El recorte de 17% de Claude Code deja al descubierto las fallas del cobro por usuario

El aumento “permanente” de 25% en el límite semanal de Claude Code deja a los usuarios con 17% menos capacidad que el incremento temporal al que sustituye. Esa aritmética peculiar revela algo que una licencia de software por usuario no puede decirle al comprador: cuánto trabajo puede poner en marcha un solo desarrollador. En la programación con agentes, una sola cuenta puede desatar una ráfaga de análisis de repositorios, llamadas a herramientas, pruebas, reintentos y correcciones. El proveedor debe respaldar esa carga de trabajo aunque el número de usuarios no cambie.

La licencia por usuario ahora oculta un compromiso de capacidad

Los proveedores tradicionales de software usan la identidad como indicador indirecto del consumo. Cuentan empleados, asignan licencias y dejan que las diferencias de uso se compensen entre sí. Ese indicador deja de funcionar cuando un desarrollador solicita que se complete una porción de código y otro delega una migración sin límites definidos en una base de código extensa. Ambos ocupan una licencia, pero generan costos radicalmente distintos.

Anthropic hizo especialmente evidente este desfase cuando anunció que los límites semanales estándar de Claude Code quedarían 25% por encima del nivel base el 14 de septiembre, después de un aumento temporal de 50%. Frente a la asignación ampliada, los usuarios recibirán cerca de 17% menos capacidad. La aritmética solo resulta extraña si Claude Code se entiende como software convencional por suscripción. Es perfectamente lógica si la suscripción representa el derecho a utilizar una reserva finita de inferencia.

No fue la primera señal. En julio de 2025, los usuarios de Claude Code se encontraron con límites inesperadamente restrictivos, incluidos muchos que pagaban $200 al mes por el plan Max. El problema recurrente no era si un límite específico parecía generoso. La categoría de “un usuario de pago” aportaba muy poca información para determinar cuánta capacidad de cómputo había prometido Anthropic.

Según informes, Anthropic y OpenAI gastaron más de la mitad de sus ingresos en inferencia. Anthropic habría reducido su proyección de margen bruto para 2025 de 50% a 40% después de que los costos de inferencia resultaran 23% superiores a lo previsto. Cobrar una tarifa fija por un uso variable e intensivo en cómputo crea una versión de la trampa de escala de las suscripciones: los clientes más entusiastas pueden ser los menos atractivos para el proveedor.

Las cargas de trabajo de los agentes también se acumulan en colas. La demanda no se distribuye de manera uniforme durante la semana, ni el trabajo de los agentes se reparte de forma homogénea a lo largo de un proyecto. Los cambios que abarcan todo un repositorio, los ciclos de prueba y las fechas límite de lanzamiento generan picos. Por ello, los límites, créditos y ajustes en periodos de alta demanda no son tropiezos pasajeros antes de volver al software como servicio puro. Son mecanismos para asignar capacidad sin abandonar el conocido formato de suscripción.

Entre 2024 y 2026, el enfoque empresarial en la cobertura de Anthropic aumentó 7.4 puntos hasta 19.7%, mientras que el enfoque en consumidores cayó 17 puntos hasta 15.4%. Los compradores empresariales no solo preguntan si un asistente está disponible. Quieren saber cuánto trabajo puede realizar, bajo qué controles, con qué garantías de servicio y quién absorbe la pérdida cuando falla.

El costo lo determina el ciclo de trabajo, no la instrucción

Los primeros asistentes de programación hicieron que la instrucción pareciera la unidad natural de consumo. El desarrollador pedía algo y el modelo respondía. Los sistemas con agentes sustituyen ese intercambio por un ciclo: inspeccionar el repositorio, formular un plan, editar archivos, ejecutar herramientas, correr pruebas, interpretar fallas, modificar el plan y volver a intentarlo. La tarea termina cuando se cumple una condición de aceptación, o cuando la detienen un presupuesto, un límite de tiempo, una restricción de permisos o una persona.

