Uber reduce sus costos de IA mientras el uso de agentes se multiplica

Uber encontró una forma de expandir el uso de agentes de inteligencia artificial sin elevar, según reportes, su gasto total: combina modelos según costo y capacidad, limita sesiones y ajusta la caché de instrucciones.
***

• Las solicitudes semanales a agentes de IA crecieron 9,4 veces desde febrero, mientras reportes indican que el gasto total se mantuvo estable desde abril.
• El costo por cada 1.000 solicitudes cayó casi 34% desde abril y el costo por sesión bajó 52% desde su máximo de junio, según la información disponible.
• Más del 70% de las presentaciones de cambios de código en Uber proviene ahora de agentes de IA, con más de 30.000 tareas diarias, según reportes.

Uber habría estabilizado su gasto total en inteligencia artificial mientras el uso de sus agentes se aceleró, una evolución que muestra cómo las empresas están intentando ampliar estas herramientas sin aceptar facturas cada vez mayores. Según reportes atribuidos a declaraciones de Uday Kiran Medisetty, ingeniero de Uber, las solicitudes semanales a agentes crecieron 9,4 veces desde febrero, aunque el desembolso se mantuvo estable desde abril.

El cambio resulta especialmente relevante porque reportes publicados en agosto señalaron que Uber había agotado en abril su presupuesto de inteligencia artificial para 2026. Meses después, la empresa habría conseguido contener los costos de tokens mientras más empleados incorporaban estas herramientas a sus rutinas. La información disponible no permite confirmar que el aumento del uso haya sido causado por estas medidas, pero sí las presenta como mecanismos plausibles de control del gasto.

Más uso, pero una factura estable

Los datos difundidos en los reportes muestran una brecha entre la actividad de los agentes y el costo de ejecutarlos. Aunque las solicitudes semanales se multiplicaron por 9,4 desde febrero, el gasto general de IA no habría aumentado desde abril, de acuerdo con las declaraciones atribuidas a Medisetty.

El costo de cada 1.000 solicitudes realizadas con el mismo modelo cayó casi 34% desde su máximo de abril. Además, el costo por sesión disminuyó 52% desde el pico registrado en junio. Estas cifras apuntan a mejoras en la administración del contexto y en la forma en que los ingenieros consumen los recursos disponibles, aunque los reportes no establecen por sí solos una relación causal definitiva.

La expansión también se refleja en la adopción interna. Los ingenieros de Uber ejecutarían más de 30.000 tareas de agentes de IA cada día, mientras que la cantidad de personas que utilizan herramientas de este tipo se habría más que cuadruplicado, según la información citada.

Los agentes ya participarían en más del 70% de las presentaciones de cambios de código de Uber. Esa cifra no significa que todos los cambios sean aceptados automáticamente, pero sí revela hasta qué punto la IA se integró en uno de los procesos centrales del desarrollo de software de la compañía.

Causas de movimientos recientes

(a) Confirmado por los reportes: el principal factor atribuido a la reducción del costo por uso es la combinación de modelos, junto con límites de contexto y medidas de caché. También se informó que Uber experimenta con modelos de pesos abiertos para elegir alternativas más económicas cuando la tarea no requiere el modelo más potente.

(b) Explicación plausible: el enrutamiento automático, la reutilización de instrucciones y una mayor visibilidad del costo por sesión pueden haber contribuido a que el gasto permaneciera estable pese al aumento de solicitudes. No obstante, la evidencia disponible no identifica un único catalizador ni demuestra que cada medida haya producido por separado las reducciones señaladas.

Un sistema para elegir el modelo adecuado

Una de las principales herramientas atribuidas a Uber es un enrutador que asigna cada tarea al modelo más conveniente según una combinación de costo y capacidad. El sistema busca que los trabajos complejos reciban recursos suficientes, mientras las solicitudes pequeñas se dirigen automáticamente hacia alternativas menos costosas.

