Arcade.dev: agentes IA con 37% menos costo de tokens

Arcade.dev quiere que tus agentes dejen de leer 8.000 herramientas

Arcade.dev, la startup que conecta agentes de IA con software empresarial controlando qué pueden hacer, presentó Tool Recommendation, una función que ayuda a los agentes a encontrar la acción correcta sin cargar una lista larga de funciones en cada conversación. La compañía afirma que su enfoque reduce hasta 91% los tokens dedicados al descubrimiento de herramientas, con un ahorro modelado de 37% en costos de entrada.

El problema que ataca es muy concreto para cualquier equipo que ya tenga agentes en producción: cada sistema de negocio que conectas agranda las instrucciones del agente y encarece cada llamada. El catálogo de Arcade supera las 8.000 herramientas; describirlas todas consumiría cerca de 1,75 millones de tokens antes de que el usuario escriba una sola palabra.

La función está disponible para clientes de Arcade Cloud desde el 15 de octubre, sin cargo adicional por la función, según un portavoz de la empresa. Las tarifas normales de plataforma y uso siguen aplicando a los planes pagos, y los despliegues empresariales —incluidas instalaciones on-premises— se cotizan de forma individual.

Cómo funciona Tool Recommendation

Una herramienta es una función invocable: buscar en una bandeja de entrada, recuperar el registro de un cliente, actualizar un ticket o crear un documento. El agente necesita descripciones de esas funciones y de sus entradas antes de poder elegir y usarlas.

Tool Recommendation reemplaza ese inventario completo por unos pocos puntos de entrada: descubrir aplicaciones, pedir funciones relevantes y ejecutar la acción elegida. El agente describe su necesidad inmediata; Arcade busca y ordena el catálogo, devuelve una lista corta y ejecuta la función seleccionada.

La clave técnica es que Arcade usa modelos pequeños y especializados para emparejar y ordenar herramientas, en lugar de hacer que un modelo grande lea el catálogo entero una y otra vez. No reemplaza la inteligencia del agente: el modelo propio del agente sigue decidiendo qué acción sugerida ejecutar.

El cofundador y CTO Sam Partee contó a VentureBeat que Arcade parte de modelos pequeños del ecosistema open source y de datos sobre las acciones que ejecutan los agentes. "Podemos tomar esos datos y entrenar modelos de lenguaje pequeños para predecir básicamente qué vas a querer hacer", dijo.

A diferencia de un feed de redes sociales personalizado para un individuo, muchas tareas de agentes caen en categorías amplias: enviar un correo, editar un borrador o actualizar un registro de Salesforce. Partee rastreó el trabajo hasta un agente anterior de site reliability engineering, cuando los modelos fallaban seguido al elegir una herramienta y formatear sus entradas.

Las cifras: 37%, 91% y 7,6% no significan lo mismo

Aquí está el punto que todo comprador empresarial debería conservar, porque Arcade mezcla tres mediciones distintas en su comunicación.

• 37%: es el ahorro máximo de costos de entrada, modelado contra un asistente con 100 herramientas fijas. Para una interacción típica con tres pedidos y unas ocho llamadas de herramienta por pedido, Arcade estima un ahorro cercano al 20%, según el modelo. Partee ofreció una estimación similar: "puedes ser tu usuario promedio en una sesión de 10 turnos y estar ahorrando 18 a 20% de tus tokens".
• 91%: tiene un denominador más acotado. Se refiere a los tokens de entrada asociados a descripciones de funciones y respuestas de recomendación en una interacción modelada de 10 turnos, excluyendo la conversación y los datos de negocio devueltos. En ese cálculo, el conteo de GPT-5.6 cae de 256.650 a 22.164 y el de Claude Opus 5 de 411.729 a 38.170. La propia empresa lo aclara: "son ahorros de tokens de definición, no de sesión completa".
• 7,6%: es el resultado medido en el test más completo, que compara flujos con y sin descubrimiento en 408 sesiones que cubren 64 flujos, usando Codex y Claude Code. Arcade reporta una reducción de 7,6% en el total de tokens facturados, incluyendo entrada y salida, con un intervalo de confianza del 95% de 2,5% a 12,6% y sin cambios en la tasa de finalización de tareas. El desglose es 9,7% para Claude Code y 5,5% para Codex, cuyo intervalo incluye el cero.

El cálculo del 37% excluye los tokens de salida y asume que el cliente mantiene los resultados grandes de las herramientas fuera de la conversación. Cuando esos resultados permanecen en la interacción, la empresa estima un ahorro de apenas 5% a 7%. Las interacciones cortas producen la mayor mejora porcentual modelada.

