se comporta más como un analista junior competente que como un simple generador de texto.
En las pruebas internas, el modelo produjo modelos y análisis financieros más rigurosos que Opus 4.6, con narrativas mejor estructuradas y supuestos más claros. Además, logró integrar mejor múltiples subtareas (recopilación de datos, modelado numérico, creación de presentaciones) en resultados integrales y coherentes que lucen y se sienten profesionales.
Opus 4.7 también obtiene resultados de vanguardia en GDPval-AA, un referente independiente centrado en el trabajo basado en el conocimiento de gran valor económico en los ámbitos financiero, jurídico y otros relacionados. Esto sugiere que no se trata simplemente de victorias internas aisladas: el modelo supera sistemáticamente a su predecesor en problemas complejos de razonamiento aplicado donde hay dinero real o riesgo en juego.
En lo que respecta a los documentos, Opus 4.7 ofrece un rendimiento notablemente superior en flujos de trabajo que implican la generación y posterior revisión visual de archivos de Office como .docx y .pptx. Se ha mejorado la generación de cambios registrados en archivos de Word, el ajuste de diseños en PowerPoint y la posterior revisión de esos resultados —mediante herramientas o visión artificial— para garantizar que el diseño y el marcado de las diapositivas sean correctos. Si antes sus indicaciones requerían una explicación detallada como «revise el diseño de la diapositiva antes de devolverla», es posible que pueda simplificar algunas de esas instrucciones.
Los gráficos y el análisis de figuras también se benefician de las nuevas ventajas multimodales. Opus 4.7 mejora su capacidad para llamar a herramientas externas, como las bibliotecas de procesamiento de imágenes de Python (por ejemplo, PIL), para inspeccionar gráficos, extraer datos a nivel de píxel y convertir esas visualizaciones en conjuntos de datos estructurados o explicaciones. Esta combinación —llamada a herramientas y visión más nítida— lo convierte en una herramienta mucho más útil en paneles de análisis y flujos de informes.
Memoria, agentes de largo plazo y áreas de trabajo del sistema de archivos
Otra área en la que Opus 4.7 mejora de forma discreta pero sustancial es la memoria, especialmente en configuraciones donde el agente puede escribir y leer desde un archivo de notas persistente o un almacén estructurado. En lugar de tratar cada solicitud como un comienzo prácticamente nuevo, el modelo es mejor decidiendo qué detalles anotar, cómo etiquetarlos y cuándo reutilizarlos en turnos futuros. Además, mejora la tolerancia a fallos en búsqueda distribuida en flujos largos que dependen del contexto persistente.
Si tu agente mantiene un bloc de notas, un documento con apuntes o una base de datos de memoria ligera entre turnos, Opus 4.7 debería mostrar una clara mejora en su capacidad para aprovechar ese contexto externo. Recordará de forma más consistente las decisiones importantes del proyecto, los resultados parciales y las tareas pendientes en trabajos que constan de varias sesiones, lo que reducirá la cantidad de información que necesita repetir en cada solicitud.
Anthropic señala explícitamente que Claude ahora es mejor escribiendo y utilizando memoria respaldada por sistemas de archivos, lo cual es especialmente útil en la codificación compleja o en agentes de investigación. Por ejemplo, si dispone de un bot de refactorización autónomo que realiza un seguimiento de los problemas abiertos, las decisiones arquitectónicas y las pruebas pendientes dentro de un conjunto de archivos, Opus 4.7 organizará y consultará esa información de forma más minuciosa que Opus 4.6.
Si no quieres crear tu propia capa de memoria, Anthropic ofrece una herramienta de memoria del lado del cliente que actúa como un bloc de notas gestionado para Claude. Esto te permite experimentar con agentes de mayor duración (que abarcan sesiones, ramas o incluso semanas de trabajo) sin necesidad de crear previamente una base de datos vectorial completa o un servicio de notas personalizado.
Para seguimientos de agentes a largo plazo, el modelo también tiende a proporcionar actualizaciones de progreso más regulares al usuario. Esto significa que si anteriormente agregaste indicaciones de andamiaje elaboradas solo para forzar mensajes de "estado" periódicos, puedes intentar simplificar y dejar que el comportamiento predeterminado de Opus 4.7 gestione los informes de progreso, particularmente en niveles de esfuerzo más altos en Claude Code.
