Por Canuto  

Revolut afirma que redujo cerca de 90% el costo de inferencia de IA para programación al pasar de servicios comerciales a modelos de pesos abiertos ejecutados en infraestructura bajo su control. La compañía también reporta mejoras en velocidad de codificación y entrega, aunque su estrategia requirió capacidad de cómputo y meses de optimización.
***

  • Revolut atribuye a los modelos autoalojados de Z.ai una reducción cercana al 90% en sus costos de inferencia para tareas de codificación.
  • La compañía afirma que ejecuta el modelo GLM-5.3 en 56 GPU Nvidia B200, con un costo combinado aproximado de USD $0,30 por millón de tokens.
  • Revolut reportó mejoras de 60% en tiempo de codificación y 70% en tiempo de entrega para unos 2.000 ingenieros.

 

La fintech británica dice que cambió los asistentes comerciales por modelos de pesos abiertos ejecutados en infraestructura bajo su control, una decisión que redujo el gasto y le permitió retirar límites al uso de IA entre sus ingenieros.

Revolut afirma que disminuyó aproximadamente 90% sus costos de inferencia de inteligencia artificial para programación en menos de un año, tras dejar de depender principalmente de servicios como Claude, de Anthropic. La empresa trasladó el uso habitual a modelos de Z.ai, un laboratorio de IA chino, y los ejecuta en infraestructura bajo su control. Según la información publicada por Crypto Briefing, esa transición combinó una reducción de costos con mejoras en el ritmo de desarrollo.

De las cuotas de tokens al acceso cotidiano

David Abitbol, responsable de operaciones de IA en Revolut, presentó las cifras en la conferencia AI Engineer de Nueva York. La compañía desplegó herramientas de programación con IA entre unos 2.000 ingenieros y reportó una mejora de 60% en el tiempo de codificación. También informó una reducción de 70% en el tiempo de entrega, una métrica que considera cuánto transcurre desde que comienza un trabajo hasta que se completa.

Antes del cambio, los equipos utilizaban Claude Code, de Anthropic, y Codex, de OpenAI. El uso de esas API comerciales generaba facturas mensuales de entre USD $1.000 y USD $10.000, de acuerdo con el reporte, y llevó a Revolut a establecer controles presupuestarios estrictos. Entre esas medidas estaba racionar tokens, lo que obligaba a los ingenieros a pensar dos veces antes de delegar una tarea al asistente.

Ese límite contrastaba con el propósito de incorporar herramientas de IA al trabajo diario: reducir tareas repetitivas y acelerar la programación. Al restringir las consultas, el control del gasto podía frenar precisamente el uso que la empresa buscaba promover. Revolut sostiene que el autoalojamiento le permitió retirar ese racionamiento, aunque la información disponible no detalla el costo total de compra y operación de toda la infraestructura.

La empresa comenzó a desplegar GLM-5.1, de Z.ai, en abril de 2026 y luego migró a GLM-5.3. Según los datos citados, este último modelo funciona en 56 GPU Nvidia B200 dentro de la infraestructura controlada por Revolut. La compañía informó un costo combinado aproximado de USD $0,30 por millón de tokens, resultado que atribuye a ejecutar el modelo en sus propios equipos.

El costo de operar los modelos por cuenta propia

Un modelo de pesos abiertos permite descargar sus parámetros y ejecutar el sistema en hardware administrado por quien lo utiliza, en lugar de enviar cada solicitud a una API comercial. En el caso descrito, esa configuración significa que el código propietario no necesita salir del entorno de Revolut para ser procesado por el modelo. La empresa también indicó que ejecuta los modelos en infraestructura de Estados Unidos y mantiene a personas dentro del proceso de revisión.

Ese control tiene una contrapartida: el autoalojamiento exige disponer de capacidad de cómputo, personal con experiencia en infraestructura y tiempo para ajustar el sistema. Revolut trabajó en optimizaciones entre abril y agosto de 2026, una etapa que muestra que el cambio no consistió únicamente en descargar un modelo y ponerlo en marcha. La compañía tuvo que adaptar su despliegue para atender las solicitudes de sus ingenieros.

El reporte atribuye a esas optimizaciones un aumento de 76% en el rendimiento, hasta superar siete solicitudes por segundo. También señala que el tiempo hasta el primer token —la espera entre enviar una consulta y recibir el inicio de la respuesta— cayó cerca de 88%. La latencia promedio quedó entre 1,6 y 1,68 segundos, según las cifras divulgadas.

El costo por millón de tokens, por sí solo, no permite comparar de forma completa el gasto entre una solución comercial y otra autoalojada, pues la segunda requiere hardware e infraestructura propios. Sin embargo, la escala importa en la economía de esta estrategia: Revolut desplegó la herramienta entre unos 2.000 ingenieros, una base amplia de usuarios internos que puede aprovechar la capacidad instalada. La compañía presenta esas cifras como resultados de su implementación, no como una garantía para empresas de cualquier tamaño.

Productividad, seguridad y límites de la comparación

Con el acceso sin racionamiento, los ingenieros pueden delegar actividades de apoyo, como redactar documentación y crear tickets en Jira. Estas tareas no equivalen a escribir funciones centrales del producto, pero forman parte del trabajo cotidiano que consume tiempo de los equipos. Revolut afirma que ampliar el uso de IA facilita que sus desarrolladores incorporen esas labores a su flujo de trabajo.

La compañía también explicó que modelos anteriores, incluido Gemini, habían ofrecido mejoras de productividad de entre 10% y 20%, un resultado que contribuyó a impulsar su cambio hacia el autoalojamiento. La comparación ayuda a entender por qué Revolut buscó una alternativa, aunque el reporte no especifica las condiciones de prueba, las tareas evaluadas ni la metodología empleada para medir cada resultado. Por eso, los porcentajes deben leerse como cifras comunicadas por la empresa.

El caso tiene una dimensión particular porque Revolut es una firma financiera regulada y, según la información citada, mantiene supervisión humana sobre las sugerencias de código. Ejecutar los modelos en infraestructura controlada por la empresa también permite mantener el código propietario dentro de ese entorno. El reporte no afirma que el modelo tome decisiones financieras de manera autónoma: describe su uso como asistente para los equipos de ingeniería.

La experiencia de Revolut ilustra una decisión operativa, no una solución universal: pagar por servicios externos puede evitar la gestión directa de hardware, mientras que operar modelos propios puede ganar atractivo cuando existe suficiente escala y capacidad técnica. En este caso, la fintech reporta menores costos, más velocidad de codificación y entrega, y la eliminación de cuotas de uso para sus ingenieros. La información publicada no detalla el costo inicial de las GPU ni permite determinar cuánto tardó la inversión en compensarse.

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

Artículos Relacionados