Replit y Kilo Code: cómo controlar costos de agentes AI

¿Por qué los agentes de IA están disparando los costos de desarrollo?

En Kilo Code, los ingenieros solo leen o escriben código el 1% del tiempo: el resto lo hacen agentes de IA. Esta transformación radical está obligando a los equipos de desarrollo a responder preguntas críticas: ¿qué sistemas son seguros para automatizar?, ¿quién limpia cuando los modelos cometen errores?, ¿las facturas de tokens que se disparan significan progreso real o presupuesto de TI quemado?

Según Emilie Schario, cofundadora de Kilo Code, "a menos que algo esté realmente roto o requiera debugging, el 99% del tiempo los ingenieros ya no leen ni escriben código". Esta declaración, hecha en VB Transform 2026, resume la magnitud del cambio que está viviendo la industria del desarrollo de software.

La adopción de agentes de IA coding no es una tendencia marginal: empresas como Replit, Kilo Code y Symbotic están liderando la implementación empresarial de estas herramientas, pero también enfrentando los desafíos de costos que vienen con ellas. Para founders de startups tecnológicas, entender cómo estas compañías gestionan el equilibrio entre productividad y gasto es crucial para no quemar capital en experimentos de IA sin retorno claro.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Greenfield o brownfield? Dónde funciona realmente la IA

La distinción entre proyectos greenfield (código nuevo desde cero) y brownfield (mantenimiento de código existente) marca la diferencia entre éxito y fracaso en la implementación de agentes de IA.

Jared Go, ingeniero distinguido de IA y cloud en Symbotic (empresa de automatización de almacenes), explica su enfoque: "Estos son mis criterios: seguridad, elegancia, código limpio y conciso, robustez total". Con estos parámetros claros, la IA hace la mayor parte del trabajo pesado y la revisión humana del código se vuelve menos crítica.

Sin embargo, Go advierte que la intervención humana se vuelve necesaria más adelante porque los agentes no toman decisiones fuertes de producto. "Greenfield es tan fácil para los agentes. Brownfield, todos sabemos, es donde está el desafío real".

Replit toma un enfoque diferente. Aunque la compañía ha "ido muy hacia lo agéntico", han sido más conservadores con la codificación con IA, según explica Amol Jain, jefe de ingeniería de producto. Un agente revisa cada pull request (PR) y le asigna una puntuación de riesgo: los PR de bajo riesgo son auto-fusionados por su autor, mientras que otros van a revisores humanos que leen el código y dan feedback.

"La idea era humano en el bucle de supervisión, no humano en el bucle de ejecución", dijo Jain. La herramienta interna de Replit es esencialmente de conducción autónoma para ingenieros de software: los desarrolladores dan una tarea a los agentes, que hacen planificación, implementación y testing de extremo a extremo.

Jain compartió un ejemplo revelador: un ingeniero no podía reproducir ni resolver un bug "muy complicado" en lo profundo de sus sistemas. Fue enviado a un agente manager de IA, que le dijo que se fuera a dormir. El agente manager luego activó varios agentes subyacentes que encontraron el problema; posteriormente activó más agentes que encontraron la solución. Seis horas después, la IA tenía un PR listo para el bug que había desconcertado a ingenieros humanos.

¿Multi-modelo: la clave para optimizar costos?

Los proveedores de IA están evolucionando más allá del modelo de lock-in, ya que los clientes demandan cada vez más elección multi-modelo. Esta tendencia es crítica para startups que necesitan maximizar capacidades minimizando costos.

Kilo Code, por su parte, soporta más de 500 modelos en su gateway. "El software que usas para hacer ingeniería agéntica debería estar desacoplado del modelo que usas para hacerlo", dijo Schario.

Por ejemplo, las empresas suelen usar modelos caros de nivel frontier para arquitecturar un proyecto, luego cambian a un modelo open-weight menos costoso para el resto del trabajo. Esta estrategia de routing inteligente puede reducir costos de tokens en más del 60% según benchmarks de la industria en 2025-2026.

También es importante respetar las limitaciones del proveedor del modelo, como cuando necesitan trabajar en entornos cerrados o aislados, o proveedores en regiones específicas. "Se trata de considerar qué es importante para ti, qué limitaciones has establecido, qué políticas de retención de datos has creado, qué keys has traído, qué commits podrías tener… en esa decisión de routing", explicó Schario.

Replit, de manera similar, tiende a tener mejor sentido del espectro costo versus capacidad que sus clientes, según Jain. "Esencialmente estamos tomando decisiones en nombre de los usuarios sobre qué modelo usar cuándo, en qué capacidad, para minimizar costos y maximizar capacidades".

¿Tokenmaxxing o gestión inteligente? Métricas que importan

Por supuesto, una consideración importante a medida que aumenta la adopción de IA son los costos descontrolados, lo que ha llevado a algunas empresas a rastrear y limitar el uso de IA mediante estrategias de "tokenmaxxing".

Las preocupaciones vienen de ambos lados, dijo Schario: internamente y de clientes. De estos últimos, escucha: "Accidentalmente gasté todo mi presupuesto de IA del año… ¿qué hago ahora?". En respuesta, Kilo Code señala a los clientes el mismo flujo de trabajo: usar modelos caros para planificación, luego modelos open-weight para asequibilidad.

Además, compartir habilidades, orientación sólida y Model Context Protocol (MCP) empoderará a los modelos. "Darte cuenta de dónde realmente puedes mejorar a tu equipo para ayudarlos a obtener el máximo provecho de los modelos que están usando marcará una gran diferencia", dijo Schario.

