La métrica con la que calculabas el coste de la IA se está quedando obsoleta.
Hasta ahora, la mayoría de las empresas optimizaba cada llamada a un modelo:
→ Cuántos tokens consume (las unidades de texto que procesa la IA)
→ Qué modelo utiliza
→ Qué proveedor ofrece el mejor precio
Pero los agent swarms cambian las reglas.
Un agent swarm es un enjambre de agentes de IA: varios agentes especializados que colaboran, se reparten tareas y trabajan en paralelo para resolver un objetivo.
Y cuando tienes decenas de agentes investigando, tomando decisiones y utilizando herramientas al mismo tiempo, el coste deja de ser lineal.
Una petición ya no equivale a una llamada.
Ahora también importa:
🟢 Cuántas tool calls se ejecutan en cascada (acciones que los agentes realizan en buscadores, bases de datos, APIs o aplicaciones)
🟢 Cuánta latencia acumula toda la cadena (el tiempo total que tarda el sistema en completar la tarea)
🟢 Cuál es el failure rate de la orquestación (el porcentaje de tareas que falla porque uno o varios pasos no funcionan)
🟢 Cuántos intentos necesita el sistema antes de obtener una respuesta válida
Por eso, el TCO (coste total de operar una tecnología) ya no debería medirse únicamente como:
❌ Precio por millón de tokens
Sino como:
✅ Precio por tarea resuelta correctamente
Porque un sistema barato por llamada puede terminar siendo muy caro si necesita 40 agentes, 200 acciones y varios reintentos para completar una sola tarea.
Es como medir el coste de un viaje mirando únicamente el precio del combustible, sin contar el tiempo, los peajes, las averías ni si realmente llegaste al destino.
Ya no se trata de demostrar cuánto cuesta usar un modelo.
Se trata de demostrar cuánto cuesta conseguir un resultado de negocio.
Cursor ha publicado recientemente cómo están gestionando este reto en producción. Dejo el enlace en comentarios.