En els últims mesos, les empreses que incorporen agents d'intel·ligència artificial en els seus fluxos de desenvolupament estan observant un fenomen inquietant: les factures per tokens es disparen sense que el rendiment de l'equip millori en la mateixa proporció. Aquest increment silenciós es deu al que en l'àmbit tècnic es coneix com a 'deute de context', un concepte que afecta directament l'eficiència econòmica de la IA aplicada al programari.
Per entendre-ho, cal diferenciar entre l' ús tradicional d' un xat amb un model de llenguatge i el funcionament d' un agent autònom. En un xat convencional, cada intercanvi consisteix en un prompt i una resposta, i el cost es limita als tokens consumits en aquesta interacció. No obstant això, un agent d'IA opera de forma molt diferent: llegeix arxius, executa eines, corre proves, analitza resultats i decideix el següent pas. El rellevant és que en cadascun d'aquests passos l'agent reenvia el context complet acumulat de totes les iteracions anteriors. No només el missatge més recent, sinó tot l'historial de raonaments, arxius carregats i sortides de proves.
Aquest comportament, sumat a la naturalesa iterativa de les tasques de codificació, provoca que els tokens inútils —aquells que ja no aporten informació rellevant per a la decisió actual— continuïn sent facturats en cada trucada a l'API. El resultat és una factura que es pot multiplicar per deu o fins i tot per cent en comparació amb una simple sessió de xat. Si a això s'hi afegeix el nombre de desenvolupadors, les execucions diàries i els dies del mes, el cost acumulat pot assolir xifres sorprenents, amb estimacions que oscil·len entre 500 i 2.000 dòlars per desenvolupador al mes en entorns amb alta automatització.
La clau està en què la major part d'aquesta despesa no es destina a generar millor lògica de negoci, sinó a mantenir informació contextual que ha perdut la seva utilitat. Per exemple, un agent que llegeix un arxiu de mil línies per localitzar una funció concreta i després conserva aquestes mil línies en cada trucada posterior està pagant per tokens que només repeteixen dades ja assimilades. El mateix passa amb les sortides de proves anteriors, les definicions d' eines carregades a l' inici de la sessió o els primers passos de raonament que ja no són necessaris. Aquestes acumulacions, que anomenem deute de context, són invisibles durant el desenvolupament, però es manifesten en la factura mensual.
Les auditories realitzades en diferents equips revelen patrons molt similars. La primera causa és l'ús d'un únic model de frontera —com GPT-5 o Claude Opus— per a totes les tasques, incloent aquelles rutinàries que un model més petit podria resoldre amb una qualitat superior al 95%. La segona és l'absència de poda del context: els arxius llegits, les sortides de tests i l'historial de raonament es mantenen íntegres durant tota la sessió, sense que s'elimini l'obsolet. La tercera són les sessions descontrolades que, al no tenir límits, poden consumir milions de tokens en una hora.
Afortunadament, hi ha estratègies contrastades per reduir aquest deute sense afectar la velocitat d'entrega. La primera consisteix a carregar les definicions d' eines de forma diferida, és a dir, només quan l' agent les necessita. Un agent d' edició de codi no requereix tenir carregat un navegador automatitzat si no va a navegar. Amb aquesta pràctica es pot reduir entre un 15% i un 25% el cost base del context. La segona estratègia és l'evicció d'arxius després del seu ús: en lloc de mantenir el contingut complet, s'extreu un resum amb les línies rellevants, cosa que redueix dràsticament el nombre de tokens. En tasques intensives en lectura de codi, l' estalvi pot ser d' entre un 8% i un 15%.
Una altra mesura eficaç és aplicar una finestra lliscant a l'historial de raonament. En lloc de conservar tots els passos des de l' inici de la sessió, es mantenen només els darrers vuit o deu, i els anteriors es resumeixen en un registre compacte. Aquesta tècnica, implementada com un hook posterior a cada pas, pot reduir entre un 10% i un 20% la despesa en sessions llargues sense pèrdua de qualitat. A més, és fonamental enrutar les tasques per complexitat: els models petits i ràpids —com Haiku 4.5 o DeepSeek Flash— són perfectes per a classificació d'incidències, generació de codi repetitiu o comprovacions sintàctiques, mentre que els models de frontera es reserven per a decisions arquitectòniques novedoses o depuració complexa. Aquest enfocament, conegut com a arquitectura jeràrquica de models, pot aconseguir un 97,7% de la precisió del model gran amb només un 61% del cost.
Finalment, establir topalls de despesa diaris per desenvolupador evita que les sessions es disparin sense control. Un límit raonable d'entre 50 i 100 dòlars per usuari i dia pot eliminar entre un 15% i un 30% de la despesa total, que sol correspondre a sessions anòmales. L'experiència demostra que, un cop aplicades aquestes mesures, la velocitat d'enginyeria —mesura en lliuraments de sprints, taxes de pull request o funcionalitats completades— es manté intacta. S'estava pagant per tokens que no aportaven valor.
El paral·lelisme amb els inicis de la computació al núvol és inevitable. El 2012, moltes empreses desplegaven recursos a AWS sense etiquetar ni pressupostar, i les factures es disparaven. Avui, la gestió del context en agents d'IA és el nou desafiament d'eficiència. Les organitzacions que aprenguin a auditar i optimitzar el seu ús de context obtindran un avantatge financer estructural sobre els que no ho facin. No es tracta d'un problema dels models, sinó de com es gestionen els recursos que consumeixen.
En aquest escenari, comptar amb un soci tecnològic que entengui tant l'enginyeria de programari com les dinàmiques de cost de la intel·ligència artificial és crucial. En Q2BSTUDIO treballem amb empreses per integrar intel·ligència artificial i agents IA de forma eficient, aplicant bones pràctiques d'arquitectura de models i optimització de context. També desenvolupem programari a mida i aplicacions a mesura que incorporen aquestes capacitats, assegurant que cada token invertit es tradueixi en valor real.
A més, per a aquelles organitzacions que busquen escalar sense sorpreses en la factura, oferim serveis cloud AWS i Azure que permeten desplegar infraestructures eficients, així com ciberseguretat per protegir les dades i les interaccions dels agents. La nostra experiència en serveis intel·ligència de negoci i Power BI ajuda a visualitzar el consum de tokens i a detectar patrons de deute de context. La IA per a empreses no té per què ser cara si es gestiona correctament. El primer pas és auditar el que realment està ocorrent en el context de treball dels seus agents. La majoria dels equips mai ho han fet, i aquí hi ha l'estalvi.
