Петер Штайнбергер потратил $1,3 млн на API за месяц экспериментов с OpenClaw

Peter Steinberger, ingeniero de OpenAI y creador del proyecto OpenClaw — un sistema para generación autónoma de código — publicó recientemente un informe financiero de su experimento de un mes. Los números parecen ciencia ficción: en un solo mes, la factura ascendió a $1,3 millones. Esto no es una errata, no es una hipótesis — este es dinero real gastado en la API de OpenAI para que máquinas escribieran código a escala industrial.

Cómo resultó tal factura

Durante 30 días, Steinberger ejecutó aproximadamente 100 instancias de modelos de lenguaje simultáneamente. Cada una funcionaba en paralelo, resolviendo tareas de codificación separadas. En el mes, se procesaron 603 mil millones de tokens a través de 7,6 millones de solicitudes de API. Esto no es solo un número grande — es una demostración en vivo de lo que ocurre cuando un agente de IA comienza a escribir código a escala industrial, sin intervención humana. Cada solicitud a la API de OpenAI cuesta dinero. Cuando ejecutas 100 agentes simultáneamente, y cada uno puede generar decenas o cientos de solicitudes por minuto, la factura crece exponencialmente. Este no es un crecimiento lineal de gastos — es una ley de potencia.

Por qué es caro: la economía de los LLM modernos

• El precio por token no es uniforme en todos los casos — el contexto largo (mucho texto en el prompt inicial) cuesta más
• 100 sesiones paralelas multiplican los costos exponencialmente, creando un efecto de escalado en la dirección equivocada
• Cada solicitud requiere procesamiento completo del contexto por el modelo — esta es la parte más costosa computacionalmente de las redes transformadoras
• Los agentes de larga duración envían contexto antiguo en nuevas solicitudes, repitiendo el pago por los mismos tokens
• Sin descuentos por volumen en tiempo real — OpenAI cobra por cada token a la tarifa actual

Steinberger sugiere en su informe que la construcción de un producto comercial requiere optimizaciones serias. Por ejemplo: usar almacenamiento en caché de tokens (una nueva función de la API OpenAI que reduce el costo de solicitudes repetidas con el mismo contexto), batching — agrupar múltiples solicitudes juntas, o usar modelos más baratos para tareas auxiliares como análisis de código. Sin estos trucos, escalar la generación de código autónoma se vuelve económicamente inviable.

Qué revela esto sobre los costos de computación

Gastos de esta magnitud revelan la economía real y oculta de las herramientas de IA. Cuando un agente es lo suficientemente inteligente para trabajar durante horas sin supervisión humana, el costo se vuelve visible e inevitable. Esto no es una crítica a OpenAI — es la matemática de los costos computacionales. Los transformers son costosos de ejecutar en inferencia, y ninguna optimización cambiará eso radicalmente.

"Si ejecutas un agente completamente autónomo que funciona durante largos períodos y cambia frecuentemente entre modelos, tu factura simplemente se dispara," — así es aproximadamente como

Steinberger resumió el problema central.

Qué cambiará en el mercado

Para desarrolladores y startups, esta es una señal importante: la generación de código con IA a escala requiere no solo conocimientos técnicos, sino también una comprensión profunda de los costos de computación. Probablemente veremos una ola de optimizaciones. Las empresas comenzarán a buscar formas de reducir el precio efectivo por token, usar modelos más ligeros para borradores y análisis contextual, almacenar en caché y reutilizar contextos en la medida de lo posible.

Para OpenAI, esto puede significar la aparición de nuevos planes de precios para usuarios de alto volumen — algo como descuentos al por mayor, tarifas contractuales o soluciones especiales para empresas. La era en la que la generación de código con IA era barata y accesible para todos está terminando. Estamos entrando en una era de uso pensado y optimizado financieramente de agentes autónomos.