Gastar entre 100,000 y 200,000 dólares anuales en tokens de inteligencia artificial no es un dato menor: es una señal del nivel de integración que los agentes de IA están alcanzando en la operación cotidiana de quienes los adoptan de forma intensiva. Garry Tan, al frente de Y Combinator, reveló esta cifra en el podcast The Builders, describiendo un modelo de trabajo donde los agentes no solo apoyan tareas puntuales, sino que operan de forma continua sobre correos electrónicos, archivos personales, notas de terapia de dos décadas atrás y preparación para entrevistas públicas.

Esta forma de uso —que Tan describe como tener un asistente que "anticipa, pregunta y ayuda a ver más allá"— representa un cambio de paradigma respecto al uso convencional de herramientas de IA. El enfoque no es la automatización de tareas discretas, sino la construcción de un contexto acumulativo que permite al agente actuar con mayor autonomía. Tan ha publicado su configuración técnica, conocida como gstack, en GitHub, con el objetivo de documentar y transferir ese conocimiento a otros desarrolladores. En el plano organizacional, Y Combinator opera un agente interno llamado Stray Light, que concentra el historial completo de fundadores respaldados, aplicaciones recibidas y comunicaciones institucionales, funcionando como una memoria corporativa activa.

El costo como barrera estructural

El propio Tan reconoce que su nivel de gasto en agentes de IA es, en sus palabras, "un privilegio loco que no todos pueden permitirse". Esta admisión apunta a una de las tensiones centrales del mercado actual: las capacidades más sofisticadas de los agentes autónomos siguen siendo inaccesibles para la mayoría de las organizaciones, no por limitaciones técnicas, sino por estructura de costos. Mientras los modelos de lenguaje continúan mejorando su relación costo-rendimiento, el umbral de adopción masiva aún no se ha alcanzado.

Esta brecha tiene implicaciones directas para cualquier empresa que evalúe incorporar agentes de IA en sus operaciones. La pregunta no es si la tecnología funciona —los casos de uso documentados lo confirman—, sino cuándo la curva de costos permitirá escalar sin que el gasto en infraestructura de tokens consuma el retorno esperado.

Autonomía versus dependencia de plataforma

Tan también plantea una advertencia que va más allá del costo: el riesgo de delegar la inteligencia operativa a agentes controlados por grandes plataformas tecnológicas. Al comparar este escenario con el impacto de los algoritmos de redes sociales sobre el comportamiento colectivo, señala que el agente de IA ideal es aquel que el usuario puede programar y controlar directamente, sin que una corporación externa defina sus prioridades o filtre su información.

Esta distinción entre agentes propietarios y agentes bajo control del usuario está emergiendo como un eje estratégico en el debate sobre gobernanza de IA empresarial. Para organizaciones que manejan datos sensibles —financieros, legales, de recursos humanos—, la arquitectura de control sobre el agente no es un detalle técnico: es una decisión de riesgo. El conjunto de herramientas gstack de Tan, disponible en GitHub, representa un intento por democratizar ese control, aunque su adopción requiere capacidades técnicas que no todas las organizaciones poseen internamente.

El escenario que describe Tan —agentes personales y organizacionales que operan con contexto total, autonomía creciente y costos decrecientes— no es especulativo. Es una trayectoria ya en curso, cuya velocidad de llegada al mercado masivo dependerá tanto de la evolución de los modelos como de las decisiones regulatorias y de infraestructura que se tomen en los próximos dos a tres años.