Seguridad, alineación y medidas de ciberseguridad
En lo que respecta a la seguridad y la alineación, las evaluaciones de Anthropic muestran que Opus 4.7 tiene un perfil de riesgo muy similar al de Opus 4.6, con bajos índices de comportamientos que preocuparían a la mayoría de los desarrolladores: engaño, adulación y cooperación con el mal uso. En varios aspectos, en realidad es un poco más seguro.
El modelo obtiene mejores resultados en cuanto a honestidad y resistencia a ataques maliciosos de inyección de mensajes, lo cual es particularmente relevante si se están creando agentes que ingieren contenido no confiable de la web, el correo electrónico o documentos generados por el usuario. Una mayor resistencia a la inyección dificulta que las entradas adversarias secuestren las instrucciones del modelo o extraigan secretos mediante trucos ingeniosos con las indicaciones.
Sin embargo, existen algunas áreas en las que Opus 4.7 es ligeramente más débil que Opus 4.6; por ejemplo, su tendencia a brindar consejos excesivamente detallados sobre la reducción de daños en relación con las sustancias controladas. Anthropic concluye que el modelo está "en gran medida bien alineado y es fiable, aunque no del todo ideal", y señala que la versión preliminar más experimental de Claude Mythos sigue siendo su modelo mejor alineado según mediciones internas.
Este lanzamiento también marca el inicio del despliegue de medidas de ciberseguridad en tiempo real en un modelo generalizado por parte de Anthropic, tras las investigaciones y los mensajes derivados de su proyecto Glasswing. Opus 4.7 incluye sistemas que detectan y bloquean automáticamente las solicitudes relacionadas con temas de ciberseguridad prohibidos o de alto riesgo, especialmente cuando la intención parece sospechosa.
Es importante destacar que Anthropic distingue entre el uso indebido y el trabajo legítimo en materia de seguridad: si eres un profesional de la seguridad que realiza investigaciones de vulnerabilidades, pruebas de penetración o ejercicios de simulación de ataques (red teaming), te animamos a que solicites tu ingreso en su Programa de Verificación Cibernética. El objetivo de este programa es brindar a profesionales cualificados acceso a las funcionalidades de Opus 4.7 relacionadas con la ciberseguridad, sin abrir la puerta a un uso indebido generalizado, y las lecciones aprendidas aquí guiarán las decisiones futuras sobre la publicación más amplia de modelos de la clase Mythos.
Nuevos controles para desarrolladores: niveles de esfuerzo, pensamiento adaptativo y presupuestos de tareas.
Opus 4.7 introduce un conjunto de "perillas" más sofisticadas para que los desarrolladores puedan equilibrar la capacidad, la velocidad y el costo, con el parámetro del esfuerzo como elemento central. El esfuerzo controla cuánto tiempo reflexiona el modelo antes de responder y con qué agresividad utiliza las herramientas, lo que afecta directamente a la latencia y al uso de tokens.
El cambio principal es un nuevo nivel de esfuerzo extra alto, xhigh, que se sitúa entre high y max y que ahora es el predeterminado para Claude Code en todos los planes. Para casos de uso de codificación y agentes, Anthropic recomienda comenzar con high o xhigh, reservando max solo para los problemas más complejos. Un mayor esfuerzo implica una búsqueda más amplia, un razonamiento más profundo y, en general, una mayor fiabilidad, pero también más tokens de salida y tiempos de ejecución más prolongados.
Opus 4.7 elimina por completo el antiguo concepto de "presupuesto de pensamiento ampliado". Si intentas configurar thinking: {“type”: “enabled”, “budget_tokens”: N}, ahora recibirás un error 400. El pensamiento adaptativo es el único modo “thinking-on” compatible, y las pruebas internas de Anthropic demuestran que, en cualquier caso, supera sistemáticamente a los presupuestos extendidos anteriores.
