Hace tiempo que tengo en la cabeza Protos, mi propio lenguaje de programación. Durante años fue una de esas ideas que uno desarrolla mentalmente, revisa, aparca y vuelve a recuperar. La inteligencia artificial cambió algo importante: por primera vez podía dedicarme a convertir esa idea en un proyecto real, aunque no tuviera un equipo de desarrolladores detrás.
Pero había un detalle que no había resuelto: ¿cómo mantener ese ritmo de desarrollo sin dejarme una fortuna en IA? Lo que empezó como una búsqueda de la herramienta más barata acabó convirtiéndose en una pequeña odisea de suscripciones, APIs, límites de uso, millones de tokens y varios cambios de estrategia.
El primer error: confundir precio por token con precio por trabajo terminado
Uno de mis experimentos fue utilizar Claude Code como agente, pero conectado a los modelos de DeepSeek mediante su API compatible con Anthropic. La idea era atractiva: pagar solo por lo que consumía y controlar el presupuesto. «Si pongo dos euros, son dos euros».
En una de las mediciones, el consumo acumulado de DeepSeek era de 299.529.415 tokens y 3.084 peticiones, por 15,70 dólares. Visto así, el precio por token era difícil de discutir. El problema era otro: algunas tareas necesitaban demasiadas vueltas. Cuando un modelo no resuelve bien un problema complejo, vuelve a leer contexto, propone cambios, rectifica y consume más tokens. Al final, lo importante no es cuánto cuesta una petición, sino cuánto cuesta conseguir un resultado correcto.
También aprendí que el contexto tiene un precio. En otro proyecto, housewire, operaciones aparentemente sencillas empezaron a salir caras a medida que crecía el repositorio. El directorio ocupaba unos 909 MB, pero el código realmente relevante rondaba los 9 MB; el resto incluía un entorno virtual y navegadores de pruebas. Un agente que mira demasiado puede gastar mucho sin haber avanzado casi nada.
Las cuotas tampoco eran la solución mágica
Probé las herramientas incluidas en las suscripciones. ChatGPT me daba algo que valoraba mucho: podía mantener varios hilos de investigación, consultar repositorios y discutir decisiones de arquitectura. En una etapa de uso especialmente intenso agoté el acceso al modelo más potente en alrededor de cinco días.
Codex funcionaba bien como agente, pero llegué a ver cómo su cuota de uso se consumía en unos diez minutos de tareas relativamente pequeñas. Claude Code también tenía límites. Y para desarrollar Protos yo no necesitaba una sesión ocasional: aspiraba a trabajar varias horas al día, varios días por semana.
Intenté entonces una salida aparentemente lógica: usar Claude Code directamente con la API de Anthropic y pagar por consumo en lugar de depender de la suscripción. El experimento fue breve. Cinco dólares desaparecieron en unos quince o veinte minutos, y la alternativa que apareció implicaba una recarga de cien dólares. Para un proyecto personal, no era una opción sostenible.
Mi presupuesto objetivo era bastante modesto: idealmente, entre cero y cincuenta dólares mensuales para Protos. Por encima de cien dólares necesitaría financiación; doscientos o más sencillamente no tenían sentido para mí. Me gustaba la idea del pago por uso —gastar más durante una semana intensa y menos durante una tranquila—, pero las pruebas me enseñaron que la predictibilidad también tiene valor.
La decisión: separar pensar de ejecutar
Terminé llegando a una organización que al principio no buscaba: ChatGPT como conversación e investigación; Claude Code como agente dentro de Visual Studio Code.
Con ChatGPT investigo cómo resuelven otros lenguajes un problema, contrasto alternativas, consulto documentación y código, discuto las decisiones de diseño de Protos y preparo instrucciones de implementación. Me interesa que la investigación sea profunda: si una decisión afecta a la semántica de un lenguaje, prefiero dedicarle el tiempo necesario antes de tocar código.
Después, cuando la decisión está tomada, Claude Code trabaja en el repositorio, edita los ficheros concretos y realiza las verificaciones autorizadas. Todo ello siguiendo las reglas del proyecto recogidas en AGENTS.md. Yo sigo aprobando las decisiones sustantivas, revisando las evidencias y decidiendo cuándo dar un cambio por bueno. En algunas investigaciones especialmente delicadas trabajamos de forma interactiva y ejecuto yo mismo las mediciones.
La separación tiene una ventaja práctica: no necesito que el agente de programación redescubra en cada sesión lo que ya hemos investigado. Y tampoco necesito gastar su cuota de implementación en una discusión arquitectónica que puede durar horas y acabar, perfectamente, con la decisión de no cambiar nada.
Lo barato es lo que permite seguir mañana
No he encontrado una tarifa milagrosa ni creo que mi combinación actual sea la mejor para todo el mundo. De hecho, resulta irónico que empezara intentando evitar varias suscripciones y acabara utilizando dos servicios distintos. Pero ahora cada uno tiene una función clara, y puedo valorar el coste según el trabajo que realmente consigo sacar adelante.
La IA no escribe por arte de magia un lenguaje de programación completo, ni sustituye las pruebas, las decisiones difíciles o el criterio técnico. Lo que sí ha hecho es darme la posibilidad de trabajar en una idea que llevaba mucho tiempo esperando su oportunidad. Y, después de unas cuantas peripecias, he aprendido que la herramienta más barata no es la que genera tokens a menor precio, sino la que me permite avanzar correctamente y volver a trabajar al día siguiente.
De esa experiencia nació también mi manera de desarrollar Protos, una idea que llevaba mucho tiempo esperando.