HybridAgents: agentes de IA con 55% menos tokens

HybridAgents: agentes que piensan sin escribir cada paso

Hasta 54,7% menos tokens y una inferencia hasta 2,6 veces más rápida. Esas son las cifras que reporta el paper Hybrid Reasoning Agents, publicado en arXiv, sobre un framework llamado HybridAgents que permite a un agente de IA razonar en un espacio latente, sin decodificar cada paso a texto, y volver al lenguaje natural solo cuando tiene que actuar sobre el entorno.

Para un founder que revisa una factura de inferencia todos los meses, la pregunta no es si el método es elegante. Es si su agente puede hacer el mismo trabajo consumiendo la mitad de los tokens. Ahí está el valor concreto de esta investigación.

¿Qué es el razonamiento latente y por qué el texto sale caro?

Los agentes modernos razonan e interactúan en texto. Cada paso intermedio, del tipo "primero consulto la API y después valido el resultado", se convierte en tokens que el modelo genera, que el proveedor factura y que el usuario final nunca ve.

El razonamiento latente propone lo contrario: en lugar de escribir el pensamiento, el modelo lo mantiene en representaciones internas continuas. Es más eficiente, pero arrastra dos problemas conocidos. No tiene acceso nativo a herramientas y no deja rastro visible de lo que ocurrió por dentro.

HybridAgents intenta quedarse con lo mejor de ambos mundos: navega dinámicamente entre razonamiento latente e interacción basada en texto dentro de un mismo proceso de generación. Es decir, el agente piensa en silencio y habla solo cuando necesita ejecutar algo.

Cómo funciona HybridAgents por dentro

La arquitectura se apoya en tres piezas que conviene entender antes de evaluarla:

• HybridLink: un módulo liviano que gestiona las transiciones entre el modo latente y el modo texto.
• Memoria de trabajo continua: conserva un contexto híbrido sin pérdida a lo largo de varios turnos, lo que evita que el agente pierda el hilo entre una llamada a herramienta y la siguiente.
• Post-entrenamiento dedicado: HybridSFT estabiliza la generación híbrida con herramientas al enseñarle al modelo base a coordinarse con HybridLink, y HybridRL escala el razonamiento aprendiendo cuándo conviene pensar en latente y cuándo actuar en texto.

Hay un detalle que importa especialmente para equipos en sectores regulados. Los pensamientos latentes son inspeccionables: según el paper, el razonamiento interno puede mostrarse como pseudo-texto legible, lo que da a los desarrolladores una ventana a lo que el modelo hizo por dentro. Cryptobriefing, que cubrió la investigación, aclara que esto no equivale a leer la cadena de pensamiento literal del modelo, pero sí es mejor que una caja negra.

Los números del paper: 10,4% más rendimiento y 2,7x a 3,7x menos costo

La evaluación se hizo en 3 escalas de modelo y 11 benchmarks que cubren matemáticas, ciencia, medicina, búsqueda y razonamiento agéntico. Frente a agentes LLM de frontera y frameworks agénticos basados en texto y en métodos latentes, HybridAgent reporta:

• Rendimiento: una mejora promedio de 10,4%.
• Tokens: reducción de entre 35,5% y 54,7%.
• Velocidad de inferencia: entre 1,8x y 2,6x más rápida.
• Costo: ahorro de 2,7x a 3,7x.

Cryptobriefing traduce esa última cifra en una reducción de cómputo de aproximadamente 63% a 73%, y agrega dos datos que el abstract no menciona: la evaluación corrió sobre modelos Qwen3-Base de 4B, 8B y 14B parámetros, y el paper fue enviado a arXiv el 13 de octubre de 2026 con Jiaru Zou, de Stanford y Together AI, entre los autores.

El código está en el repositorio togethercomputer/HybridAgent de GitHub y los modelos están publicados en Hugging Face, así que un equipo con GPUs propias puede probarlo sin esperar a que un proveedor lo empaquete.

