Elegir el modelo de inteligencia artificial más barato parece una manera sencilla de contener el gasto. Margarita Sanz del Río, directiva de GitHub, advierte de que esa decisión puede tener el efecto contrario cuando se mira el trabajo completo. «Pero eso puede acabar costando más», afirma en una entrevista con LA RAZÓN sobre la adopción de estas herramientas en las empresas.
Sanz del Río trabaja en estrategia y operaciones comerciales para la relación entre GitHub y Microsoft. En esa conversación explica que los clientes están intentando entender cómo utilizar el contexto, las integraciones y los distintos modelos. Su advertencia se dirige a una forma concreta de comparar precios: escoger por el coste inicial sin tener en cuenta cuántos intentos harán falta para obtener el resultado.
La directiva lo ilustra con una situación hipotética: «Si utilizas un modelo más barato, con una ventana de contexto más pequeña, pero necesitas hacer cinco iteraciones, a lo mejor te acaba costando más que uno más grande que consume más tokens al principio, pero solo necesita dos iteraciones». La diferencia está en las repeticiones que puede exigir una misma tarea.
Cinco intentos frente a dos: el coste de terminar el trabajo
El ejemplo no compara dos productos identificados ni procede de una prueba de rendimiento presentada durante la entrevista. Explica por qué una tarifa inferior puede perder su ventaja al acumular intentos. Al escoger entre herramientas para programar, el consumo de cada respuesta es una parte del cálculo, junto con lo que cuesta llegar a una solución que sirva.
La propia documentación de GitHub plantea la elección en función del trabajo. Su guía para optimizar el uso de IA distingue entre tareas que requieren razonamiento complejo y cambios rutinarios que pueden resolverse con modelos más ligeros. También advierte de que recurrir siempre al modelo más potente puede aumentar el consumo sin mejorar el resultado. La capacidad debe encajar con la tarea que se está intentando resolver.
Sanz del Río añade otra condición: preparar el contexto y las instrucciones específicas con las que trabaja la herramienta. Aspira a que la elección entre modelos se automatice de manera efectiva, descargando al ingeniero de esa decisión. Su planteamiento sobre la programación con IA requiere explicar bien qué se necesita y proporcionar la información que permita elegir y ejecutar adecuadamente.
La formación también influye en la factura
El cambio comercial que describe, desde las licencias hacia el consumo, obliga además a revisar las prácticas del equipo. «Hay que volver a formar a la gente para que optimice todo lo que pueda», sostiene. Relaciona esa adaptación con la que ya vivieron los desarrolladores con DevOps y con la necesidad de coordinarse con seguridad y operaciones. Los costes del trabajo completo incluyen cómo se utilizan estas herramientas y cómo se evitan errores en el código.
En la relación de GitHub con sus clientes, explica, las peticiones se orientan hacia resultados: modernizar una aplicación, reducir su deuda técnica o abaratar su llegada a producción. Esos objetivos permiten situar la compra en un contexto más amplio que el de una licencia o una tarifa. El resultado que necesita la empresa es lo que debe permitir valorar si la tecnología está cumpliendo su función.
La advertencia conserva un matiz esencial: Sanz del Río dice que elegir el modelo barato puede costar más, sin convertirlo en una regla universal. Su comparación obliga a seguir el recorrido de la tarea hasta terminarla. Precio, contexto e iteraciones cuentan juntos cuando la empresa intenta averiguar cuánto le ha costado realmente conseguir algo útil.
💬 Debate de la Comunidad 0