Esta arquitectura evita que todas las tareas pasen por el modelo más potente disponible. Para una empresa que procesa decenas de miles de trabajos diarios, incluso una diferencia pequeña en el precio por solicitud puede acumularse rápidamente cuando los ingenieros mantienen sesiones activas durante largos periodos.

Uber también habría establecido un límite de 400.000 tokens para sus sesiones interactivas. La restricción se aplicaría incluso cuando el modelo utilizado puede manejar hasta un millón de tokens, porque mantener un contexto excesivamente amplio puede elevar el gasto sin aportar un beneficio proporcional en cada tarea.

El límite funciona como una forma de disciplina presupuestaria dentro de las herramientas de desarrollo. En lugar de permitir que cada sesión consuma todo el contexto disponible, la compañía fija un techo que busca equilibrar continuidad, rendimiento y control del gasto.

Caché, visibilidad y modelos de pesos abiertos

La empresa habría modificado además la duración de su caché de instrucciones, conocida como caché de prompts, de cinco minutos a una hora. Según los reportes, los ingenieros suelen dejar las sesiones inactivas durante más de cinco minutos, por lo que conservar durante más tiempo la información reutilizable permite evitar procesamiento repetido.

La medida puede parecer técnica, pero tiene un efecto directo sobre el consumo de tokens. Cuando una sesión retoma instrucciones o contexto que ya fueron procesados, Uber reduce la necesidad de volver a ejecutar parte del trabajo, especialmente en flujos de desarrollo que incluyen pausas entre una acción y otra.

Los ingenieros también podrían consultar el costo acumulado de una sesión de IA directamente desde sus terminales. Esa visibilidad incorpora el gasto al momento de tomar decisiones y permite detectar cuándo una tarea se está volviendo demasiado extensa o costosa.

El director de tecnología de Uber, Praveen Neppalli Naga, fue identificado en reportes como el ejecutivo que describió el agotamiento del presupuesto y la posterior reducción del costo por token. Según esa información, Uber evalúa nuevos modelos de forma constante y despliega la opción que considera más adecuada para cada caso de uso, en vez de depender de una única alternativa.

El giro después del presupuesto agotado

La evolución contrasta con las declaraciones atribuidas a Neppalli Naga en abril, cuando habría dicho en una entrevista con The Information que Uber había agotado su presupuesto de IA para 2026. En agosto, el ejecutivo habría descrito el final de la llamada era del “tokenmaxxing”, una expresión utilizada para referirse al consumo creciente de tokens como estrategia dominante.

El episodio refleja una tensión que atraviesa a las grandes compañías tecnológicas: quieren que sus empleados usen más IA, pero necesitan impedir que esa adopción convierta el presupuesto en una variable incontrolable. La experiencia reportada de Uber sugiere que el crecimiento del uso no necesariamente implica un aumento equivalente del gasto cuando existen sistemas de asignación, límites y medición.

La selección automática de modelos también cambia la forma en que las empresas calculan el valor de la inteligencia artificial. En lugar de comparar únicamente el precio nominal de cada modelo, deben evaluar qué herramienta resuelve mejor una tarea concreta y cuánto contexto necesita para hacerlo.

Para los proveedores de modelos, esta tendencia puede intensificar la competencia por eficiencia, velocidad y precios. Para los usuarios corporativos, abre la posibilidad de combinar modelos especializados, opciones de pesos abiertos y mecanismos internos de control, aunque el resultado dependerá de la calidad y confiabilidad que cada tarea requiera.

Uber no presentó estas medidas, según los reportes disponibles, como una eliminación de costos, sino como una manera de administrar el crecimiento del consumo. Su caso muestra que la próxima etapa de la IA empresarial podría estar menos centrada en usar el modelo más grande y más enfocada en diseñar sistemas que sepan cuándo, cómo y durante cuánto tiempo utilizar cada modelo.

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