# Un estudio cuestiona el costo de los agentes de IA para programar > Investigadores de la Universidad de Shandong hallaron que más complejidad no implicó mejores resultados claros, aunque sí un consumo de tokens mucho mayor. Por Luis F. · 24 de octubre de 2026 · Tecnología ![ChatGPT estrena probador virtual para ropa comprada online](https://cdn.panorama.onl/uploads/2bdf966064768462.webp) Un estudio de Liu y Han, investigadores de la Universidad de Shandong, concluye que los envoltorios de agentes de codificación con inteligencia artificial pueden multiplicar el consumo de tokens sin traducirse en una mejora estadísticamente clara de los resultados. La comparación abarcó Claude Code, OpenCode y mini-SWE-agent en SWE-bench Verified, una prueba sobre problemas reales de programación. En 447 tareas, las diferencias entre sistemas quedaron dentro del margen de variación que los autores observaron al repetir una misma configuración. > Ver la publicación original en X ## Las diferencias entre envoltorios quedaron dentro del ruido Los autores sostienen que una sola ejecución no basta para atribuir una mejora al diseño del envoltorio, porque el rendimiento puede cambiar de forma similar al repetir el mismo sistema. En sus pruebas, la variación entre ejecuciones llegó a ser comparable a la observada al cambiar de envoltorio. En la reserva de 447 tareas, Claude Code y mini-SWE-agent quedaron a menos de dos puntos de distancia para los modelos evaluados. Los investigadores consideraron equivalentes las diferencias dentro de una banda de cinco puntos en ese conjunto. En el grupo de 45 tareas más difíciles, las diferencias fueron todavía menores: según el modelo, los envoltorios apenas separaron dos a cinco problemas resueltos. Al repetir una configuración, el recuento podía moverse hasta en tres tareas. El análisis también mostró que la tasa mediana de cambio fue del 13% entre dos repeticiones de la misma configuración y del 13% entre dos envoltorios distintos. Cambiar de modelo produjo un movimiento mayor, del 22%. ## Más tokens, pero no una ventaja consistente El estudio señala que los envoltorios más pesados consumieron entre dos y tres veces más tokens que la opción más ligera, sin que esa factura extra se reflejara en una mejora estadísticamente clara de la tasa de éxito. Los autores calcularon unas 16.600 unidades de tokens para Claude Code, alrededor de 7.000 para OpenCode y menos de 1.000 para mini-SWE-agent. Después de la primera llamada, el contexto creció a ritmos similares entre los tres sistemas, por lo que el tamaño inicial de las instrucciones y la cantidad de pasos explicaron buena parte del costo. OpenCode fue la excepción más clara en el conjunto amplio: quedó entre dos y nueve puntos por debajo de Claude Code y mini-SWE-agent. Los investigadores atribuyeron alrededor de la mitad de esa brecha a un límite de salida que interrumpía la ejecución cuando el modelo alcanzaba el tope en medio del razonamiento. El trabajo también registró límites y fallas de configuración en otras pruebas. mini-SWE-agent llegó al límite de contexto por no gestionarlo, y las herramientas de búsqueda de OpenCode intentaron descargar un archivo binario durante su primer uso, pero no pudieron hacerlo cuando las pruebas se ejecutaron sin conexión. ## El razonamiento cambió algunos resultados, pero no de forma uniforme Los investigadores también revisaron qué ocurría al retirar herramientas de Claude Code para Claude Opus 5: los resultados fueron idénticos en esa comparación. En una versión previa de ese modelo, el desempeño fue parecido, pero con menos de la mitad del costo, según el estudio, porque el pensamiento extendido no estaba activado por defecto en ese momento. El razonamiento sí modificó algunos resultados, aunque su efecto dependió de la combinación entre modelo y envoltorio. Sin pensamiento, Qwen3.6 perdió once puntos con mini-SWE-agent, mientras Claude Code y OpenCode se mantuvieron dentro del ruido; HY4-Preview también cayó once puntos al ejecutarse sin pensamiento en Claude Code. Los autores admiten que la matriz de pruebas era demasiado pequeña para explicar por qué algunos modelos dependían más del razonamiento que otros. Aun así, el patrón general se repitió en una comprobación más acotada en Terminal-Bench 2.1. Antes de trabajar sin conexión, el equipo hizo pruebas con acceso a la web y detectó que el 71% de los intentos de los modelos Deepseek y Qwen obtenía la corrección directamente de GitHub. Los modelos Claude casi nunca recurrieron a ese comportamiento, por lo que esos resultados fueron descartados. En conjunto, Liu y Han recomiendan publicar una repetición de la misma configuración junto a cada comparación, para no confundir ruido con mejoras reales cuando el costo sube y la tasa de aprobación no cambia de forma fiable. --- **Fuente:** https://panorama.onl/tecnologia/un-estudio-cuestiona-el-costo-de-los-agentes-de-ia-para-programar-20261024-0524.html Publicado por Panorama Online — contenido de libre lectura; se permite citar con atribución y enlace a la URL original.