Los desarrolladores dejaron al descubierto este cambio antes de que el lenguaje comercial se pusiera al día. Un relato práctico sobre Claude Code de marzo de 2025 describió cómo trituraba errores en sistemas heredados como “una astilladora alimentada con dólares”. El mismo ciclo era extraordinariamente productivo y, a la vez, intensivo en cómputo. Conforme mejoraron los agentes, los desarrolladores comenzaron a delegar unidades de trabajo más grandes, que a su vez consumían más inferencia.

Anthropic llevó Claude Code más allá de la terminal con versiones preliminares de investigación para web e iOS dirigidas a usuarios Pro y Max. Cursor añadió activadores que ponen en marcha agentes a partir de cambios en repositorios, mensajes de Slack o temporizadores. El agente ya no esperaba dentro de un editor a que una persona le diera una instrucción. Se estaba convirtiendo en un proceso operativo.

Cuando ninguna persona espera cada respuesta intermedia, las plataformas pueden equilibrar la inmediatez con el volumen procesado, el costo y la programación de tareas. Sin embargo, los ciclos sin supervisión también pueden prolongarse. Que cada llamada sea barata no garantiza que completar la tarea también lo sea.

Los compradores deben incluir la verificación en la misma unidad de costo. Artificial Analysis señaló que evaluar o1 de OpenAI costó $2,767.05. Verificar repetidamente trabajo específico de un repositorio no es gratis solo porque el código se haya generado con rapidez. La medida pertinente es el costo de IA por tarea útil: generación más herramientas, pruebas, reintentos, revisión y correcciones previstas.

Los proveedores están pasando de contar accesos a medir trabajo. Las unidades de texto siguen siendo un insumo, pero los clientes empresariales terminan por contratar un resultado operativo delimitado.

Una inferencia más barata no rescata el cobro por usuario

La caída de los costos de inferencia es el argumento más sólido contra una medición demasiado compleja. Según informes, ingenieros de OpenAI encontraron un método que podría reducir los costos de inferencia a menos de la mitad. Una mayor disponibilidad de unidades de texto también podría convertir los modelos de vanguardia en infraestructura genérica y desplazar el valor hacia los productos construidos sobre ellos. Estos avances reducirían la presión por racionar cada interacción y debilitarían la capacidad de los proveedores de modelos para cobrar por la escasez.

Claude Code también demostró una tracción comercial considerable con planes similares a una suscripción. Según informes, sus ingresos recurrentes anuales habían aumentado al menos otros $100 millones por encima de los $1 billion anunciados en noviembre, lo que representaba 12% de los ingresos recurrentes anuales totales de Anthropic al cierre de 2025. Es evidente que los clientes comprarán acceso a agentes aun antes de que el sistema de precios esté bien resuelto.

Sin embargo, la caída de los costos de inferencia debilita el argumento de la escasez de unidades de texto, no la objeción al cobro por usuario. Cuando un insumo se abarata, los desarrolladores rediseñan los sistemas para consumir más. Un agente puede inspeccionar más contexto, probar más alternativas, ejecutar más pruebas y trabajar durante más tiempo sin pedir permiso después de cada paso. Los desarrolladores dejan de racionar predicciones y comienzan a administrar su abundancia.

Las empresas seguirán utilizando licencias por usuario para gestionar identidad, control de acceso, presupuestos y administración. Estas licencias simplemente dejan de ser la unidad comercial completa. Un proveedor puede cobrar por usuario y, al mismo tiempo, medir el uso de modelos avanzados, reservar capacidad para agentes, vender créditos adicionales o cobrar por separado los flujos de trabajo controlados. Llamar suscripción a todo eso no vuelve fijos los costos subyacentes.

Si varios modelos pueden generar código adecuado, el recurso complementario escaso pasa a ser el sistema que elige entre ellos, proporciona el contexto del repositorio, controla el acceso a herramientas, evalúa los resultados y conserva el estado cuando cambia un proveedor. Los modelos más baratos trasladan el margen de la posesión de la capacidad predictiva al control de la acción.

El cobro por resultados obliga a ponerle precio a las fallas

Cuando un agente ejecuta parte de un flujo de trabajo en vez de limitarse a asistir a un empleado identificado, cobrar por el trabajo terminado adquiere lógica económica. Según informes, OpenAI comenzó a permitir que algunos clientes importantes paguen solo cuando su IA completa tareas, mientras Salesforce y otros proveedores prueban esquemas de cobro por resultados. Al cierre de 2025, 79 de 500 empresas de software monitoreadas habían adoptado cargos de IA basados en consumo, más del doble que en 2024.

