Quien hoy programa con asistentes de IA, casi por reflejo crea un archivo de contexto. Agents.md y archivos similares reúnen el conocimiento del proyecto en un lugar central: convenciones de codificación, estructura de directorios, comandos de prueba, indicaciones sobre particularidades de la base de código. Se supone que el modelo debe leer esta información en cada consulta y, de ese modo, ofrecer sugerencias más adecuadas. La práctica se ha establecido en poco tiempo, a menudo sin que nadie haya medido realmente su efecto.
Eso es precisamente lo que ha hecho un estudio de la ETH de Zúrich, y según los reportes llega a un hallazgo sorprendente: los archivos aumentan los costos de forma notable sin que se muestre un beneficio claro para la calidad de los resultados. La recomendación del estudio es, en consecuencia, más bien prudente.
Por qué el contexto cuesta dinero
El mecanismo de costos es fácil de entender. Los modelos de lenguaje calculan en tokens, es decir, en pequeñas unidades de texto y código, y la facturación se hace por cantidad. Un archivo de contexto, en muchos asistentes, no se lee una sola vez, sino que se incorpora en cada consulta individual. Un archivo cuidado, de varios cientos de líneas, genera así tokens de entrada adicionales en cada prompt, multiplicado por el número de consultas de un equipo de desarrollo a lo largo de semanas.
A ello se suma un segundo efecto menos evidente: cuanto más texto hay en la ventana de contexto, más compiten las informaciones por la atención del modelo. Reglas de estilo generales pueden diluir la descripción real de la tarea en lugar de precisarla. Que más contexto produzca automáticamente mejores resultados es una suposición, no un hecho comprobado.
Qué no significa el resultado
El resultado de un solo estudio no es un juicio sobre toda una forma de trabajar. El efecto de los archivos de contexto probablemente depende mucho del modelo que se utilice, de lo grande y peculiar que sea una base de código y de las tareas que se planteen. Un proyecto heredado con convenciones inusuales se beneficia de forma plausible de manera distinta que una aplicación nueva según el estándar del framework.
Por eso, el núcleo sólido de la noticia es menos una prohibición que una invitación: las prácticas extendidas en el uso de herramientas de IA deberían revisarse en lugar de continuarlas por costumbre. Mucho de lo que actualmente circula como buena práctica proviene de informes de experiencia y recomendaciones de la comunidad, no de mediciones controladas.
Cómo se puede comprobar el beneficio
Para los equipos de desarrollo vale la pena una prueba pragmática que no requiere esfuerzo de investigación:
- Establecer una línea base: registrar durante un periodo definido los consumos de tokens y los costos por desarrolladora y desarrollador. La mayoría de los proveedores ofrecen estadísticas de uso para ello.
- Hacer una comparación: procesar una serie de tareas típicas una vez con y otra sin archivo de contexto y comparar los resultados, no por sensación, sino con criterios verificables como pruebas superadas o alcance del retrabajo necesario.
- Aligerar el archivo: si el archivo de contexto se mantiene, eliminar todo lo que el modelo pueda deducir de todos modos del código. Solo deberían quedar las informaciones que no aparecen en ningún otro lugar.
- Revisar alternativas: linters, formateadores, pruebas y comprobaciones de tipos imponen las convenciones técnicamente en lugar de explicárselas a un modelo en prosa, y no cuestan nada por consulta.
La transparencia de costos pertenece al proyecto
El punto real está más allá de un archivo individual. El desarrollo asistido por IA desplaza una parte de los costos del proyecto del tiempo de trabajo a las tarifas de uso continuas. Estos costos son variables, crecen con el tamaño del equipo y a menudo surgen inadvertidos en segundo plano. Quien no los evalúa regularmente solo nota una práctica ineficiente en la factura.
Por eso tiene sentido tratar el uso de herramientas de IA como cualquier otra parte del proceso de desarrollo: con convenciones claras, métricas medibles y una fecha fija en la que se revisen ambas cosas. Eso incluye también la pregunta de para qué tareas se emplea siquiera un asistente y dónde las herramientas clásicas llevan al objetivo de forma más rápida y económica.
Para proyectos web y de software eso significa concretamente: los flujos de trabajo con IA no son una configuración única, sino que necesitan la misma atención que las pipelines de build o los costos de hosting. Las prácticas que se difunden a través de blogs y comunidades deberían medirse en el propio contexto del proyecto antes de declararlas estándar. Quien compara costos y calidad de resultados toma decisiones más sólidas de las que puede ofrecer cualquier recomendación general.