Agentes de IA consumen hasta 136 veces más que chatbots

Un equipo de investigadores del Korea Advanced Institute of Science and Technology ha cuantificado una brecha energética que los desarrolladores de IA tendían a minimizar o ignorar: la diferencia abismal entre consultar un modelo de lenguaje y dejarlo actuar de forma autónoma. Mientras que una consulta a ChatGPT consume energía en una sola pasada hacia adelante del modelo, un agente que planifica, invoca herramientas externas, ejecuta código y navega la web genera decenas o cientos de llamadas encadenadas.

El estudio establece que este multiplicador puede alcanzar 136,5 veces el consumo de un chatbot convencional. No es una extrapolación teórica: es el resultado de medir sistemas reales bajo cargas de trabajo representativas. La diferencia radica en que un agente no responde, sino que *actúa*: cada acción requiere evaluación, cada resultado requiere replanificación, cada bucle de retroalimentación consume tokens y ciclos de CPU o GPU.

Esta brecha importa porque la industria ha estado apostando fuerte por agentes autónomos como el siguiente paso evolutivo de la IA. Empresas como OpenAI con sus reasoning models, Anthropic y otras están construyendo sistemas que deben operar sin supervisión constante. Pero un consumo 136 veces superior no es un detalle: es una barrera económica y ambiental que restringe cuándo y dónde estos sistemas pueden desplegarse.

El contexto es relevante: mientras las empresas de IA promocionan eficiencia y escalabilidad, los costes operativos reales de sistemas autónomos seguían siendo un territorio poco explorado públicamente. Estudios previos habían señalado problemas de consumo en razonamiento complejo, pero este trabajo ofrece una cifra concreta y medible que sirve como punto de referencia.

El escepticismo viene por dos flancos. Primero, las mejoras en arquitectura y optimización pueden reducir ese multiplicador con el tiempo; segunda generación de agentes puede ser más eficiente. Segundo, no todos los casos de uso requieren agentes con 136 iteraciones: un agente bien diseñado planifica mejor y reduce bucles innecesarios. La cifra refleja un peor caso más que un promedio.

Lo que esperar es presión creciente para que desarrolladores reporten métricas de consumo energético en agentes, no solo en modelos. Las auditorías regulatorias probablemente lo exigirán. Y veremos innovación acelerada en técnicas de destilación, caché de razonamiento y compilación de planes para reducir la brecha. Sin eso, los agentes autónomos quedarán confinados a tareas de alto valor donde el coste energético es secundario.