Los agentes de IA con visión cuestan varias veces más que una API convencional

Los agentes de navegador de inteligencia artificial, que ven la pantalla e imitan el comportamiento humano, cuestan a las empresas un orden de magnitud más que los modelos de IA de texto convencionales. La empresa Reflex analizó los costes y concluyó que los agentes con visión cuestan varias veces más que las peticiones normales a una API.

Por qué la visión es más cara que el texto

Cuando un agente procesa solo texto, la tarea es relativamente sencilla y barata. La API se lleva su parte, el modelo procesa la petición y ya está. Pero cuando ese mismo agente ve una captura de pantalla, un navegador, un formulario web, entra en juego un modelo de visión, que requiere bastantes más recursos de cómputo y es más caro.

El precio de una sola captura puede superar el coste de procesar una sesión de texto completa de decenas de frases. Un clic de un agente de navegador puede salirle a la empresa más caro que una conversación completa con un chatbot de texto. No es una hipótesis: es lo que observan los desarrolladores que han escalado agentes de navegador a uso industrial.

El problema se agrava porque el agente no puede «reutilizar» una captura. Cada vez que algo cambia en la pantalla (y ocurre tras cada acción del agente), hace falta una imagen nueva, una nueva llamada a la API de visión y nuevos costes. Así, los costes crecen exponencialmente con el número de acciones.

Cómo calcularlo en la práctica

Cuando un agente rellena un formulario en un sitio web, el ciclo de trabajo es este:

• Hacer una captura de pantalla (se activa el modelo de visión)
• Entender lo que ve el agente: botones, campos, errores, pistas
• Decidir qué acción realizar (esto es más barato, es lógica)
• Hacer clic, rellenar el campo, pulsar el botón
• Volver a hacer una captura y volver a llamar a la API de visión

Cada ciclo con visión es un pago aparte. Al pedir comida en DoorDash, un agente puede hacer entre 5 y 10 capturas: buscar el restaurante, elegirlo, ver el menú, añadir platos al carrito, pagar. Son entre 5 y 10 llamadas a un costoso modelo de visión por una sola tarea.

Al escalar a miles de operaciones así al día, los costes se vuelven inasumibles. La empresa descubre enseguida que gastó en un día de trabajo de los agentes más que en un mes de servicio de modelos de texto. Las cifras hablan por sí solas: si una petición de visión cuesta 10 veces más que una de texto y el agente hace 10 capturas por tarea, los costes se multiplican por 100.

El problema de la escala

Las empresas que han experimentado con agentes de navegador suelen descubrir costes ocultos. Lo que parecía más barato que contratar a una persona (un agente-bot al mes cuesta menos que un freelance) acaba saliendo más caro en la práctica si hay que procesar decenas de miles de pantallas al día.

«La economía de los agentes de visión es completamente distinta a la de los de texto.

Las empresas calculan mal el ROI», dicen los desarrolladores.

Esto no significa que los agentes de navegador no sean rentables. Significa que no deben ponerse en marcha sin un cálculo claro. Hace falta una cuenta honesta: cuánto cuesta un ciclo del agente, cuántos ciclos hay por tarea, cuántas tareas al día y qué resultado se obtiene. Sin ella, se puede gastar todo el presupuesto más rápido de lo esperado.

Qué significa esto

El desarrollo de los agentes de navegador exige nuevos enfoques de precios. Las empresas deben conocer el coste de los modelos de visión antes de lanzar a producción, no cuando llega la factura. De lo contrario, el ahorro por automatizar se convertirá en un gasto inesperado.

Esto frenará temporalmente la adopción de estos agentes, pero obligará a elegir con criterio.