El pensamiento adaptativo está desactivado por defecto, por lo que las solicitudes sin un campo de pensamiento se ejecutan sin un canal de razonamiento interno explícito. Si su aplicación se beneficia de cadenas de pensamiento más elaboradas, por ejemplo, tareas de planificación complejas o de codificación de varios pasos, debe configurar explícitamente thinking: {type: “adaptive”} para activarlo.
Otra importante novedad son los presupuestos de tareas, que actualmente se encuentran en fase beta pública en la plataforma Claude. Un presupuesto de tareas le da al modelo un objetivo aproximado sobre cuántos tokens usar en todo un ciclo de acción: su razonamiento interno, las llamadas a herramientas, los resultados de las herramientas y la respuesta final. El modelo ve una cuenta regresiva en curso y debe priorizar el trabajo y finalizarlo de manera controlada a medida que se acerca al presupuesto, en lugar de ejecutarse hasta que max_tokens lo interrumpa abruptamente.
Los presupuestos de tareas son orientativos, no límites estrictos, y son conceptualmente independientes de max_tokens. `max_tokens` establece un límite estricto por solicitud para los tokens generados, y es invisible para el modelo. Por otro lado, `task_budget` es un límite flexible, que el modelo reconoce y aplica a todo el bucle. Utilice `task_budget` cuando desee que el modelo modere su ambición en función de un límite preestablecido, y mantenga `max_tokens` como un límite de seguridad para evitar costos excesivos.
Deberás experimentar con los presupuestos de tareas por carga de trabajo: si los estableces demasiado bajos, el modelo podría fallar prematuramente o producir resultados superficiales; si los estableces altos, pagarás más en tokens. Anthropic sugiere no utilizar presupuestos de tareas para tareas abiertas e interactivas donde la calidad es primordial; en cambio, resérvelos para trabajos donde realmente necesite límites superiores deterministas en el consumo de recursos.
Cambios en la API y el tokenizador que afectan la migración desde Opus 4.6.
Aunque Opus 4.7 es una actualización directa desde Opus 4.6, existen varios cambios a nivel de API y diferencias en la tokenización que debes tener muy en cuenta. Ignorar estos aspectos puede provocar errores 400 confusos o aumentos inesperados de costes.
En primer lugar, Opus 4.7 utiliza un nuevo tokenizador que contribuye a mejorar su rendimiento en todas las tareas, pero también modifica la cantidad de tokens que consumen las entradas y salidas. En la práctica, el mismo texto puede usar aproximadamente entre 1.0 y 1.35 veces más tokens que en Opus 4.6, hasta un 35 % más dependiendo del tipo de contenido. Por lo tanto, el punto final /v1/messages/count_tokens mostrará cifras diferentes para Opus 4.7 que para las versiones anteriores.
La eficiencia de los tokens variará según la carga de trabajo, pero las propias pruebas de rendimiento internas de Anthropic sugieren que el uso neto de tokens puede mejorar si se tienen en cuenta un razonamiento más inteligente y una planificación más concisa. Dicho esto, recomiendan explícitamente realizar mediciones con tráfico de producción real y actualizar los parámetros max_tokens para disponer de un margen adicional, incluso para cualquier activador de compactación automatizada que haya configurado.
En segundo lugar, Anthropic ha reforzado el control sobre los parámetros de muestreo: a partir de Opus 4.7, establecer la temperatura, top_p o top_k en cualquier valor que no sea el predeterminado provocará un error 400. La ruta de migración recomendada consiste simplemente en eliminar esos parámetros de las solicitudes y confiar en que las indicaciones guíen el estilo y el determinismo del modelo. E incluso si anteriormente utilizó temperature = 0 para intentar "congelar" las respuestas, tenga en cuenta que el determinismo absoluto nunca se ha garantizado.
En tercer lugar, el contenido de razonamiento se omite de las respuestas de forma predeterminada en Opus 4.7. Seguirás recibiendo bloques de razonamiento en las respuestas en tiempo real, pero su campo de razonamiento estará vacío a menos que lo actives explícitamente. Este cambio discreto mejora ligeramente la latencia y reduce el ancho de banda. Si tu aplicación necesita resúmenes legibles del razonamiento interno del modelo, puedes volver a activarlo configurando la visualización como "resumida" para la salida de razonamiento con un simple ajuste de configuración.
