Los agentes de IA cambian la economía de los modelos: la señal detrás de los 8 billones de tokens de DeepSeek

El dato de 8 billones de tokens en un solo día reportado en OpenCode no habla únicamente de la popularidad de un modelo. Es una señal de que está cambiando la unidad económica de la IA: los desarrolladores ya no pagan solo por una respuesta, sino por un ciclo de trabajo de un agente.

Ese ciclo puede consistir en leer un repositorio, plantear un plan, modificar archivos, ejecutar un programa, analizar el error y volver a intentarlo. Frente a la pregunta y respuesta de un chatbot, ese proceso multiplica el contexto, las llamadas a herramientas y las revisiones.

OpenCode informó que DeepSeek V4 Flash procesó 8 billones de tokens el 1 de agosto: 5 billones procedían de pruebas gratuitas y 3 billones de su oferta Go de pago. Por separado, el ranking semanal de OpenRouter para el período del 27 de julio al 2 de agosto situó a V4 Flash en 7,22 billones de tokens durante toda la semana en esa plataforma. Son cifras comunicadas por las plataformas, no una auditoría independiente del uso global del modelo, pero dejan ver la escala que pueden alcanzar los flujos de trabajo con agentes. 202329

Por qué los agentes consumen tantos tokens

Una consulta aislada a un chatbot suele tener un prompt breve y una respuesta acotada. Un agente de programación, en cambio, puede necesitar conservar y revisar una gran cantidad de información:

• archivos de código fuente;
• salida de la terminal;
• resultados y fallos de pruebas;
• decisiones tomadas en pasos anteriores;
• parches generados;
• nuevas llamadas a herramientas tras cada intento.

En los datos publicados por OpenCode para V4 Flash, la sesión media ronda los 12 millones de tokens y la proporción de caché de entrada alcanza el 95 %. Estas métricas no demuestran que cada sesión sea un trabajo de programación totalmente autónomo, pero sí encajan con tareas largas e iterativas, no con conversaciones cortas convencionales. 25

La consecuencia es importante: nadie valora los tokens por sí mismos. Lo que se valora es una solicitud de cambios aceptada, una batería de pruebas superada, un prototipo funcional o un proceso correctamente terminado.

Una forma práctica de comparar modelos es esta:

Coste por tarea aceptada = coste total del modelo y del ciclo de herramientas ÷ probabilidad de que la tarea cumpla el estándar exigido.

En ese coste entran los intentos fallidos, las repeticiones, la revisión humana, la latencia y el arreglo de errores. Las tarifas publicadas de entrada y salida son solo una parte de la factura real.

Cuando reintentar es barato, cambian los casos de uso

La información publicada sobre V4 Flash citaba una tarifa oficial de 0,14 dólares por millón de tokens de entrada y 0,28 dólares por millón de tokens de salida. 12 Con esos precios, resulta económicamente más factible mantener contexto, ejecutar más pruebas automatizadas y permitir que un agente haga varios intentos antes de entregar un resultado.

Eso no significa que el modelo más barato sea siempre la mejor elección. La clave es que, en trabajos rutinarios con muchos pasos, una diferencia moderada de calidad puede quedar compensada por una diferencia muy grande de coste.

Un ejemplo de comparación situó a V4 Flash Max en 50 puntos y a Claude Opus 4.8 Max en 56 puntos en el Intelligence Index v4.1 de Artificial Analysis. Sin embargo, el coste reportado para ejecutar la suite completa fue de 72,02 dólares frente a 3.752,55 dólares. La distancia de seis puntos no implica que ambos modelos sean igual de fiables en producción, pero evidencia que la relación entre capacidad y gasto puede ser drásticamente distinta. 16

Para tareas difíciles o de alto impacto, un modelo prémium aún puede ser más barato por resultado aceptado si reduce de forma sustancial los despliegues fallidos, la supervisión humana o el retrabajo. La conclusión no es usar el modelo más económico en todo, sino asignar cada tarea según el coste total de lograr un resultado aceptable.