Estos experimentos no demuestran que las suscripciones hayan desaparecido. La oferta reportada de OpenAI es selectiva, y las consultoras han tenido dificultades para pasar del cobro por hora a proyectos de precio fijo o basados en resultados. Compradores y proveedores enfrentan obstáculos porque definir algo como “terminado” implica transferir riesgo.

Un producto de programación puede compilar y aun así ser un mal resultado. Michael Truell, CEO de Cursor, ha advertido que usar programación por intuición en proyectos avanzados puede crear cimientos frágiles que después se derrumban. Una tarea puede superar sus pruebas inmediatas y, al mismo tiempo, elevar los costos de mantenimiento, debilitar la seguridad o infringir una restricción de arquitectura que nunca se incluyó en la instrucción. El software tiene la mala costumbre de revelar sus defectos después de emitida la factura.

Por ello, los proveedores necesitan un contrato de evaluación. Las partes deben definir pruebas de aceptación, herramientas permitidas, umbrales de desempeño, periodos de revisión, manejo de excepciones y responsabilidad por las correcciones. Cada reintento consume capacidad. Cada criterio ambiguo de finalización genera una disputa. Cada defecto tardío plantea la pregunta de si el proveedor vendió un producto, un resultado verificado o una garantía.

En un contrato por resultados, el proveedor respalda el desempeño. No solo calcula el costo esperado de una ejecución satisfactoria, sino también la distribución de las fallas: con qué frecuencia el agente necesita otro intento, cuánto cuesta verificar su trabajo, cuántas veces debe intervenir una persona y qué correcciones se deben ofrecer. El margen proviene de medir y reducir esa distribución mejor que el comprador, no de ponerle una etiqueta más atractiva al consumo de unidades de texto.

Quien controla el flujo de trabajo puede superar a quien controla el modelo

Los desarrolladores están convergiendo en una misma arquitectura: varios modelos bajo una capa persistente de flujo de trabajo. Apple incorporó programación con agentes a Xcode 26.3, con compatibilidad para Claude Agent de Anthropic, Codex de OpenAI y MCP. El activo estratégico de Apple no es un único modelo de vanguardia. Es el entorno de desarrollo donde ya convergen el contexto, los permisos, las compilaciones y la atención del desarrollador.

Cursor avanzó en la misma dirección con automatizaciones activadas por cambios en la base de código, mensajes de Slack o temporizadores. Así, el elemento duradero es el flujo de trabajo, no la sesión de conversación. Cursor puede organizar cuándo se ejecuta un agente, qué contexto recibe y en qué punto del proceso de software se incorpora su resultado.

La dependencia de Cursor respecto de sus proveedores de modelos sigue siendo una debilidad estructural. OpenAI afirmó que planeaba dejar de proporcionar modelos a Cursor a partir del 12 de noviembre para un contrato relacionado con SpaceX, porque no podía tener la certeza de que la tecnología se utilizaría conforme a sus condiciones de servicio. Cursor señaló que OpenAI representaba solo 5% de su tráfico, lo que limitaba la exposición inmediata. Aun así, el acceso a modelos continúa sujeto a condiciones. Un proveedor de aplicaciones que no puede redirigir el trabajo ha vendido una promesa que no controla por completo.

Ai2 lanzó modelos de agentes de programación con 32 mil millones y 8 mil millones de parámetros, diseñados para adaptarse a bases de código privadas. Los modelos de vanguardia alojados en la nube pueden seguir siendo superiores para determinadas tareas, pero disponer del único modelo utilizable ya no es una base segura para la capa de aplicaciones. Una capa de control con varios proveedores puede asignar el trabajo según capacidad, costo, latencia, políticas de datos o disponibilidad.

Esa flexibilidad favorece a los proveedores que ya controlan el punto donde se acepta el trabajo: Cursor en el editor, Apple en Xcode, y GitHub y Microsoft en torno a repositorios, solicitudes de incorporación de cambios, Actions, identidad y compras empresariales.

