Garry Tan, CEO de Y Combinator, gasta US$200K en tokens

Cuánto cuesta realmente vivir con agentes de IA

Garry Tan gasta entre US$100.000 y US$200.000 al año en tokens. Lo dijo sin rodeos en un nuevo episodio del podcast The Builders, de Walter Isaacson: «Gasto quizás US$100.000, US$200.000 al año en tokens». Para un founder que todavía está decidiendo si vale la pena pagar el plan de US$20 al mes, esa cifra es un balde de agua fría y, al mismo tiempo, la mejor hoja de ruta disponible sobre qué se puede hacer hoy con agentes autónomos.

El CEO de Y Combinator no usa la IA para redactar correos. La usa para investigar, programar y, según sus propias palabras, «correr su vida». Su agente ha leído todo su email, todo su Dropbox y todas sus notas de Apple, incluidas —dice— sus notas de terapia de los últimos 20 años.

La comparación que usa es útil: un agente es como un Pepito Grillo permanente en tu hombro. «Casi cualquier cosa que quieras hacer, te conoce y está ahí para ayudar. Y de hecho se adelanta y te dice: ‘¿y esto?’. O te ayuda a ver lo que viene detrás de la esquina».

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Stray Light: el agente interno que está reescribiendo Y Combinator

El dato más relevante para cualquier equipo que esté pensando en adoptar agentes no es el gasto personal de Tan, sino lo que Y Combinator está haciendo con ellos puertas adentro. La aceleradora usa un agente interno llamado Stray Light que, según Tan, «tiene una personalidad y tiene un cerebro de empresa».

¿Qué significa eso en la práctica? Que el agente carga el contexto total de cada founder que YC ha respaldado, de cualquiera que les haya escrito y de todas las aplicaciones recibidas. Es un activo de conocimiento institucional convertido en interfaz conversacional. Y Tan lo describe como parte de un esfuerzo por «reconstruir la forma en que operamos en YC».

Tan también publicó en GitHub su set de 23 skills de Claude Code, llamado gstack, para enseñar a otros qué pueden hacer los agentes. Es un gesto poco común en un sector donde las ventajas operativas suelen guardarse bajo llave.

La lección que Tan aprendió: no trates un agente como software

Tan fue uno de los primeros adoptantes de OpenClaw y hoy es usuario avanzado. Su conclusión central es contraintuitiva para quien viene del mundo del software tradicional: no hay que tratar a los agentes como si fueran programas.

«Algunas personas están tan preocupadas por la repetibilidad y la seguridad que terminan sacrificando todas las partes hermosas de trabajar con un agente de IA, que básicamente puede parecerse mucho a un humano», dijo.

Es un punto que choca con la cultura de ingeniería clásica, donde la determinación y la previsibilidad son virtudes. Con agentes, la variabilidad es parte del valor: el sistema propone, se adelanta y conecta cosas que un flujo rígido nunca conectaría.

Por qué el costo de los tokens se volvió el tema central de 2026

Tan es explícito: los agentes personales se van a masificar solo si los costos bajan. «Es demasiado caro ahora mismo», dijo, y reconoció que su nivel de gasto es «un privilegio enorme que no todos pueden darse».

No está solo en ese diagnóstico. TechCrunch reportó que Uber agotó todo su presupuesto de IA para 2026 en abril, y que Microsoft revocó las licencias de Claude Code de sus desarrolladores meses después de habilitarlas. Un empleado de Priceline contó al mismo medio que la renovación de un contrato de Cursor volvió a costar entre 4 y 5 veces más.

El problema de fondo es que el precio por token bajó, pero el consumo explotó. Jellyfish, una plataforma de gestión de ingeniería, encontró que los ingenieros que más tokens usaban eran aproximadamente el doble de productivos que los que usaban menos IA, pero gastaban 10 veces más tokens para lograrlo. Su jefe de investigación, Nicholas Arcolano, dijo a TechCrunch que el consumo por desarrollador subió cerca de 18,6 veces en nueve meses.

La escala de lo que puede salir mal ya tiene su caso testigo. Según Memeburn, una empresa no identificada recibió una factura de US$500 millones por uso de Claude en un solo mes, sin límites de gasto configurados. La documentación de Anthropic, citada por ese medio, sitúa el costo promedio de Claude Code en US$6 por desarrollador por día, pero los usuarios intensivos en proyectos largos superan ese promedio con holgura.

También cambió el terreno de juego para quien construye sobre modelos de terceros. The Next Web reportó que Anthropic bloqueó a los suscriptores de Claude Pro y Max el uso de sus planes de tarifa fija con frameworks de agentes de terceros a partir del 4 de abril de 2026, empezando por OpenClaw. Quien quiera seguir corriendo agentes fuera del ecosistema de Anthropic debe pagar tarifas de API: US$3 por millón de tokens de entrada y US$15 por millón de salida para Claude Sonnet 4.6, según el mismo medio.

¿Qué significa esto para tu startup?

La brecha entre lo que gasta el CEO de Y Combinator y lo que puede gastar una startup latinoamericana o española en etapa temprana es enorme. Pero el caso deja tres lecciones accionables.

1. Mide antes de escalar. El error que hundió a la empresa del caso de US$500 millones no fue usar IA, fue abrir el acceso sin topes. Antes de dar agentes a todo el equipo, define un límite de gasto por usuario y por equipo, y revisa el consumo semanalmente. Anthropic permite configurar topes a nivel de organización y de usuario en su plan Enterprise; el problema es que casi nadie los activa.

2. Enruta por tarea, no por costumbre. No todas las tareas necesitan el modelo más caro. Reserva el modelo de mayor capacidad para trabajo complejo y usa los modelos livianos para tareas rutinarias. La diferencia de precio entre un modelo de entrada y uno de frontera es de un orden de magnitud, y la mayoría de los flujos internos no requieren el más potente.

3. Empieza por el contexto, no por la autonomía. Lo que hace valioso al agente de Tan no es que sea autónomo, es que tiene acceso al contexto completo de su trabajo. Antes de automatizar decisiones, conecta tus fuentes de información: documentos, correos, base de conocimiento. Un agente con contexto pobre y mucha autonomía solo escala errores más rápido.

4. Distingue el gasto de la inversión. El dato de Jellyfish es incómodo: más tokens no equivale automáticamente a más valor. Antes de ampliar el presupuesto de IA, define qué métrica de negocio debería moverse —código desplegado, tickets resueltos, tiempo de ciclo— y compárala contra el gasto. Si no puedes medir el retorno, estás comprando actividad, no resultados.

Conclusión

Garry Tan está mostrando el techo de lo que hoy es posible con agentes de IA, y también su principal obstáculo: el precio. Su mensaje tiene dos capas. La primera es que los agentes personales, con acceso a todo tu contexto y capacidad de anticiparse, van a ser la norma. La segunda es que hoy eso es un privilegio caro, y que el sector todavía no resolvió quién paga la cuenta.

Para un founder, la lectura práctica es que no hay que esperar a que los costos bajen para empezar, pero sí hay que empezar con disciplina. El acceso sin control es lo que convierte una herramienta de productividad en un problema de finanzas.

Tan también dejó una advertencia sobre el modelo alternativo: los agentes gratuitos controlados por las grandes tecnológicas. Al hablar de Meta y su control del algoritmo, dijo que «todos desearíamos que no lo tuvieran, en algún nivel», y planteó como horizonte un agente personal que cada usuario controle y programe. Es una discusión que las startups de la región deberían seguir de cerca: define quién es dueño del contexto y de la relación con el usuario en la próxima década.