Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
IndustriaCódigo / SDK · Listo para usarHabr AI→ original

AIruntime crea una web de presentación desde un chat con IA por entre 50 y 300 rublos en tokens

El dueño de una panadería o de un salón de belleza describe en el chat qué web necesita y recibe un enlace funcional: la startup AIruntime la genera con un equipo de agentes de IA. Una web de una sola página cuesta entre 50 y 300 rublos en tokens, es decir, el pago por el trabajo de las redes neuronales. Antes, un ciclo de correcciones bloqueado quemaba entre 500 y 700 rublos sin ningún resultado; ahora se detiene tras dos o tres iteraciones. La conclusión para los productos basados en agentes: un límite estricto de iteraciones protege mejor el presupuesto que la elección del modelo.

Procesado por IA desde Habr AI; editado por Hamidun News
AIruntime crea una web de presentación desde un chat con IA por entre 50 y 300 rublos en tokens
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1Un agente juez verifica el resultado con un contexto corto y una tarea clara
Dato clave #2Cada proyecto tiene su propio volumen de Docker, para que los agentes no accedan a archivos ajenos
Dato clave #3Los dominios se conectan mediante Cloudflare MCP, y Traefik enruta las peticiones hacia ellos

El dueño de una panadería, un taller mecánico o un salón de peluquería describe en el chat con la IA qué web necesita y, en cuestión de minutos, recibe el enlace a un proyecto funcionando. Así funciona la startup AIruntime: el servicio escribe el código, diseña la interfaz, comprueba el resultado y publica la web o el bot de Telegram en el alojamiento. Una web de una sola página cuesta alrededor de 50–300 rublos.

No es una suscripción, sino el coste de los tokens, es decir, el pago por el trabajo de las redes neuronales en una sola ejecución. La estimación procede de experimentos realizados con todas las restricciones aplicadas a los agentes. Sin esas restricciones, una sola petición bloqueada podía costar 500–700 rublos, y el usuario no recibía nada.

Crear una web con un constructor lleva tiempo, pero para un micronegocio sigue siendo complicado. Hay que entender qué bloques colocar, qué contenido poner en ellos, cómo registrar un dominio y cómo pagarlo. El dueño de una panadería tiene pocos recursos cognitivos, así que se queda en las redes sociales y en los mensajeros. Ahí no es posible automatizar bien la reserva de servicios ni la recepción de pedidos. AIruntime propone sustituir el constructor por un diálogo: explicas la tarea con tus palabras y obtienes un producto listo para producción.

Esto no es un copiloto para programadores ni un sustituto del desarrollo. El servicio está pensado para tareas que antes no se encargaban a personas por su precio: una tarjeta de presentación con reserva de cita para cortes de pelo, una aplicación sencilla que escribe datos en una base y los muestra al administrador, un prototipo o la copia de un servicio de nicho. Las tiendas con un ciclo de ventas completo todavía no salen bien: no está claro cómo conectar de forma jurídicamente correcta los sistemas de pago en modo de agente de IA.

Cómo funciona la cadena de agentes

Dentro hay varios roles con distintos prompts. Un agente escribe el código teniendo en cuenta el SEO; otro se encarga del diseño (lo lleva un modelo aparte con plugins, para que la imagen no parezca abiertamente «hecha con IA»); un tercero se ocupa de la maquetación, para que todo se vea bien en los teléfonos. La petición del usuario se convierte en quality gates, un conjunto de comprobaciones que el proyecto debe superar en cada rol: interfaz limpia, arquitectura extensible y pruebas reales. Hace poco, el equipo sustituyó sus comprobaciones caseras por el repositorio ai-quality-gates, para que los criterios estén ligados a las tareas.

Un agente juez independiente revisa el resultado final. Según observa el equipo, las redes neuronales fallan por dos motivos: o el contexto es demasiado grande y el modelo pierde detalles, o la tarea está difusa y el modelo sigue su propio camino. El contexto del juez es pequeño y su tarea está clara, por eso es él quien mantiene la calidad en un nivel aceptable.