Por último, algunos ajustes de comportamiento que no suponen cambios drásticos en la API pueden requerir actualizaciones inmediatas. Estos incluyen el seguimiento de instrucciones más literal (especialmente en niveles de esfuerzo más bajos), menos subagentes automáticos, menos llamadas a herramientas predeterminadas y el cambio a las actualizaciones de progreso durante largos rastreos de agentes. Anthropic proporciona un guía de migración e incluso una herramienta de migración automatizada a través de la API de Claude para bases de código que utilizan Claude Code o el SDK de Agent.
Claude Code con Opus 4.7: mejoras prácticas para tu flujo de trabajo de desarrollo
Claude Code, el entorno de programación de Anthropic, se ha optimizado en gran medida para Opus 4.7, y Boris Cherny, uno de sus creadores, ha compartido consejos prácticos tras semanas de uso en proyectos reales. En resumen: si estás dispuesto a modificar la forma en que lo utilizas, puedes lograr un aumento notable en la productividad en tareas de ingeniería importantes.
En primer lugar, el nuevo modo automático elimina en gran medida las constantes ventanas emergentes de permisos que solían interrumpir las tareas de larga duración. En lugar de pedirte que confirmes cada edición de archivo o comando, Claude gestiona esas comprobaciones de permisos mediante un clasificador que aprueba automáticamente las acciones seguras. Puedes dejar que Opus 4.7 se encargue de una refactorización, ejecute pruebas o limpie archivos mientras te centras en otra cosa, y luego volver para ver los resultados.
El modo automático está disponible actualmente para los usuarios de Max, Teams y Enterprise, y se puede activar o desactivar rápidamente mediante Shift+Tab en la línea de comandos, o a través del menú desplegable en la aplicación de escritorio y la extensión de VS Code. Una ventaja que a menudo se pasa por alto es la capacidad de ejecutar varios agentes en paralelo, cada uno realizando su propio trabajo exhaustivo, y luego alternar entre ellos a medida que avanzan, sin tener que supervisar cada diálogo de aprobación.
Si no te sientes cómodo con la automatización total, Claude Code ofrece una habilidad llamada /fewer-permission-prompts que analiza el historial de tu sesión para encontrar comandos repetitivos y seguros que aún así activan solicitudes de permisos. Tras el análisis, sugiere comandos que se pueden incluir en la lista blanca de forma segura, eliminando muchas interrupciones de bajo valor y manteniendo las acciones de mayor riesgo bajo aprobación.
Los resúmenes son otra característica que encaja a la perfección con el enfoque a largo plazo de Opus 4.7. Al retomar una sesión que lleva un tiempo en ejecución, Claude ofrece un breve resumen de lo que se ha hecho y lo que queda pendiente. Esto resulta especialmente útil cuando se interrumpe una tarea de refactorización o investigación en curso; en lugar de tener que revisar interminables registros o diferencias, se obtiene un resumen rápido de la situación actual.
Para aquellos que ya confían en el modelo para tareas complejas, el modo de enfoque oculta la información intermedia y muestra solo los resultados finales. Cherny menciona que lo usa cuando no necesita supervisar cada paso de Opus; solo quiere el código finalizado, las pruebas o la documentación. Puedes activar o desactivar el enfoque con el comando /focus directamente en la interfaz de línea de comandos, lo que ayuda a reducir las distracciones durante las sesiones de trabajo concentrado.
El control del esfuerzo también es fundamental en el Código Claude: Opus 4.7 abandona los antiguos presupuestos de razonamiento fijos y se basa completamente en el esfuerzo adaptativo. Puedes ajustar el esfuerzo mediante /effort, y todos los niveles, excepto el máximo, se conservan entre sesiones. La estrategia personal de Cherny consiste en usar un esfuerzo muy alto la mayor parte del tiempo, reservando el máximo absoluto para los problemas más complejos, donde cada pizca de razonamiento adicional cuenta.