La «línea de corte» presiona sobre todo al segmento medio

La expresión «línea de corte de DeepSeek» debe entenderse como una metáfora de mercado. Describe la presión sobre los modelos que cuestan mucho más que una alternativa barata y cercana a la frontera de capacidad, sin aportar una mejora claramente visible en el resultado final.

El efecto no es igual para todos los segmentos:

• Modelos baratos de enrutamiento: siguen siendo útiles para clasificar, extraer datos, transformar textos breves y realizar triaje a gran escala. Ahí pesan más la velocidad y el coste unitario mínimo que el razonamiento avanzado.
• Modelos insignia prémium: conservan un papel en los casos más exigentes, como razonamiento de largo recorrido, alta fiabilidad, trabajo multimodal, requisitos de gobernanza o tareas donde la revisión humana es cara.
• Modelos de gama media: afrontan la prueba más dura. Si cuestan claramente más que Flash, deben justificarlo con mejores tasas de finalización, menor latencia, mejor uso de herramientas, integraciones, soporte o controles empresariales; una pequeña ventaja en benchmarks puede no ser suficiente.

Dicho de otro modo, los modelos baratos para agentes pueden convertirse en el trabajador predeterminado, mientras los modelos prémium pasan a ser especialistas a los que se escala el trabajo complejo. El segmento intermedio tiene que demostrar que reduce el coste total de la tarea.

La arquitectura que apunta a la economía de los agentes

DeepSeek V4 Flash es un modelo de mezcla de expertos o mixture-of-experts (MoE): tiene 284.000 millones de parámetros totales, pero activa aproximadamente 13.000 millones por token, y admite una ventana de contexto de un millón de tokens. 17

La diferencia importa porque separa la capacidad total del modelo de la computación que se utiliza para generar cada token. Su estrategia de eficiencia combina varios elementos:

• Enrutamiento MoE: solo se activa un subconjunto de expertos para cada token, lo que reduce el cómputo activo frente a un modelo denso que ejecutara todos sus parámetros. 17
• Atención híbrida: la familia V4 combina Compressed Sparse Attention (CSA) y Heavily Compressed Attention (HCA), mecanismos diseñados para reducir la carga de atención y memoria en contextos muy largos. 1733
• Menor coste de caché: NVIDIA describe estas innovaciones como un enfoque para reducir un 73 % los FLOPs de inferencia por token y un 90 % la carga de memoria de la caché KV frente a DeepSeek-V3.2 en la comparación citada. 33
• Flujos de trabajo conscientes de la caché: cuando un agente reenvía repetidamente partes coincidentes del repositorio y del historial de herramientas, una alta reutilización de caché puede alterar de forma material el coste efectivo. El 95 % reportado por OpenCode muestra por qué este detalle operativo es relevante. 25

No son simples especificaciones técnicas. Determinan si resulta viable, desde el punto de vista financiero, dejar que un agente examine una base de código grande, use herramientas y se recupere de errores varias veces antes de producir una solución.

La nueva frontera: capacidad, fiabilidad y coste de iterar

Los benchmarks de inteligencia siguen siendo importantes, pero para los agentes no bastan por sí solos. La comparación útil tiene tres dimensiones:

1. Capacidad: ¿puede el modelo resolver esta clase de tarea?
2. Fiabilidad: ¿con qué frecuencia ofrece un resultado aceptable sin intervención costosa?
3. Coste marginal de iteración: ¿cuánto cuesta una llamada adicional a una herramienta, una revisión, una prueba o un intento de recuperación?

El día de los 8 billones de tokens hace visible ese tercer factor. Si los agentes sustituyen a las consultas de una sola vez, el consumo puede aumentar varios órdenes de magnitud. Los modelos que abaratan el contexto largo y los reintentos pueden convertirse en la opción por defecto para cargas amplias y repetitivas de agentes, aunque un modelo insignia más capaz siga siendo preferible para los casos más difíciles. 202533