Caveman, un skill con 75.000 estrellas, promete recortar un 75% el gasto de tokens en Copilot

Tras el cambio de tarificación en Copilot, los desarrolladores empezaron a toparse con los límites mensuales de tokens ya en la primera semana laboral. En los chats de trabajo todos buscan cómo ahorrar, y entre las propuestas aparece con insistencia un skill: Caveman. El README del repositorio promete hasta un 75% de ahorro sin pérdida de calidad. Analizamos cómo funciona y si cumple en la práctica.

Qué es Caveman

La idea es desarmantemente simple: una instrucción especial en el prompt de sistema ordena al modelo de lenguaje hablar como un cavernícola, sin artículos, sin fórmulas introductorias y con frases muy cortas. El principio de «hablar con concisión» reduce el volumen de tokens de salida en cada respuesta, y el gasto total diario baja de forma notable. Los autores afirman que el ahorro puede llegar al 75%, y sin degradar la calidad.

El repositorio supera las 75.000 estrellas en GitHub, una cifra llamativa para una herramienta con una mecánica conceptualmente tan sencilla. Fue precisamente la viralidad del skill la que provocó la oleada de debate en los chats de equipo tras el cambio de política de precios de Copilot.

Por qué los límites de tokens se volvieron un problema

Copilot pasó a una nueva tarificación, y el golpe se lo llevaron sobre todo los equipos que usan asistentes de IA de forma intensiva, con decenas y cientos de consultas al día. Los desarrolladores llegan al techo más rápido de lo que esperaban, y ni de lejos todos están dispuestos a pagar más por ampliar los paquetes.

Las formas habituales de ahorrar se conocen desde hace tiempo:

• Escribir prompts breves y precisos
• No pasar contexto innecesario en cada consulta
• Eliminar instrucciones repetidas de la conversación
• Limitar el tamaño de la ventana de contexto
• No pedir al modelo que «piense en voz alta» si no hace falta

Todo esto funciona, pero exige un esfuerzo consciente de cada miembro del equipo en cada consulta. Caveman propone una solución sistémica: se añade la instrucción una vez al prompt de sistema y el modelo pasa solo al modo económico, sin control adicional.

Cómo ahorra tokens el skill

En esencia, Caveman es un conjunto de instrucciones que obligan al modelo a comprimir al máximo sus respuestas. La mecánica clave es reducir los tokens de salida, que en la mayoría de los proveedores cuestan más que los de entrada. Cada párrafo de más, frase introductoria o repetición es dinero real con un uso intensivo. Si el modelo adopta un estilo telegráfico en cada consulta, el ahorro total a lo largo de cientos de interacciones diarias puede ser, en efecto, considerable.

La cifra del 75% es teóricamente alcanzable con una compresión agresiva, sobre todo si las tareas no requieren explicaciones extensas ni documentación larga.

«¿Pueden equivocarse 75.000 estrellas en un repositorio?».

Con esa pregunta, el autor empieza las pruebas prácticas.

Dónde puede fallar el skill

El escepticismo está justificado. La fórmula «habla como un cavernícola» es imprecisa y los modelos la interpretan de maneras distintas. En la práctica, el ahorro aparente se convierte fácilmente en gasto extra: el modelo recorta explicaciones importantes y el usuario hace tres preguntas aclaratorias en lugar de una.

El estilo telegráfico dificulta la lectura de código con comentarios. En tareas de documentación, una compresión excesiva produce resultados ilegibles.

Qué se considera «pérdida de calidad» es otra cuestión. Si la tarea está resuelta correctamente desde el punto de vista técnico, pero la explicación es tan escueta que el desarrollador no entiende la lógica, ¿es ahorro o degradación? Los autores del skill, al parecer, se refieren solo a los tokens, no al esfuerzo cognitivo de descifrar la respuesta.

El beneficio real depende del tipo de tarea. Para preguntas cortas y fragmentos pequeños de código, el skill funciona bien. Para refactorizaciones complejas o para explicar decisiones de arquitectura, puede perjudicar más que ahorrar.

Qué significa

La viralidad de Caveman es síntoma de una tendencia más amplia: las herramientas de IA se encarecen, los límites se endurecen y la comunidad busca formas sistémicas de mantenerse dentro del presupuesto. Una prueba real mostrará si el estilo «cavernícola» merece en la práctica sus 75.000 estrellas, o si son solo cifras vistosas en un README.