Las advertencias antes de entusiasmarse

Tres límites que cualquier founder debería tener presentes antes de reescribir su arquitectura:

• Es un preprint. No ha pasado necesariamente por revisión formal de pares.
• La prueba cubrió modelos de 4B a 14B parámetros. Cómo escala el enfoque a modelos mucho más grandes sigue siendo una pregunta abierta.
• El pseudo-texto de razonamiento latente es una función útil, pero no es lo mismo que leer el razonamiento literal. En campos regulados como medicina, uno de los dominios evaluados, cuánta confianza puede soportar ese pseudo-texto será determinante.

El costo de inferencia es el nuevo campo de batalla

El timing del paper no es casual. Según Gartner, los costos de inferencia por flujo de trabajo agéntico aumentarán más de cinco veces hasta 2028, aun cuando el precio por token siga bajando, algo que la firma proyecta en una caída del 95% para 2030.

Gartner llama a esto la paradoja de la inferencia: mejores economías unitarias que, sin embargo, elevan el costo total de la IA. El análisis, difundido por Computerworld y ITVoice, señala que un agente que razona puede costar hasta 150 veces más en una sola tarea que un chatbot básico, y que los agentes necesitan entre 5 y 30 veces más tokens que un chatbot para resolver una tarea equivalente.

El modelo Tokenomics de Gartner pone números al problema: unos USD 0,05 por token en flujos básicos, cerca de USD 0,10 en resumen y recuperación de conocimiento, alrededor de USD 0,30 en flujos complejos y aproximadamente USD 0,40 en planificación y aprendizaje. En otras palabras, las tareas donde vive el valor de un agente son las más caras de todas.

¿Qué significa esto para tu startup?

La investigación ataca justamente el eslabón que Gartner identifica como el más costoso: el razonamiento. Si el 35,5% al 54,7% de reducción de tokens se sostiene fuera del laboratorio, el impacto no está en la calidad del output, sino en el margen de tu producto.

Tres acciones concretas:

• Audita cuánto de tu gasto en IA es razonamiento invisible. Separa en tu tracking los tokens de planificación y validación de los tokens de respuesta final. En la mayoría de los agentes en producción, los primeros dominan la factura y nadie los mide.
• Aplica enrutamiento por costo, no por defecto. Gartner recomienda explícitamente el inference tiering: enviar cada consulta al modelo más costo-eficiente y bloquear que los agentes invoquen modelos de frontera para tareas simples. Es la palanca de ahorro que puedes implementar esta semana, sin cambiar de modelo.
• Prueba enfoques híbridos en un workload acotado. El código de HybridAgent es abierto. Antes de invertir en reescribir tu stack, corre un piloto sobre una sola tarea de tu agente y mide tokens, latencia y costo por resultado terminado. Si tu caso no está en los 11 benchmarks del paper, esa prueba vale más que cualquier cifra publicada.

Y una advertencia de gestión: no midas éxito por tokens ahorrados, sino por costo por resultado (tareas automatizadas, casos cerrados). Ahorrar tokens en un flujo que falla más seguido es una pérdida, no una optimización.

Conclusión

HybridAgents apunta a algo que muchos equipos ya sienten en su factura: el texto intermedio de los agentes es el costo oculto de la IA agéntica. El paper ofrece una arquitectura concreta, cifras medibles y código abierto, con la cautela de ser un preprint y de haberse probado en modelos de hasta 14B parámetros.

La lección accionable no depende de que la técnica escale a modelos de frontera. Depende de que dejes de tratar el razonamiento como una caja negra gratuita y empieces a gestionarlo como lo que es: la línea de costo que define si tu producto de IA tiene margen o no.

Fuentes

• arxiv.org/abs/2610.18861 (fuente original)
• Hybrid reasoning agents cut AI compute costs by up to 73%, new paper says - Cryptobriefing
• AI inference is getting cheaper, but your agents are getting more expensive - Computerworld
• Gartner Predicts AI Inference Costs Per Agentic Workflow Will Increase More Than Fivefold Through 2028 - ITVoice