Esta es la lógica de la capa de control de los flujos de trabajo con agentes. La calidad del modelo importa, pero es solo uno de varios insumos. La ventaja duradera pertenece a la capa que conserva el contexto, dirige la ejecución, administra los permisos y se mantiene presente cuando cambia un proveedor, un precio o una política.

La garantía forma parte del producto, no es un gasto adicional

Un agente con permiso para modificar código convierte la confiabilidad y la seguridad, antes funciones de apoyo, en características del producto. No basta con generar un resultado útil. El comprador necesita pruebas de que el trabajo fue autorizado, probado, atribuible, reversible y contenido.

La respuesta de Anthropic al robo de sesiones mostró con qué rapidez se fusionan la economía de la capacidad y la de la seguridad. Después de que programas maliciosos de robo de información secuestraran sesiones activas de Claude y agotaran el consumo disponible, la empresa cerró las sesiones de los usuarios afectados, eliminó los métodos de pago guardados y emitió reembolsos. Una autorización robada se convirtió, en un solo incidente, en capacidad de cómputo consumida, pérdida de clientes, respuesta operativa y compensación financiera.

Anthropic también lanzó Claude Security, antes llamado Claude Code Security, en versión beta pública para clientes empresariales, con Opus 4.7 para analizar código en busca de vulnerabilidades. Más de 100 organizaciones, entre ellas OpenAI, Anthropic, AWS y Microsoft, han pedido una preparación colectiva frente a ciberataques facilitados por IA. En conjunto, estos esfuerzos convierten las restricciones y la inspección en parte del producto basado en agentes.

Anthropic está extendiendo ese límite más allá del software. Su Model Hardware Standard busca ayudar a los agentes a utilizar sistemas como microscopios, equipos de computación cuántica y brazos robóticos. Cuando las acciones de los agentes pueden afectar equipos físicos, la función de “deshacer” deja de ser una estrategia universal de recuperación. La autorización, los límites operativos, la restauración del estado y la responsabilidad por incidentes pasan a formar parte del contrato de implementación.

En un esquema de responsabilidad sobre la implementación, el contrato especifica quién puede autorizar una acción, cómo se supervisa, qué pruebas demuestran el cumplimiento y quién paga después de una falla. Las empresas pagarán por esta capa porque convierte la capacidad bruta en automatización que pueden autorizar. La estructura más profunda aparece en el pilar de seguridad de los agentes de IA: el control de la ejecución adquiere más valor conforme aumenta la autonomía.

El contrato duradero pone precio a las consecuencias

Los proveedores de flujos de trabajo no obtienen margen por el simple hecho de insertar una capa de control. Los compradores o los proveedores de modelos pueden saltarse un intermediario superficial. La posición solo se vuelve duradera cuando el proveedor conserva el contexto del flujo de trabajo, mejora la evaluación, asigna capacidad escasa, hace cumplir las políticas y acepta una parte definida del riesgo operativo. La responsabilidad se convierte en una barrera competitiva cuando el contrato la incorpora a la estructura de beneficios y pérdidas.

Los contratos duraderos dividen ese acuerdo en tres capas. La capacidad determina cuánto trabajo pueden ejecutar los agentes, cuándo pueden hacerlo y qué modelos o herramientas pueden consumir. El control establece permisos, límites de datos, reglas de aprobación y pruebas de auditoría. La garantía define la evaluación, la reversión de cambios, las correcciones y la responsabilidad por el trabajo fallido. Una licencia por usuario puede seguir apareciendo en la orden de compra, pero estas capas determinan el valor y el costo reales.

La competencia, el acceso intercambiable a modelos y la caída de los costos de inferencia presionan a la baja los márgenes de los modelos base, mientras que la variabilidad de los ciclos de trabajo y la exigencia de responsabilidad por parte de los compradores trasladan el valor hacia la coordinación y la garantía. La reducción de 17% de Claude Code frente a su aumento temporal parecía un simple ajuste de límites, pero dejó al descubierto el acuerdo oculto detrás de la licencia. La licencia contaba usuarios; el contrato del agente pone precio a las consecuencias.