Podría decirse que el consejo más importante de Cherny es darle siempre a Claude una manera de comprobar su propio trabajo. Independientemente de la arquitectura, el agente necesita un mecanismo para ejecutar pruebas o flujos de extremo a extremo. En proyectos de backend, esto podría significar un script o comando para iniciar el servidor y ejecutar pruebas de integración; en proyectos de frontend, suele usar la extensión Chromium para que Claude pueda controlar un navegador, mientras que la función de Uso del equipo abarca las aplicaciones de escritorio.
El flujo de trabajo de Cherny integra esta filosofía en una habilidad personalizada de /go que hace que Claude ejecute pruebas, simplifique el código con /simplify y, a continuación, abra una solicitud de extracción. En su experiencia, este tipo de proceso de verificación y posterior envío duplica o triplica fácilmente el valor que se obtiene de Opus 4.7. Se alinea perfectamente con la capacidad mejorada del modelo para validar sus propios resultados antes de informarlos.
Por qué el dicho “primero el trabajo duro, después la pasión” sigue siendo válido al adoptar nuevas herramientas.
Curiosamente, la forma en que Anthropic y los usuarios avanzados hablan sobre el valor que obtienen de Opus 4.7 refleja una idea más amplia sobre las carreras profesionales y el dominio de las habilidades: la pasión tiende a seguir a la competencia, no a precederla. Jensen Huang, de NVIDIA, se ha hecho famoso por refutar el cliché de "simplemente sigue tu pasión", argumentando que las personas que dan ese consejo generalmente ya viven cómodamente, mucho después de haber superado los duros primeros años.
La misma mentalidad se observa cuando la gente describe cómo trabajar con un modelo como Opus 4.7: elige un área en la que puedas volverte realmente fuerte y luego profundiza en ella durante mucho tiempo. En lugar de dejarse llevar por las modas pasajeras, elija un dominio —sistemas backend, automatización de seguridad, ingeniería de datos, herramientas de desarrollo— donde haya una demanda real y donde este modelo pueda consolidar sus habilidades a lo largo de los años, no de las semanas.
Ese plan de acción no parece muy atractivo a primera vista: se mide el progreso en lugar de las sensaciones, se acepta que habrá fricción, aburrimiento y fallos, y se sigue practicando. Los días difíciles no demuestran que hayas elegido el camino equivocado; suelen demostrar que estás trabajando en algo importante. En el contexto de Opus 4.7, esto significa que debes refinar iterativamente las indicaciones, los flujos de trabajo y las revisiones hasta que funcionen correctamente en producción, en lugar de aplicar el modelo a proyectos secundarios al azar y esperar resultados milagrosos.
A medida que vayas adquiriendo dominio, tanto de tu oficio como de las herramientas como Opus 4.7 que lo respaldan, poco a poco te "ganarás el derecho a editar" tu vida y tu pila tecnológica. Ahora que tus habilidades son escasas y confiables, puedes elegir problemas más interesantes, formar mejores equipos y establecer límites más saludables. Al principio, es posible que sacrifiques el equilibrio para invertir mucho en el aprendizaje; más adelante, esa inversión te permitirá recuperar tiempo, control y flexibilidad.
La conclusión práctica para los desarrolladores que adopten Claude Opus 4.7 es sencilla: no se limiten a experimentar, concéntrense en los cambios. Trata el trabajo de migración, la optimización de la respuesta, el esfuerzo y los experimentos con el presupuesto de tareas como si fueran años de práctica que respaldan cualquier habilidad importante. Con el tiempo, así es como se obtienen flujos de trabajo y agentes que realmente transforman la forma de desarrollar software, en lugar de una herramienta más con la que simplemente "jugaste un fin de semana".
En conjunto, Claude Opus 4.7 ofrece un motor más preciso, literal y capaz para la codificación, el trabajo intelectual y las tareas que requieren mucha visión artificial, todo ello envuelto en mejores controles para el razonamiento y el coste, y rodeado de un ecosistema como Claude Code, diseñado para el trabajo de ingeniería real y complejo. Los desarrolladores que se adaptan a estos cambios, replantean sus indicaciones y flujos de trabajo, y dotan al modelo de formas concretas de verificar su propia salida, son los que tienen más probabilidades de sentir que han contratado a un colaborador incansable y obsesionado con los detalles, en lugar de simplemente haber actualizado a una función de autocompletado ligeramente más inteligente.
