Las cinco historias más leídas esta semana giran en torno a un mismo problema: cómo convertir un modelo de IA en una herramienta práctica y útil para los usuarios. Desde colaboraciones en la escritura de código hasta mejoras en la interfaz y tutoriales sobre optimización, todas las novedades subrayan la importancia del harness, ese conjunto de software que rodea y facilita el uso del modelo aportando contexto, conectando herramientas, dirigiendo el trabajo y revisando resultados.
El gran anuncio lo protagonizó Zed, que está reinventando la forma en que los desarrolladores revisan código generado por agentes inteligentes. Por su parte, OpenRouter ofrece a las empresas mayor control sobre dónde se procesan sus peticiones, mientras que Anthropic unifica su interfaz para evitar confusiones entre modos de trabajo. Además, un nuevo benchmark revela las limitaciones actuales de los agentes de codificación y un tutorial explica cuándo es posible evitar llamar al modelo para reducir costes.
Para finales de semana, el índice AI Gateway de Vercel informó que el precio medio por token descendió un 23,2 % en agosto, marcando la tercera caída mensual consecutiva. Así, la inferencia con IA resulta cada vez más económica, lo que impulsa a las compañías a invertir en el entorno que rodea a la inferencia. Zed, OpenRouter y Anthropic han centrado esta semana su esfuerzo en comercializar precisamente ese ecosistema. 
Zed y Anthropic eliminan obstáculos operativos
El miércoles, dos empresas abordaron un reto común: facilitar la organización del trabajo para optimizar su ejecución.
Zed lanzó en beta pública Delta, un sistema de colaboración para código basado en hilos compartidos en lugar de en las tradicionales pull requests. Al mismo tiempo, Anthropic unificó sus servicios Claude Chat y Cowork bajo una única interfaz, eliminando la necesidad de decidir previamente en qué modo se encuadra cada tarea.
El artículo sobre Zed fue la pieza más leída, duplicando la atención recibida por cualquier otro contenido, una clara señal del interés que despierta este nuevo enfoque. Nathan Sobo, CEO de Zed, resumió el fenómeno: “Parece que todo el mundo compite por reemplazar GitHub en este momento”.
Su argumento se centra en que la comparación tradicional de cambios (diff) muestra dónde ha terminado un agente, pero no recoge la conversación que llevó a esa modificación, dispersándola en otros espacios. Delta mantiene esa conversación vinculada directamente al código y su base de datos registra los cambios con un detalle al nivel de edición.
En cifras, 33 miembros del equipo de Zed realizaron 570 cambios en la rama principal de Delta sin abrir ninguna pull request, lo que subraya cómo este sistema integra la colaboración y el control. El propio repositorio público de Zed sigue aceptando solicitudes tradicionales, lo que indica un proceso de transición. Mientras tanto, GitHub reportó 2.900 millones de commits en agosto, a pesar de una caída del sistema que duró casi ocho horas, reflejando la activa dinámica global de desarrollo.
La apuesta de Sobo es que los hilos de conversación serán la unidad fundamental en el desarrollo de software de cara al futuro. Esta transformación no es exclusiva de Zed: herramientas como Origin de Cursor y Project Switch de GitLab también representan intentos por reimaginar la colaboración para agentes automatizados.
Anthropic, por otra parte, se ha centrado en simplificar la experiencia del usuario con IA. La integración de Cowork en Claude Chat elimina la confusión sobre dónde debe insertarse cada tarea. Esta actualización ha comenzado su despliegue para usuarios Pro y Max, con planes de extenderse. Según sus declaraciones, “Las personas usaban ambas plataformas y lo frustrante era decidir dónde colocar cada tarea”.
Desde mi experiencia, eliminar esta elección mejora notablemente la comprensión de las capacidades y el flujo de trabajo, facilitando así la adopción y efectividad del sistema.
La economía refuerza la importancia del harness
OpenRouter ha hecho disponible para clientes comerciales y empresariales su sistema de enrutamiento regional dentro de EE. UU. Esto garantiza que las peticiones procesadas por su punto de acceso en Estados Unidos se desci-fran y sirvan localmente o se rechacen si no se cumple esta condición, una característica crítica para cumplir con regulaciones y políticas de privacidad.
Según datos recientes, aproximadamente el 60 % del consumo de tokens desde EE. UU. en OpenRouter proviene de modelos de peso abierto, con gran parte del tráfico asociado a modelos chinos manejados en centros de datos estadounidenses como DeepSeek V4 Pro, Kimi K3 y GLM 5.2.
El origen del modelo y el lugar donde se procesa la información son aspectos diferentes, y OpenRouter ofrece control completo sobre este segundo punto, una ventaja que, según una encuesta global de Deloitte, valoran el 77 % de las empresas al elegir proveedores de IA.
