Peter Steinberger, de OpenClaw, ejecutó unas 100 instancias de Codex como agentes para revisar código y detectar fallos; en 30 días el consumo alcanzó $1,3 millones y las cifras se atribuyen a Steinberger vía X.
Peter Steinberger, líder del proyecto OpenClaw, puso en marcha aproximadamente 100 instancias de Codex que actúan como agentes autónomos para tareas de desarrollo, y el uso registrado en un periodo de 30 días generó una factura de 1,3 millones de dólares. El dato importa porque muestra hasta qué punto la automatización de revisiones y detección de errores puede escalar si el coste por token deja de ser la principal limitación.
El despliegue lo mantiene un equipo de alrededor de tres personas y los agentes ejecutan tareas concretas: revisar pull requests, buscar huecos de seguridad en commits, desduplicar issues y proponer y abrir PRs alineados con la visión del proyecto. Además, hay agentes que monitorizan benchmarks para detectar regresiones, notifican incidencias en canales de Discord y «escuchan» reuniones para iniciar PRs sobre funciones discutidas en ellas.
Para el análisis de bugs y seguridad OpenClaw combina varias herramientas: Clawpatch.ai, Vercel's Deepsec y Codex Security, integradas con los agentes que actúan de manera autónoma o asistida. Esa combinación permite tanto detección automatizada como la generación de cambios propuestos directamente en repositorios, agilizando flujos de trabajo que habitualmente requieren revisión humana intensiva.
En términos de consumo, en esos 30 días OpenClaw registró 603.000 millones de tokens procesados y 7,6 millones de requests; el modelo más empleado fue GPT-5.5. OpenAI asumió la factura, según el informe atribuido a Steinberger, quien además matiza que el gasto es sensible a parámetros operativos: por ejemplo, desactivar el modo "Fast Mode" reduciría el coste en torno al 70% según su cálculo.
Steinberger presenta el experimento como una inversión en investigación para explorar cómo sería el desarrollo de software si el coste por token no fuera una restricción. El proyecto es open source y compatible con modelos propietarios y con pesos abiertos, y su promesa de retorno de inversión se basa en combinar automatización de reviews con detección temprana de fallos para ahorrar tiempo y evitar regresiones costosas.
El caso ofrece lecciones prácticas: por un lado, ilustra el potencial real de acelerar revisiones y detectar problemas a escala; por otro, subraya la sensibilidad del modelo de costes a decisiones técnicas y al modelo elegido. Para equipos y proyectos open source, la experiencia muestra cómo integrar análisis automatizado y herramientas de seguridad externas, pero también advierte que experimentos a gran escala pueden requerir apoyo financiero o acuerdos con proveedores.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
