Mario Zechner advierte que la IA será un juego para ricos si el acceso a tokens sigue encareciéndose

Mario Zechner, creador del agente de programación Pi, trazó un mapa incómodo del auge actual de la inteligencia artificial: más productividad, sí, pero también más dependencia del contexto, de herramientas estables y, sobre todo, del dinero necesario para pagar tokens y modelos avanzados.
***

• Mario Zechner sostiene que la IA podría convertirse en “un juego para ricos” si el acceso a tokens sigue siendo costoso.
• El creador de Pi afirma que equipos pequeños con agentes de programación pueden superar a grupos mucho más grandes si adoptan bien estas herramientas.
• También critica el exceso de hype en torno a la IA y defiende los modelos abiertos como vía para abaratar la inteligencia artificial.

Mario Zechner, desarrollador y creador del agente de programación Pi, ofreció una visión crítica y matizada sobre el momento que vive la inteligencia artificial aplicada al software. Durante una conversación con David Ondrej, planteó que el gran potencial productivo de estas herramientas convive con riesgos claros de desigualdad, sobrecostos y expectativas infladas.

Su diagnóstico parte de una premisa simple. Los agentes de IA ya sirven para acelerar tareas reales, pero no operan en un vacío. Requieren contexto, buenos flujos de trabajo, criterio humano y acceso sostenido a capacidad de cómputo. Cuando ese acceso depende de pagar grandes volúmenes de tokens, la ventaja se concentra en quienes pueden costearla.

En ese sentido, Zechner fue directo al señalar que esto probablemente se convertirá en “un juego para ricos”. A su juicio, quienes poseen los medios de producción, entendidos hoy como la capacidad de pagar por tokens y mejores modelos, parten con una ventaja significativa frente al resto.

La idea conecta con una discusión cada vez más presente en la industria tecnológica. La IA promete democratizar la creación de software y elevar la productividad, pero su infraestructura todavía tiene barreras económicas, técnicas y culturales que podrían ampliar brechas en lugar de cerrarlas.

De Claude Code a Pi: la búsqueda de control y estabilidad

Zechner explicó que utiliza modelos de lenguaje desde 2022, cuando se popularizaron las primeras interfaces avanzadas de OpenAI. Con formación previa en procesamiento de lenguaje natural y machine learning desde los años 2000, vio muy temprano el potencial de estas herramientas para tareas ligadas al desarrollo de software.

Según relató, ese uso empezó a volverse realmente útil recién en 2024 con herramientas como Cursor. Sin embargo, encontró límites importantes. Aunque esos sistemas podían aprovechar partes del contexto del repositorio, seguían muy atados a archivos individuales y carecían de una exploración realmente autónoma del código.

El punto de inflexión, afirmó, llegó en abril de 2025, cuando Peter Steinberger le insistió en que los agentes ya estaban funcionando. El cambio decisivo, en su opinión, vino de darles acceso al computador mediante terminal o bash, para que exploraran por sí mismos una base de código. Zechner describió esa evolución como “búsqueda agéntica”, y la consideró clave para el auge reciente de los agentes de programación.

Durante un tiempo fue un usuario entusiasta de Claude Code. Pero dijo que, hacia julio y agosto de 2025, comenzó a percibir un exceso de funciones, cambios en prompts del sistema y errores que rompían su flujo de trabajo. Eso lo llevó a desarrollar Pi, una alternativa enfocada en estabilidad, minimalismo y mayor control sobre el entorno que rodea al modelo.

Para Zechner, el problema no era solo el modelo subyacente, sino el “harness”, es decir, la capa de herramientas, instrucciones y comportamiento impuesta por la aplicación. Sostuvo que muchos usuarios atribuyen degradaciones a los modelos, cuando a menudo el verdadero origen está en cambios del sistema que los envuelve.

Incluso citó un caso concreto relacionado con el manejo del contexto en sesiones largas. Explicó que, si se eliminan trazas previas de razonamiento tras periodos de inactividad, el agente pierde parte de su memoria funcional dentro de la sesión. A su juicio, eso equivale a “lobotomizar” al modelo en pleno trabajo.

La productividad existe, pero el hype nubla el panorama

Más allá de la crítica técnica, Zechner insistió en que sí ve beneficios tangibles en la IA. Lo que más valora es la posibilidad de experimentar rápido, construir funciones nuevas en pocas horas y probar ideas de producto sin dedicar días o semanas a desarrollos completos.

Describió un uso muy concreto: pedir a un agente que agregue una funcionalidad a un proyecto existente, probarla en una tarde y decidir luego si vale la pena pulirla o descartarla. Para él, ese ciclo de validación acelerado es uno de los grandes desbloqueos que trajo esta generación de herramientas.

Al mismo tiempo, dijo detestar “el hype”. Cuestionó las narrativas que prometen automatización total mediante bucles recursivos o fábricas oscuras de software que trabajan solas. Aseguró que muchos entienden mal por qué ciertos enfoques iterativos funcionan en contextos científicos o de evaluación bien definidos, y por qué eso no equivale a que cualquier especificación escrita termine convertida en producto funcional por pura repetición.

En una referencia al ambiente de conferencias y pasillos del sector, comentó que varias personas le reconocen en privado que muchas de esas promesas no funcionan como se venden, aunque igual deben seguir comercializándolas. Para Zechner, esa distancia entre discurso y realidad debilita la señal útil para quienes intentan adoptar la tecnología con criterio.

También observó un fenómeno sociológico. Tras la caída del atractivo monetario de Web3, parte de ese ecosistema migró hacia la IA. En consecuencia, argumentó, hoy conviven perfiles muy capacitados con otros que no entienden a fondo la tecnología, pero aun así venden visiones exageradas porque existe un incentivo comercial para hacerlo.