La reciente adquisición anunciada por Stripe de OpenRouter por aproximadamente 8.000 millones de dólares refleja la relevancia estratégica de esta capa intermedia.
El AI Gateway Production Index de Vercel, publicado el 17 de septiembre de 2026, añade otra perspectiva económica:
Los modelos de peso abierto dominan en volumen, pero los cerrados retienen la mayor parte del gasto
| Modelos | Porcentaje de tokens | Porcentaje del gasto estimado |
|---|---|---|
| Modelos de peso abierto | 56% | 14% |
| Modelos de peso cerrado | 44% | 86% |
| Anthropic, todos los modelos | n/d | 64% |
| GPT-6 Astra, primeros 12 días tras lanzamiento | n/d | 7,7% |
Fuente: Índice de producción AI Gateway de Vercel, septiembre 2026. Datos estimados a partir de precios publicados, por lo que los gastos reales pueden variar.
Por primera vez, los modelos abiertos superaron el 50 % del volumen de tokens en el gateway de Vercel, aumentando significativamente desde un 7 % reportado en diciembre de 2025. Además, para los equipos que consumen más de 10 millones de tokens, el pago medio por token disminuyó un 7,6 % en comparación con julio, que registró una bajada del 2,9 %.
¿Qué justifica entonces el coste mayor de los modelos cerrados? Boris Renski, CEO de Apelogic, empresa especializada en integración de agentes IA, sostiene que gran parte de ese precio extra se destina a infraestructura empresarial: integración de identidad, conectores y sistemas de monitorización. Para ejemplificarlo, el director ejecutivo de CNCF, Jonathan Bryce, manifestó que pagar diez veces más para disponer de una ventaja competitiva durante cuatro meses es “una muy cara forma de dependencia”.
Estos modelos cerrados siguen acaparando la mayoría del gasto porque ofrecen capacidades que las alternativas económicas no siempre pueden garantizar.
En este escenario de reducción constante del coste de inferencia, la presión recae sobre la mejora del entorno o harness. Anthropic ha invertido la semana en simplificar su plataforma con una interfaz consolidada y materiales formativos, un cambio que puede ser más relevante para los usuarios que la mera potencia de un nuevo modelo.
El entorno debe justificar su valor
Amanda Caswell ha presentado el benchmark Real-SWE desarrollado por Specific Labs para evaluar agentes de IA en bases de código reales y privadas. Los resultados revelan las actuales limitaciones en el rendimiento para las tareas de programación complejas.
El mejor resultado lo obtuvo Claude Fable 5.1 a través de Claude Code con un 38,8 % de éxito, seguido por GPT-6 Astra y Codex CLI con un 33,8 % y Gemini 3.8 Flash con Gemini CLI alcanzando un 31,2 %. Ninguno consiguió superar el 40 %, y la tarea más crítica, el reductor de flujo analítico, no fue resuelta en ninguna de las 64 pruebas realizadas.
Este benchmark, aunque limitado a 10 tareas con ocho intentos por modelo, incluye el entorno y las herramientas en la evaluación, mostrando que incluso con ayuda, los agentes no logran manejar bien proyectos de programación distribuidos en múltiples archivos (media de 11 por solución en este caso frente a 6 en benchmarks públicos).
Las principales causas de fallo fueron requisitos omitidos y errores de integración, lo que refleja que disponer de información no es garantía de que sea interpretada correctamente o verificada.
La solución técnica pasa por lograr que contexto, herramientas y procesos de verificación operen de forma conjunta y eficaz. También es clave identificar circunstancias en las que no es necesario invocar el modelo, ahorrando recursos.
En este sentido, Abhilash Rao Mesala, ingeniero senior de datos en Meta, ha publicado una guía práctica para el almacenamiento en caché de respuestas de modelos de lenguaje. Su ejemplo muestra cómo, a partir de un millón de llamadas mensuales a 0,006 dólares por llamada (6.000 dólares), se puede reducir el coste hasta 2.550 dólares con una tasa de aciertos del 60 % en la caché, más 150 dólares en gestión de embeddings y almacenes vectoriales, logrando un ahorro del 57,5 %.
El principal desafío es determinar cuándo una respuesta almacenada sigue siendo válida y relevante.
Complementariamente, Ida Silfverskiöld ha publicado un artículo en Towards Data Science sobre cómo ahorrar costes en tokens mediante técnicas como almacenamiento en caché de prompts, enrutamiento de modelos y limitación del contexto innecesario en agentes.
Aunque en estos momentos la IA genera ciertas preocupaciones, es destacable que el coste de inferencia continúa descendiendo y que las plataformas invierten en perfeccionar el ecosistema que rodea a los modelos, elementos ambos fundamentales para la adopción masiva de la inteligencia artificial.