Internamente, Schario notó que un ingeniero en particular tiene un "pie pesado" y está constantemente en la parte superior del tablero de uso. "Regularmente tengo que preguntar: ¿qué estás haciendo ahí?". Es fácil mirar una factura de $600 por trabajo diario y reaccionar con "wow, eso es mucho", pero mirar la cantidad de trabajo completado a veces puede justificar el costo.

"El costo por pull request es la métrica a la que estoy prestando atención ahora mismo", dijo Schario. "Se siente como la proximidad más cercana para cómo puedo medir valor". En última instancia, la IA cambia cómo las empresas piensan sobre ROI porque el gasto no es el problema. "El gasto sin retorno en ese gasto es el problema".

Symbotic, por su parte, ha establecido niveles de costo mensual para sus empleados. La compañía construyó una herramienta que da a los managers visibilidad en PRs y tendencias de uso. Luego pueden mover usuarios arriba o abajo de nivel según lo consideren apropiado, explicó Go. "Tener un límite y ver cuántas personas subieron de nivel este mes marca una gran diferencia cuando intentas controlar estos costos y hacer las cosas eficientes", dijo Go.

Cuando Cursor (que Symbotic usa intensivamente) terminó un descuento legacy que había mantenido a la compañía en una tarifa plana por solicitud incluso para modelos frontier, y movió a todos a precios completos, forzó una reflexión a nivel de empresa sobre eficiencia, dijo Go. "La gente decía: deberías probar este modelo… esto funciona mejor para este código C#, esto otro…".

Pero el problema de costos se está moviendo cada vez más fuera de TI. Replit, por ejemplo, amplió los agentes más allá de ingeniería, y eventualmente descubrió que un usuario del lado de soporte había "atravesado una cantidad insana de dinero", dijo Jain. Cuando miraron bajo el capó, descubrieron que era porque estaban ejecutando una automatización en GPT 5.5 Pro Max.

"Al menos hasta ese punto, el ROI era bastante claro", dijo Jain. "Podíamos ver productividad de ingeniería 3X, así que nadie lo había cuestionado todavía".

Visibilidad que no sea "anti-productiva", routing de modelos y defaults sensatos son críticos, enfatizó. "La mayoría de las tareas no necesitan el modelo frontier".

¿Qué significa esto para tu startup?

Si estás construyendo una startup tecnológica en 2026, la implementación de agentes de IA coding no es opcional si quieres competir en velocidad y eficiencia. Pero hacerlo sin una estrategia de costos puede quemar tu runway en meses.

Lecciones clave de Replit, Kilo Code y Symbotic:

1. Implementa routing multi-modelo desde el día uno

No uses modelos frontier caros para todo. Establece reglas claras:

Modelos premium (GPT-5, Claude 4, etc.) solo para arquitectura y planificación
Modelos open-weight o de menor costo para implementación y testing
Herramientas como Kilo Code (500+ modelos) o soluciones propias de routing

Acción concreta: Audita tu stack actual de IA. Identifica qué tareas realmente necesitan modelos frontier y migra el resto a alternativas más económicas. El ahorro potencial supera el 60% según benchmarks de 2026.

2. Mide costo por unidad de valor, no gasto total

La métrica de costo por pull request que usa Kilo Code es más útil que mirar facturas mensuales. Si un PR que hubiera tomado 8 horas humanas se completa en 6 horas con IA por $50 de tokens, el ROI es claro.

Acción concreta: Implementa tracking de:

Costo por PR completado
Tiempo ahorrado por tarea
Tasa de errores/rework introducidos por IA
Productividad del equipo (commits, features shipped)

3. Establece límites y visibilidad desde el inicio

Como hizo Symbotic, crea tiers de gasto mensual por desarrollador. Da a los managers visibilidad en tiempo real del uso para intervenir antes de que los costos se disparen.

Acción concreta: Configura alertas cuando un desarrollador alcance el 50%, 75% y 90% de su presupuesto mensual de tokens. Revisa semanalmente los casos de uso de mayor gasto.

4. Mantén humanos en el bucle de supervisión para brownfield

Como demostró Replit, el enfoque de "humano en el bucle de supervisión" funciona mejor que la automatización total para código existente. Usa scoring de riesgo para decidir qué PRs requieren revisión humana.

Acción concreta: Implementa un sistema de scoring de riesgo para PRs generados por IA. Factores a considerar: complejidad del cambio, criticidad del módulo, historial de bugs en esa área.

5. Prepara tu equipo para trabajar con IA, no solo usarla

Como señala Schario, "uplevel your team" es crucial. Los desarrolladores necesitan aprender a escribir prompts efectivos, evaluar output de IA y saber cuándo intervenir.

Acción concreta: Dedica 2-4 horas semanales a training del equipo en:

Prompt engineering para coding
Revisión de código generado por IA
Debugging asistido por agentes
Mejores prácticas de tu stack multi-modelo

El panorama competitivo en 2026

Mientras startups de defensa como Anduril (valorada en $61B en mayo de 2026) y Castelion revolucionan la producción de hardware con IA, las startups de software deben hacer lo mismo con el desarrollo. La diferencia: en software, los ciclos son más rápidos y los costos de experimentación menores, pero la competencia por talento y velocidad de ejecución es feroz.

Las startups que dominen la orquestación de agentes de IA con control de costos tendrán ventaja competitiva significativa. Las que quemen capital en experimentos sin métricas claras de ROI quedarán atrás cuando el mercado se vuelva más exigente con la eficiencia.