La proyección de unos 119.000 dólares ahorrados al año para 1.000 usuarios de Claude Opus 5 asume 20 conversaciones por persona por mes. Es un escenario estimado, no un ahorro reportado por el despliegue de un cliente con nombre.

VentureBeat aclara que no reprodujo estas pruebas de forma independiente. No se encontraron datos adicionales verificables en fuentes externas para esta nota.

La comparación con Microsoft necesita otra aclaración

Arcade también evalúa la recuperación de herramientas con ToolRet, un benchmark público. La métrica Recall@10 mide cuántas de las herramientas requeridas aparecen entre los primeros diez resultados; no mide la finalización de una tarea de negocio completa.

Según los datos que Arcade entregó, su sistema reporta 56,81% en la categoría Web frente al 45,99% publicado por Microsoft Foundry; 57,25% en Código frente a 39,56%; y 42,65% en Personalizado frente a 41,36%. Las corridas usan configuraciones distintas: la de Microsoft omite la cadena de instrucciones para evitar el costo y la demora de generarla con otra llamada a un modelo. Arcade reconoce que la comparación indica una ventaja potencial, no un resultado controlado cara a cara.

El contexto competitivo es real: Microsoft, Anthropic y OpenAI ya ofrecen formas de descubrir herramientas bajo demanda. El Tool Search Tool de Anthropic reporta una reducción de tokens del 85% en su propio ejemplo, con una línea base distinta a la de Arcade. La Responses API de OpenAI soporta funciones diferidas y herramientas MCP, con soporte a partir de GPT-5.4. La apuesta de Arcade es empaquetar el descubrimiento junto con los controles de ejecución en una capa que el cliente puede usar sobre el modelo que elija.

¿Qué significa esto para tu startup?

Si tienes agentes conectados a varios sistemas, el mensaje práctico es que el ahorro de tokens no equivale automáticamente a un ahorro del mismo porcentaje en tu gasto total de IA. Hay que sumar las tarifas de plataforma y por acción de Arcade, cualquier licencia empresarial y el costo de operar tu propia infraestructura. La empresa no entregó una comparación de costo total de un cliente con nombre.

La propia modelización de Arcade favorece una lista fija de herramientas por debajo de unas 25 a 28. Con inventarios más grandes, el comprador necesita medir el sobrecosto de búsqueda, las tasas de finalización y la factura final en sus propias cargas de trabajo.

Dos acciones concretas para evaluar esto en tu equipo:

• Mide antes de adoptar. Corre tus flujos reales con y sin descubrimiento de herramientas y compara tokens de entrada y salida, tasa de finalización y factura final. El intervalo reportado por Arcade (2,5% a 12,6%) es amplio: en tu caso puede quedar cerca de cero.
• Cuenta el sobrecosto de las búsquedas repetidas. Partee reconoció que llamar al sistema de recomendación una y otra vez puede consumir suficientes recursos como para borrar el ahorro o incluso encarecer la interacción. Si tu agente consulta el catálogo en cada paso, el beneficio se diluye.

Sobre los precios publicados: el plan Free cuesta 0 dólares al mes con 2.000 eventos de autorización y 2.000 llamadas de herramienta mensuales; el plan Team cuesta 25 dólares al mes más uso, con 0,10 dólares por evento de autorización y 0,01 dólares por llamada de herramienta; el plan Enterprise es cotización personalizada con paquetes anuales y descuentos por volumen. Tool Recommendation no suma un cargo propio en Arcade Cloud, pero eso no significa uso ilimitado: los cargos por eventos y llamadas siguen corriendo.

Entre los usuarios que Arcade lista están LangChain, Relevance AI, Snyk y Sybill, además de Duracell y YUR y clientes sin nombre descritos como una institución financiera Fortune 100 y una empresa de internet de consumo del Nasdaq-100. Esos nombres no demuestran que ningún cliente haya alcanzado los ahorros reportados para la nueva función.

Conclusión

Arcade.dev no vende un modelo ni un chatbot: vende la capa que decide qué puede hacer un agente, lo conecta a los sistemas donde ocurre el trabajo, registra sus acciones y ahora sugiere la herramienta relevante sin ensuciar la conversación. La evidencia más sólida de sus materiales es la reducción medida del 7,6% en el costo de flujos completos; los porcentajes grandes explican de dónde podrían venir ahorros adicionales bajo supuestos específicos. Para un founder, la decisión no es "¿cuánto ahorro en tokens?" sino "¿cuánto baja mi factura total, con qué tasa de finalización y a qué costo de plataforma?". Esa cuenta solo la cierras con tus propios datos.

Fuentes

• New Tool Recommendation system cuts your firm's input token costs by 37%, according to Arcade.dev