Anchor presentó Action Index, una memoria compartida que permite a los agentes de IA reutilizar rutas web exitosas. En pruebas divulgadas por la empresa, la herramienta redujo el costo promedio por tarea y mejoró los resultados de modelos pequeños y abiertos, aunque las cifras corresponden a evaluaciones específicas y no garantizan el mismo desempeño en cualquier sitio.
***

• En 300 tareas de Online-Mind2Web, Anchor reportó 93,3% de éxito para un modelo pequeño con Action Index, frente a 62,7% sin la herramienta.
• La empresa calculó un costo de USD 0,016 por tarea y USD 4,87 por las 300 tareas para el modelo pequeño con Action Index, frente a USD 1,57 y USD 472, respectivamente, para un modelo de frontera.
• Un estudio pareado de 120 tareas registró reducciones de 74% en tokens del percentil 90, 75% en pasos y 61% en tiempo, según Anchor.

🤖 Anchor afirma que su Action Index reduce casi 100 veces el costo de agentes de IA.

En 300 tareas web, un modelo pequeño logró 93,3% de éxito y costó USD 0,016 por tarea. Sin la herramienta, alcanzó 62,7%.

Las cifras corresponden a pruebas de la empresa y no garantizan… pic.twitter.com/kSexeoU6s8

— Diario฿itcoin (@DiarioBitcoin) October 16, 2026

Anchor presenta Action Index y busca reducir casi 100 veces el costo de agentes de IA

Una memoria para dejar de repetir cada clic

Anchor anunció Action Index, una herramienta que busca abaratar el trabajo de agentes de inteligencia artificial en sitios web mediante la reutilización de flujos de navegación ya completados. En lugar de pedirle al modelo que vuelva a decidir cada clic, la propuesta guarda una ruta exitosa como código determinista y reserva la intervención del modelo para los casos en que una página haya cambiado.

La diferencia importa porque muchas tareas digitales combinan acciones repetitivas: abrir una página, localizar un elemento, completar campos y avanzar por una secuencia de pantallas. Según la descripción de la empresa, Action Index permite que un agente recupere un procedimiento que funcionó antes, en vez de gastar recursos de cómputo en reconstruirlo cada vez desde cero.

El anuncio, realizado en Nueva York el 15 de octubre de 2026, presenta la memoria compartida como una capa de infraestructura para agentes que usan navegadores. Anchor sostiene que el sistema puede trabajar con distintos agentes y proveedores de modelos compatibles con MCP, un protocolo que permite conectar modelos con herramientas externas, y también ofrece acceso mediante API REST.

La compañía promociona el lanzamiento con una reducción de costos cercana a 100 veces, aunque sus cifras describen pruebas concretas y no una garantía universal. La comparación principal enfrenta un modelo pequeño equipado con Action Index con un modelo de frontera, por lo que el resultado combina tanto la reutilización de rutas como las diferencias entre las capacidades y los costos de esos modelos.

Resultados de las pruebas y límites de la comparación

En una evaluación de Anchor sobre 300 tareas del benchmark Online-Mind2Web, un modelo pequeño con Action Index completó 93,3% de las tareas y registró un costo medio de USD 0,016 por cada una. Un modelo de frontera alcanzó 93% de éxito con un costo medio de USD 1,57 por tarea, una diferencia de desempeño mínima en ese conjunto y una brecha amplia en el gasto reportado.

Para completar las 300 tareas, Anchor calculó un costo total de USD 4,87 con Action Index, frente a USD 472 para el modelo de frontera. La empresa también indicó que, sin la herramienta, el mismo modelo pequeño resolvió 62,7% de las tareas; esa comparación sugiere que la memoria influyó en la tasa de éxito además de reducir el costo, aunque el anuncio no detalla aquí los parámetros técnicos completos de ejecución.

Los porcentajes deben leerse dentro del alcance del benchmark, no como una medición de todos los usos posibles de un agente de navegador. El rendimiento puede depender de la estructura de cada sitio, de si las páginas cambian y de cómo se definieron las tareas, aspectos que el anuncio no desarrolla en detalle; por eso, la prueba ofrece una señal de desempeño, pero no reemplaza evaluaciones independientes en otros entornos.

Anchor también informó de un estudio pareado independiente con 120 tareas. En esa evaluación, Action Index redujo 74% el uso de tokens en el percentil 90, 75% la cantidad de pasos y 61% el tiempo de reloj, según la empresa. Las métricas aportan otras formas de medir eficiencia, aunque el material difundido no identifica a los responsables del estudio ni describe su metodología con mayor precisión.

Modelos abiertos, acceso y posibles efectos

La empresa afirmó además que Action Index elevó el rendimiento de dos modelos abiertos en las tareas evaluadas. Uno pasó de 67,7% a 88,7% de éxito y el otro, de 58,7% a 84,7%; los datos sugieren que reutilizar procedimientos puede ayudar a modelos con menor capacidad a completar secuencias web, pero corresponden a los sistemas y tareas incluidos en la evaluación de Anchor.

La lógica del producto desplaza parte del trabajo desde el razonamiento repetido hacia la recuperación de una ejecución previa. Si una ruta continúa funcionando, el agente puede seguir instrucciones codificadas y llamar al modelo cuando detecta cambios; esa arquitectura podría reducir las consultas y los pasos innecesarios, aunque su utilidad depende de que las páginas no cambien de forma que invalide la secuencia guardada.

Idan Raman, cofundador de Anchor, resumió la apuesta diciendo que los agentes pagan hoy por resolver de nuevo problemas que ya están resueltos. Añadió que, a su juicio, «el modelo ya no es el cuello de botella para la mayoría del trabajo web» y que la memoria es el factor limitante; también planteó que la centésima ejecución de un flujo de trabajo debería costar una fracción de la primera, a medida que las ejecuciones exitosas alimenten reutilizaciones posteriores.

Action Index está disponible, según Anchor, para todas las cuentas de la empresa, incluido el nivel gratuito, como herramienta en su servidor MCP y a través de la API REST. La compañía indicó que funciona con cualquier agente o proveedor de modelos compatible con MCP y remitió a su documentación técnica; el anuncio no especifica tarifas adicionales ni describe condiciones particulares de uso.

La información fue difundida en una publicación de TechnologyWire recogida por The Next Web, que advirtió que se trataba de un comunicado de terceros y que su equipo editorial no participó en su elaboración. Esa atribución es relevante porque los resultados cuantitativos citados proceden de las evaluaciones presentadas por Anchor, y el material disponible no aporta una réplica independiente de las cifras centrales del benchmark.

El lanzamiento plantea una vía para contener costos en tareas web repetitivas sin depender exclusivamente de modelos más grandes, pero deja abierta la pregunta de cuánto se conserva esa ventaja cuando cambian las interfaces o se multiplican los tipos de tarea. Para desarrolladores y empresas, la comparación útil será probar la herramienta en sus propios flujos y contrastar costo, tasa de éxito y tiempo, sin asumir que una mejora observada en un benchmark se trasladará automáticamente a cualquier operación.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín