Instacart dejó de leer el 97% de su código
Instacart ya no lee el 97% del código que se escribe dentro de la empresa. Lo confirmó su CTO, Anirban Kundu —AK para su equipo— en el podcast Beyond The Pilot de VentureBeat: en la gran mayoría de los casos los ingenieros dejaron de revisar el código, y la meta declarada es no mirarlo más para mediados del próximo año.
El dato que debería interesar a cualquier equipo de producto es el que viene detrás: el costo de IA por cada merge cayó cerca de 75% frente al verano, y la compañía alcanzó su récord histórico de merges en una semana. Menos gasto, más entrega. No es un piloto de laboratorio: es la operación de una empresa que cotiza en bolsa y arrastra 13 años de código legado.
Kundu no es un entusiasta improvisado. Antes de Instacart lideró ingeniería de delivery en Uber, dirigió producto e ingeniería en Postmates y fue CTO de Evernote. Su tesis central incomoda al relato dominante del sector: el modelo importa menos que el sistema que lo envuelve.
¿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 →¿Qué es Maverick y por qué el harness pesa más que el modelo?
Instacart construyó un sistema interno llamado Maverick que separa el trabajo por tipo de tarea. Las fases de planificación —cuando producto, diseño e ingeniería definen qué se va a construir— se resuelven con modelos de frontera, incluso con varios modelos evaluándose entre sí para verificar cobertura. La generación de código, en cambio, baja a modelos abiertos más rápidos y baratos como Luna y DeepSeek.
Según Kundu, entre el 70% y el 80% del esfuerzo está en el harness, no en la elección del modelo. Los modelos son tan capaces y tan parecidos entre sí en este momento, explicó, que la ventaja competitiva se mudó a otra parte: qué contexto se le inyecta al modelo, cómo se enruta cada tarea y cómo se logra consistencia en toda la base de desarrollo, no solo entre los ingenieros más avanzados.
El harness tiene dos mitades. Una alimenta el contexto —el porqué de cada cambio, la historia larga del proyecto— y la otra decide qué modelo genera qué. La capa de verificación, admite Kundu, todavía está en construcción: trabajan en evaluaciones por cobertura semántica, no por líneas de código testeadas.
El efecto secundario es el más llamativo. Instacart está migrando partes de su código Ruby de 13 años a Go y, en algunos casos, a Rust, con ingenieros que nunca escribieron esos lenguajes. Entienden el problema y los procesos; el código lo produce el sistema.
¿Por qué se disparó el costo de la IA para programar?
Instacart no está sola en esto. Un análisis interno de Hewlett Packard Enterprise de octubre de 2026 encontró que enrutar el trabajo entre modelos de frontera y modelos abiertos alojados en su nube privada recortó los costos de tokens de coding agéntico entre 30% y 50%, según reportó Crypto Briefing. La lógica es la misma que la de Maverick: usar el modelo caro solo cuando la tarea lo exige.
La magnitud del problema explica por qué. Según ese mismo reporte, una sola tarea agéntica puede consumir entre 10 y 50 veces más tokens que un prompt de chat básico, y el 5% de usuarios más intensivos genera unas 450 veces más consumo que los más livianos. Ese desbalance rompe el pricing plano por asiento: GitHub Copilot ya migró a créditos medidos, y Gartner proyecta que el costo de tokens para coding superará el salario promedio de un desarrollador hacia 2028.
Hay alternativas más simples que reconstruir el stack completo. Un equipo de Microsoft Research y UC Berkeley publicó TokenEconomizer, un plugin open source que recorta el costo de agentes de coding entre 18,4% y 30,9% en tareas de SWE-Bench sin tocar el modelo ni el agente, según MarkTechPost. Su mayor palanca es podar herramientas que el agente nunca usa.
Y el problema es cultural, no solo técnico. Una encuesta de VentureBeat citada en la propia conversación encontró que el 59% de las empresas vio caer su rendimiento al cambiar de modelo. El punto para un founder: si tu factura de IA crece más rápido que tu output, el problema probablemente no sea el precio del modelo, sino que estás usando el mismo modelo para todo.
¿Cómo aplica Instacart la IA en su producto?
