Las herramientas de programación con IA aportan un valor enorme, pero su coste crece de forma exponencial y amenaza con superar al ahorro que generan. Este artículo recoge técnicas probadas por grandes adoptantes tempranos como Databricks, Stripe, Coinbase, Uber y Ramp para mantener la inversión bajo control sin sacrificar el acceso de los desarrolladores.
El mayor ahorro proviene de migrar con rapidez a modelos más eficientes. Los autores distinguen entre la frontera de inteligencia (modelos más capaces) y la frontera de eficiencia (modelos con mejor relación calidad-precio), que avanza mucho más deprisa. Para evaluar cada nuevo modelo se necesitan benchmarks internos representativos del trabajo real, ya que los públicos predicen mal el rendimiento en código. Databricks, por ejemplo, desplegó los modelos GLM tras comprobar su competitividad precio-rendimiento, mientras que Stripe descartó Opus 4.7 al no aportar calidad frente a 4.6 con mayor coste.
Para evitar el bloqueo por harness (la interfaz acoplada a cada modelo), las empresas optan por meta-harnesses como Omnigent, que unifican la experiencia del desarrollador y reparten las peticiones entre varios harnesses y modelos. Otra palanca clave es el enrutamiento automático de tareas a modelos más baratos según su complejidad, junto con el desdoble de prompts largos en otros más cortos y la compresión de contexto, técnicas que pueden reducir el gasto entre un 20 % y un 70 %.
Finalmente, los presupuestos mensuales rígidos se reservan como último recurso: cortar el acceso al alcanzar un tope resulta contraproducente. La práctica más extendida es mostrar al desarrollador su gasto en tiempo real y añadir fricciones progresivas (recomendaciones, confirmaciones, topes blandos) a medida que el consumo crece, premiando a los usuarios más eficientes en lugar de penalizarlos.