Baton: un experimento para gastar la IA con cabeza

Hay una cuenta que casi nadie está mirando todavía. Hoy usar IA para programar se paga por mes, con una suscripción de precio fijo — pero ese precio está apuntalado por un subsidio que difícilmente durará. Cuando la factura pase a cobrarse por uso, como ya ocurre en otros mercados, correr cada tarea en el modelo más potente (y más caro) dejará de ser costeable para un desarrollador independiente.

La reacción obvia es sensata: no todo necesita el modelo más caro. Un commit, un resumen, una tarea rutinaria los hace bien un modelo más modesto; reserva el músculo grande para el diseño y las decisiones difíciles. Baton es el experimento que estamos construyendo para explorar exactamente eso: enrutar cada trabajo al modelo adecuado, con la disciplina que StrayMark ya produce como brújula. Está en desarrollo, es experimental, y lo estamos armando a la vista. Su historia va en tres capítulos — y ninguno terminó donde esperábamos.

El experimento, en tres tiempos

Primero la coherencia — antes de ahorrar, comprobar el rumbo. La trampa apareció enseguida. Si abaratas quién hace el trabajo pero el trabajo ya se desvió del plan, no ahorraste nada: hiciste el desorden más barato y más rápido de producir. Así que lo primero que construyó Baton no fue un ahorrador, sino un verificador de coherencia: ¿lo que se está construyendo todavía coincide con lo que se decidió? Puesto a prueba sobre un proyecto real, cazó una desviación verdadera que la revisión humana había dejado pasar — sin tocar un solo modelo, sin gastar de más.

La honestidad del número — lo que el ensayo habría gastado. Cuando por fin miró el dinero, apareció un titular tentador: un ahorro enorme, de más del noventa por ciento. Y ahí Baton hizo lo contrario de presumir: se delató a sí mismo. Más de la mitad de ese ahorro descansaba en conjeturas — el sistema adivinando qué clase de trabajo tenía enfrente cuando no tenía de dónde agarrarse. El número que importaba no era el ahorro; era la duda escrita al lado. Una cifra brillante sobre una pila de suposiciones sigue siendo una pila de suposiciones.

Preguntarle a quien ya lo sabe — lo que el autor ya sabía. El arreglo resultó casi gratis. En vez de adivinar qué clase de trabajo es cada tarea, ¿por qué no preguntarle a quien la crea? La persona que abre el trabajo ya sabe si es diseño, implementación, revisión o tarea mecánica — lo sabe de gratis, en el momento, por el costo de escribir una palabra. La señal más barata y más fiable de un sistema suele ser la que alguien ya conoce y nadie le pidió anotar.

Por qué esto es StrayMark

Baton empezó como una cuestión de dinero y terminó siendo, otra vez, la misma apuesta de siempre. No se trata de usar más IA, sino de que la IA que ya usas gaste con cabeza — y de tener una herramienta lo bastante honesta como para decir «en realidad no lo sé» en lugar de fingir un número confiado. Es la misma convicción que contamos en Mantenerse orientado en días extraños: que el humano se quede al mando, no al margen.

La pregunta no era cuánto puede ahorrar la máquina. Era si el ahorro descansa en cosas de las que alguien está seguro — o en conjeturas con buena cara.

Un experimento a la vista

Baton todavía no enruta nada de verdad: por ahora recomienda, mide y aprende. Puede que se gradúe hasta el núcleo de StrayMark, puede que no; esa es la naturaleza de un experimento hecho en abierto. Lo compartimos porque el recorrido enseña más que el destino: la coherencia antes que el ahorro, la honestidad antes que el titular, y preguntar antes que adivinar.

Si quieres el detalle técnico que aquí dejamos fuera a propósito, los tres capítulos están en el blog de desarrollo de StrayMark: la coherencia, el número honesto y preguntarle al autor.