Una ventaja para expertos y para quienes pueden pagar

Uno de los puntos más sensibles de la conversación giró en torno a la desigualdad en el acceso. Zechner coincidió en que, al menos por ahora, la IA amplifica la ventaja de quienes ya tienen experiencia en ingeniería de software y de quienes pueden gastar más en herramientas premium.

Señaló que un plan de USD $200 al mes ya deja afuera a gran parte de la población, aunque dentro del sector tecnológico muchos lo perciban como una ganga. Esa desconexión, dijo, se explica porque abundan desarrolladores con ingresos altos para quienes ese desembolso es marginal, especialmente si saben cómo extraer valor de la herramienta.

Su conclusión fue contundente. Si el acceso a los mejores agentes depende de poder pagar más tokens, se crea una ventaja estructural para quienes cuentan con recursos. Por eso defendió la necesidad de abaratar la inteligencia artificial y evitar que se convierta en una tecnología reservada al primer mundo.

En esa línea, celebró la presión competitiva de laboratorios chinos sobre la economía de tokens de las firmas estadounidenses. Sostuvo que esa competencia podría reducir márgenes elevados en inferencia y acelerar una baja de costos que beneficie a más usuarios y empresas.

Modelos abiertos, equipos pequeños y trabajo interno

Zechner se mostró optimista con el avance de modelos abiertos como DeepSeek o Kimi. Dijo que en los días previos había usado Kimi y que su rendimiento ya le parecía suficientemente bueno para muchas tareas reales. Incluso afirmó que puede desplegarlo en su propio clúster de GPU a un costo comparable al de proveedores cerrados.

Más aún, sostuvo que no está claro que los modelos de frontera mantengan una ventaja estable en inteligencia. En algunos verticales, aseguró, ya observa regresiones. Si el nivel actual se mantiene durante los próximos dos o tres años, dijo que se sentiría satisfecho y migraría con gusto hacia modelos abiertos, siempre que el costo y el control acompañen.

Otro punto importante fue el uso interno de agentes dentro de empresas. Tanto Zechner como Ondrej coincidieron en que gran parte del valor no está en lanzar productos públicos nuevos, sino en permitir que empleados no técnicos creen herramientas internas que les ahorren tiempo.

Como ejemplo, Zechner contó el caso de su esposa, lingüista y no programadora. Tras recibir un agente de codificación y un par de noches de instrucciones, pudo automatizar transformaciones de datos, gráficos y scripts en Python para su trabajo académico. Según relató, su producción científica se multiplicó por cinco.

Ese caso resume una de sus tesis principales. El código no necesita ser perfecto si produce ahorro de tiempo y resultados verificables. En su visión, una empresa de seis personas que adopta bien estos agentes puede superar sin problema a un equipo de 50 o incluso 100 personas, sobre todo si ese grupo grande pertenece a una estructura más lenta para adaptarse.

El futuro del trabajo y los límites de la automatización total

Aunque ve cambios fuertes por delante, Zechner no cree que todo el trabajo del conocimiento vaya a desaparecer de inmediato. Recordó que desde hace años surgen promesas de automatización total, primero con otros métodos y ahora con agentes basados en modelos de lenguaje, pero considera que muchos procesos siguen dependiendo de coordinación humana y de factores difíciles de formalizar.

Su postura es que varias tareas sí pueden ser sustituidas, mientras que los trabajadores completos no necesariamente. En especial, dijo ver riesgos para dos grupos: personas mayores con dificultades para adoptar estas herramientas y perfiles junior que podrían ser desplazados por seniors apoyados en agentes.

Ese escenario, advirtió, puede generar un periodo complejo para el mercado laboral, una especie de “chopocalypse”, hasta que las empresas vuelvan a entender que necesitan formar cantera. Si se deja de contratar y entrenar a juniors, eventualmente faltarán seniors que tomen la posta cuando los actuales se retiren.

También trazó una distinción importante entre consumidores digitales y productores digitales. A su juicio, que una generación crezca rodeada de pantallas no significa que sepa construir con tecnología. Mucha gente domina aplicaciones para consumir contenido, pero no sabe crear herramientas ni diseñar sistemas.

Por eso defendió que, incluso en la era de los agentes, el diseño de arquitectura, el criterio técnico y el juicio humano seguirán siendo esenciales. No le preocupa ya la sintaxis, pero sí el pensamiento de sistemas. Y advirtió a los más jóvenes que no dejen que el agente diseñe por ellos, porque gran parte del código de entrenamiento es mediocre.

En el tramo final, Zechner fue más allá del software. Sugirió que los modelos pueden ayudar a verificar ideas humanas, pero no necesariamente originarlas con calidad excepcional. La razón, explicó, está en los datos de entrenamiento. Las trazas sobre implementación abundan, mientras que los procesos de diseño, intuición, gusto y experiencia humana son mucho más difíciles de codificar en tokens.

De ahí su conclusión de fondo. Los agentes y los modelos de lenguaje volverán a las personas mucho más productivas, pero no capturan con facilidad esas partes “blandas” que hacen singular a un creador, a un emprendedor o a un diseñador de sistemas. En otras palabras, la IA puede potenciar el trabajo humano, pero no reemplaza de forma simple aquello que todavía no sabe representar bien.

En la conversación Tokens can make you rich, just do this – Mario Zechner, publicada por David Ondrej el 3 de mayo de 2026, el desarrollador dejó así una advertencia y una oportunidad. La advertencia es que la inteligencia artificial puede profundizar desigualdades si el acceso sigue atado al dinero. La oportunidad es que, si baja el costo y mejora el uso, incluso equipos pequeños podrían competir como nunca antes.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

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