Revolut pasa a 2000 ingenieros a GLM en infraestructura propia y recorta un 90% el gasto en programación con IA

Las facturas de programación con IA crecen más rápido de lo que los equipos logran determinar qué valor están obteniendo. Revolut, la fintech británica con decenas de millones de clientes, abordó el problema de forma radical: redujo aproximadamente un 90% el gasto en asistentes de programación en menos de un año. Es una diferencia de casi diez veces, y el caso resulta especialmente interesante tratándose de una empresa financiera con requisitos estrictos sobre el tratamiento de los datos.

Qué hizo Revolut

El banco dejó Claude Code y Codex y se pasó al modelo abierto GLM del laboratorio chino Z.ai. El modelo se ejecuta en las GPU de Revolut, por lo que el código y las consultas de los ingenieros no se envían a un proveedor externo. A juzgar por el titular del artículo de origen, el coste ronda los 0,30 $ por millón de tokens y unos 2000 ingenieros han migrado al nuevo sistema.

David Abitbol, responsable de operaciones e infraestructura de Revolut, presentó las cifras en la conferencia AI Engineer de Nueva York. Hay una salvedad importante: son estimaciones de la propia empresa y nadie las ha verificado de forma independiente. Por tanto, ese 90% debe interpretarse como un resultado declarado, no como un hecho demostrado.

De dónde sale el ahorro

El material del que disponemos no incluye los detalles del cálculo, así que lo que sigue es nuestra interpretación, no un resumen de la ponencia.

Los asistentes de pago cobran por tokens o por licencia de usuario en una suscripción. Los flujos de trabajo con agentes consumen cantidades enormes de tokens: el modelo lee un repositorio, modifica archivos, ejecuta pruebas y vuelve a leer los resultados. Cuando hay miles de ingenieros, la factura crece con el uso y, cuanto mejor domina la gente la herramienta, mayor es su impacto en el presupuesto.

El hardware propio convierte un gasto variable en uno prácticamente fijo. Las GPU ya están compradas o alquiladas, y cada consulta adicional supone costes de electricidad y amortización. Un ejemplo sencillo: si un agente consume varios millones de tokens en una tarea, a 0,30 $ por millón el coste ronda un dólar. La misma tarea con un modelo de gama alta a través de una API comercial puede costar varias veces más.

Pero el ahorro solo aparece con una utilización elevada de las GPU. Un clúster ocioso se come rápidamente todo el ahorro.

Qué queda por aclarar

La historia presenta varias incógnitas que conviene tener en cuenta antes de copiar el enfoque:

• Calidad. No sabemos cómo se compara GLM con Claude y Codex en las tareas reales de Revolut ni con qué frecuencia los ingenieros tienen que rehacer los resultados.
• Coste total. No está claro si los 0,30 $ por millón de tokens incluyen la compra de GPU, la electricidad y el trabajo del equipo que mantiene la infraestructura de inferencia.
• Motivos de la elección. Para un banco, alojar el modelo en infraestructura propia probablemente responde también a necesidades de seguridad de los datos y cumplimiento normativo, además del precio. Esta es una suposición nuestra.
• Replicabilidad. Revolut cuenta con un sólido equipo de infraestructura. Una startup de 30 personas puede no disponer de esa capacidad.

La conclusión práctica

La principal lección no es que los modelos abiertos hayan vencido a los cerrados. Es que el coste de la programación con IA puede calcularse y optimizarse como cualquier otra partida de infraestructura.

Qué pueden hacer los equipos:

• Calcular el coste por pull request aceptada o tarea completada, en lugar de por token. Un modelo barato que exige correcciones frecuentes puede acabar saliendo más caro.
• Lanzar una prueba piloto con 20–50 ingenieros y comparar un modelo abierto con la herramienta actual en tareas propias, en lugar de recurrir a benchmarks públicos.
• Estimar la utilización futura de las GPU antes de comprarlas. La inferencia en infraestructura propia compensa cuando la carga de trabajo es estable.
• Considerar un enfoque híbrido: asignar las tareas rutinarias al modelo propio y dejar las tareas de arquitectura complejas a un modelo cerrado de vanguardia.

Si la factura de los asistentes ya tiene un peso apreciable en el presupuesto, el caso de Revolut merece al menos un lugar en la hoja de cálculo de escenarios. Contrástenlo con sus propios datos, sin dar por bueno el ahorro declarado del 90%.