Segun MarkTechPost (AI/ML News), un equipo compuesto por investigadores de Microsoft Research y la Universidad de California en Berkeley ha presentado TokenEconomizer, una herramienta abierta que optimiza el gasto en agentes de codificación. Esta solución no modifica el código base de los modelos ni sus pesos internos, sino que actúa como un controlador de costos que aprende de sesiones anteriores en repositorios para evitar redundancias en nuevas ejecuciones. La herramienta está diseñada para integrarse con plataformas como Claude Code, Codex, GitHub Copilot CLI y Pi, funcionando sin necesidad de acceso a GPU ni clave de API propia.
La eficiencia de TokenEconomizer se evalúa mediante el conjunto de tareas SWE-Bench, donde logra reducir el costo promedio entre un 18,4% y un 30,9%, dependiendo del modelo y la configuración. En condiciones específicas, alcanza una disminución del 30,9% al usar Claude Code con el modelo Opus 4.8, cifra que se eleva al 33,2% cuando se combina con el módulo RTK. Sin embargo, en pruebas sobre auditorías de repositorios como ReposVul, los ahorros son más bajos, oscilando entre un 6,4% y un 9,3%. Además, en el caso del modelo Opus 4.8, la precisión inicial (Pass@1) disminuye en un punto, lo que indica una posible pérdida de calidad en ciertos escenarios.
Los investigadores identificaron tres principales fuentes de desperdicio en los agentes de codificación. Primero, el uso repetitivo de operaciones pasadas: en 60 tareas del SWE-Bench, alrededor del 30% de las llamadas a herramientas se repiten en tareas posteriores. Segundo, la carga innecesaria de esquemas de herramientas: cada interacción carga 23 esquemas, de los cuales solo 16 son utilizados, y 3 abarcan el 98% de los casos. Tercero, bucles de fallo: 10 ejecuciones fallidas representan el 17% de las tareas, pero se traducen en un 32% del gasto total. Estos hallazgos resaltan la necesidad de mecanismos que detecten y eviten patrones ineficientes.
La herramienta se presenta como un paquete estándar en Python, compuesto por bibliotecas y plugins interactivos, con tres mecanismos de ajuste. Su funcionamiento se basa en el análisis histórico de sesiones para predecir y evitar acciones repetitivas o inútiles. Aunque supera a estrategias abiertas como RTK, Serena o RepoMap en algunos casos, no es universal: en entornos como SymPy, aumenta los costos. Esto indica que su efectividad depende del contexto técnico y de la naturaleza de los proyectos.
Para los profesionales del desarrollo en Perú, donde el acceso a infraestructura de alto rendimiento es limitado y los costos de herramientas de inteligencia artificial pueden ser significativos, esta solución ofrece una alternativa viable. Al permitir ahorrar hasta un 30,9% en gastos sin requerir hardware especializado, TokenEconomizer puede facilitar el uso de inteligencia artificial en entornos más pequeños y económicos. Este avance sugiere que incluso los equipos sin grandes recursos pueden beneficiarse de tecnologías avanzadas, alineándose con el crecimiento de la innovación en el sector tecnológico local.