El dinero y la protección frente a las correcciones infinitas

El principal problema de ingeniería resultó ser el gasto. Una petición compleja metía al sistema en un círculo infinito de correcciones que terminaba en un timeout. Ahora, tras dos o tres etapas de correcciones, el proceso se detiene por la fuerza. El servicio cobra una comisión sobre los tokens consumidos; de momento no cobra por separado los dominios ni el alojamiento. Los ingresos adicionales llegan de las mejoras: los cambios en la web también se hacen a través del mismo chat.

Los escollos de los agentes autónomos

  • Los agentes tienden a hacer preguntas aclaratorias y a quedarse esperando. Las respuestas a las dudas más frecuentes están preparadas de antemano.
  • Al crear una base de datos, el agente pide usuario y contraseña. Ahora la contraseña la genera un script y la guarda en un archivo aparte, y al agente se le indica que la lea desde la ruta correspondiente.
  • Al principio los proyectos estaban en una carpeta común, y un agente con el prompt «queda poco espacio, borra los archivos del vecino» podía hacerlo. Ahora cada proyecto tiene su propio volumen de Docker, es decir, un almacenamiento aislado. En esta fase, el equipo considera que es suficiente.
  • La gestión de dominios se configuraba primero a mano y después se pasó a los servidores Cloudflare MCP. MCP (Model Context Protocol) ofrece al agente una forma estándar de invocar herramientas externas. Varios dominios en una misma IP los atiende Traefik: examina el nombre de la petición, la dirige al contenedor correspondiente y emite los certificados por sí mismo.

La base es el OpenAI SDK, una biblioteca envoltorio para las peticiones a los modelos. No hay una dependencia rígida de OpenAI: si hace falta, se puede pasar a alternativas chinas como Qwen.

Qué viene después y qué preguntas quedan abiertas

El servicio acaba de salir al mercado: hace poco se añadió el cobro por tokens y el análisis automático de los registros tras el despliegue. En los planes figuran la monitorización, las alertas, la recuperación automática tras fallos, la conexión de un dominio propio y una analítica sencilla: cuántas personas visitan la web y cuántas reservan cita.

La idea no es única. El servicio similar Base44 fue comprado por Wix en 2025, lo que muestra el interés de los grandes actores. Quedan limitaciones: no hay garantías de resultado, la seguridad y la separación de accesos habrá que controlarlas, y cada agente debe estar acotado y verificado. Y sigue sin saberse lo principal: si el dueño de una floristería o de una peluquería confiará en que la IA se las arregla sin una persona y si está dispuesto a responder por las consecuencias de los errores.

Para quienes construyen productos basados en agentes, la conclusión es práctica: el límite de iteraciones, el contexto corto del agente que verifica, el aislamiento de los proyectos y las respuestas preparadas a las preguntas típicas influyen en la economía más que la elección del propio modelo.

Historia

Preguntas frecuentes sobre la noticia

Cómo funciona la cadena de agentes?

Dentro hay varios roles con distintos prompts. Un agente escribe el código teniendo en cuenta el SEO; otro se encarga del diseño (lo lleva un modelo aparte con plugins, para que la imagen no parezca abiertamente «hecha con IA»); un tercero se ocupa de la maquetación, para que todo se vea bien en los teléfonos. La petición del usuario se convierte en quality gates, un conjunto de comprobaciones que el proyecto debe superar en cada rol: interfaz limpia, arquitectura extensible y pruebas reales.

¿Qué se sabe sobre El dinero y la protección frente a las correcciones infinitas?

El principal problema de ingeniería resultó ser el gasto. Una petición compleja metía al sistema en un círculo infinito de correcciones que terminaba en un timeout. Ahora, tras dos o tres etapas de correcciones, el proceso se detiene por la fuerza. El servicio cobra una comisión sobre los tokens consumidos; de momento no cobra por separado los dominios ni el alojamiento. Los ingresos adicionales llegan de las mejoras: los cambios en la web también se hacen a través del mismo chat.

¿Qué se sabe sobre Los escollos de los agentes autónomos?

Los agentes tienden a hacer preguntas aclaratorias y a quedarse esperando. Las respuestas a las dudas más frecuentes están preparadas de antemano. Al crear una base de datos, el agente pide usuario y contraseña. Ahora la contraseña la genera un script y la guarda en un archivo aparte, y al agente se le indica que la lea desde la ruta correspondiente. Al principio los proyectos estaban en una carpeta común, y un agente con el prompt «queda poco espacio, borra los archivos del vecino» podía hacerlo.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…