El otro frente es producto. Clementine, el asistente de compras con IA que Instacart lanzó en septiembre de 2026 en Estados Unidos y Canadá —así lo reportó TechCrunch—, bajó su costo de servicio a un octavo de lo que era ocho meses antes, según Kundu.
La arquitectura detrás tiene tres piezas que cualquier equipo de producto puede estudiar:
- Un sistema de comprensión de consultas en capas que reemplazó un modelo de frontera por un SLM ajustado, para que la búsqueda sea instantánea en lugar de lenta.
- IDs semánticos construidos a partir de embeddings de todo el catálogo, que permiten encontrar sustitutos reales cuando un producto no está disponible en la tienda del usuario.
- Una arquitectura orientada a intención: hacia la tercera sesión, los usuarios dejan de buscar ingrediente por ingrediente y empiezan a pedir cosas como un pastel de chocolate para cuatro personas que sea vegano.
El resultado se ve en el ticket. Instacart reportó que los pedidos hechos con Clementine incluyen más ítems que el promedio y superan su ticket medio de US$115, según el comunicado de lanzamiento recogido por PR Newswire. La compañía apoya el producto en más de 1.600 millones de pedidos históricos, un catálogo de más de 2.000 millones de ítems y unos 10 millones de señales diarias de inventario en casi 100.000 tiendas.
En el frente de los agentes personales —Meta Muse, Claude Duet, OpenAI Dots— Kundu explicó que Instacart prefiere integraciones vía MCP antes que experiencias basadas en navegador, porque estas últimas son lentas y no soportan la compra por intención. La compañía ya tiene acuerdos con Anthropic, OpenAI y Google para que las conversaciones iniciadas en esos asistentes se completen en Instacart, según su comunicado de lanzamiento.
La competencia no se quedó quieta: Uber Eats y DoorDash ya lanzaron asistentes similares, según TechCrunch. Y la batalla real es por ser la herramienta por defecto donde la familia decide qué comprar, no solo dónde hacer el pedido.
¿Qué significa esto para tu startup?
Tres cosas concretas, y ninguna requiere el presupuesto de Instacart.
1. Enruta por tarea, no por modelo. Antes de pagar el modelo más caro para todo, clasifica tus tareas: ¿cuáles necesitan razonamiento y cuáles son ejecución repetitiva? La planificación y el trabajo con información externa justifican un modelo de frontera; la ejecución repetitiva, no. Instacart lo hace con dos capas y HPE reporta ahorros de 30% a 50% con la misma lógica.
2. Mide costo por unidad de negocio, no por token. El número que Kundu eligió para comunicar su avance no fue el gasto total: fue el costo por merge. Define tu propia unidad —costo por pedido, por ticket resuelto, por feature entregada— y sigue esa curva semana a semana. Es la única forma de saber si tu inversión en IA está mejorando o solo creciendo.
3. Invierte en el harness antes que en el modelo. Si el 70-80% del esfuerzo está en el contexto, el enrutamiento y la verificación, ahí está tu ventaja defendible. Un modelo se puede copiar en una tarde; el sistema que le da contexto a tu negocio, no.
Y una advertencia: la capa de verificación es la parte que Instacart todavía no terminó. Si vas a dejar que la IA escriba código crítico, define tus evaluaciones antes de escalar, no después.
Conclusión
Instacart muestra que la ventaja en IA dejó de estar en el modelo y se mudó al sistema que lo rodea: enrutamiento, contexto y verificación. El 75% de ahorro por merge y el 97% de código no leído no salieron de comprar el modelo más avanzado, sino de construir la infraestructura que decide cuándo usarlo. Para una startup, la lección es más barata de aplicar de lo que parece: empieza midiendo el costo por unidad de negocio y enruta cada tarea al modelo que le corresponde.
Fuentes
- Instacart Cut AI Coding Cost per Merge 75% with CTO Anirban Kundu (fuente original)
- Instacart launches an AI grocery shopping assistant called Clementine
- Meet Clementine: Instacart’s AI Shopping Assistant
- HPE says hybrid AI routing cuts coding token costs by 30-50%
- Meet TokenEconomizer: Microsoft’s Plugin That Cuts Coding Agent Costs by Up to 30.9%
¿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 →













