Los agentes de inteligencia artificial que programan tienen un problema de memoria, y sale caro. A menudo, cuando un desarrollador abre una sesión con Claude Code, Codex o GitHub Copilot CLI, el agente empieza casi de cero: vuelve a averiguar cómo se ejecutan las pruebas del proyecto, carga herramientas que no va a usar y repite enfoques que ya fallaron.
Cada uno de esos pasos consume tokens, las unidades de texto por las que pagan quienes usan estos modelos. Investigadores de Microsoft y de la Universidad de California en Berkeley proponen una solución: un complemento que aprende de las sesiones anteriores para gastar menos en las siguientes. Se llama TokenEconomizer y, según sus autores, rebaja el coste medio por tarea entre un 18,4 % y un 30,9 %, según la combinación de agente y modelo.
Dónde se van los tokens
Primero, los investigadores estudiaron cómo trabaja Claude Code, el agente de programación de Anthropic, en 60 tareas de SWE-Bench, una prueba con errores reales de proyectos de código abierto. Encontraron tres tipos de despilfarro, según explican en el blog de Microsoft Research:
- Redescubrir lo que ya sabía: cuando el agente llevaba al menos cinco tareas resueltas en un mismo proyecto, el 30 % de sus llamadas a herramientas repetía una acción de una tarea anterior en ese mismo proyecto.
- Pagar por herramientas que no usa: el agente recibía en cada turno la descripción de 23 herramientas, y nunca llegó a usar 16 de ellas.
- Atascarse en los fallos: las tareas fallidas, solo el 17 % del total, se llevaron el 32 % del gasto.
Los autores probaron también tres complementos de código abierto que ya intentaban reducir costes con una estrategia fija. Cada uno ahorraba en algunos proyectos, pero no en otros. Su conclusión es que el ahorro tiene que adaptarse a cada proyecto.
Cómo funciona
Al terminar cada sesión, TokenEconomizer lee lo que ha hecho el agente y actualiza lo que sabe de ese proyecto. Después actúa de tres formas:
- Microhabilidades: apunta en notas de una línea los conocimientos propios del proyecto, como la forma de ejecutar las pruebas. Solo las añade cuando varias sesiones han confirmado el patrón, y las retira si la experiencia posterior lo contradice.
- Poda de herramientas: quita al agente las herramientas que, por la experiencia en ese proyecto, probablemente no va a usar. Mantiene siempre las básicas, como ejecutar comandos o editar archivos, y puede recuperar las demás si hacen falta.
- Intervención en bucles de fallos: cuando el agente parece repetir el mismo error, un segundo modelo de IA hace de juez y decide si de verdad se ha atascado. Si es así, le sugiere otro enfoque. Y si sigue atascado, avisa al desarrollador en lugar de detener el trabajo.
Lo interesante es que no modifica ni el agente ni el modelo de IA que hay detrás. Funciona como un añadido que solo usa las opciones que el propio agente ya ofrece.
Los resultados
Los investigadores lo probaron en 277 tareas de SWE-Bench de seis proyectos distintos, con cinco combinaciones de agente y modelo. En cada proyecto, TokenEconomizer empezaba sin ninguna experiencia previa.
Según los autores:
- El coste medio por tarea bajó entre un 18,4 % y un 30,9 %, según la combinación. El cálculo incluye lo que gasta el propio TokenEconomizer.
- El ahorro llegó a todos los proyectos probados. El porcentaje de tareas resueltas al primer intento subió en cuatro de las cinco combinaciones, aunque bajó un punto en la quinta, la de mayor ahorro: Claude Code con el modelo Opus 4.8.
- Las primeras tareas pueden salir algo más caras mientras la herramienta aprende, pero en las pruebas con Claude Code, a partir de la sexta tarea, el gasto acumulado ya era menor en todos los proyectos.
- En otros trabajos el ahorro es menor: entre un 16 % y un 21,2 % en desarrollo web, y entre un 6,4 % y un 19,6 % en auditorías de seguridad, donde cada tarea se hace en un proyecto distinto y hay menos experiencia que aprovechar.
Los autores lo comparan con la alternativa más obvia para ahorrar: pedir al modelo que razone menos. Eso ahorraba lo mismo o más, pero empeoraba claramente los resultados.
Son cifras de los propios autores, recogidas en su artículo científico, que todavía no ha pasado revisión por pares.
De código abierto y para los agentes más usados
TokenEconomizer es de código abierto, con licencia MIT, y está disponible en GitHub, donde ya suma más de 7.000 estrellas. Funciona con Claude Code, Codex, GitHub Copilot CLI y Pi, y de forma experimental con otros, como opencode, Cursor Agent o Hermes Agent.
No necesita una clave de acceso propia: sus consultas a modelos de IA pasan por el agente del usuario, y su coste ya está incluido en las cifras de ahorro. Además, guarda lo que aprende en el ordenador del desarrollador.
El trabajo lo firman investigadores de Microsoft Research, Microsoft Security y la Universidad de California en Berkeley, entre ellos el profesor Ion Stoica y Jianfeng Gao, Technical Fellow y vicepresidente corporativo de Microsoft.
Por qué importa
El coste de los agentes de IA es una preocupación creciente. Cada vez más empresas los usan a diario y hasta empleados sin formación técnica crean con ellos sus propias herramientas. Y cuanto más trabajan los agentes, más tokens consumen: hemos visto cómo los modelos más potentes pueden costar varias veces más por tarea que sus rivales.
TokenEconomizer apunta a una idea sencilla: que los agentes de IA no solo aprendan a resolver tareas, sino también a no repetir el trabajo que ya hicieron. Como resumen sus autores, la experiencia puede hacerlos más eficientes sin cambiar el agente ni el modelo.
La fotografía de representación de este artículo pertenece a Zan Lazarevic y ha sido publicada en Unsplash.

