Contexto Técnico
Adoro estas mediciones más que cualquier benchmark publicitario. Aquí, una persona lanzó 13 sesiones paralelas de Sol Ultra en modo rápido y obtuvo un resultado muy concreto: menos el 30% del límite semanal en aproximadamente media hora, con 12 sesiones completadas.
Para mí, esto no es una noticia sobre un "modelo caro". Es una noticia sobre la automatización con IA en investigación real, donde los tokens se convierten en combustible y una arquitectura de IA deficiente convierte el trabajo en una hoguera de presupuesto.
Según los datos disponibles, Sol Ultra no tiene un recargo específico por el modo rápido. El problema principal es otro: el modelo tiende a paralelizar tareas mediante subagentes, y el consumo real crece no en porcentajes, sino en múltiplos. Si tu orquestador es Sol Ultra, cada bifurcación mal configurada hereda fácilmente el mismo modelo costoso.
Y aquí es donde me detuve. En la discusión inicialmente se dijo que los parámetros para subagentes no se pueden ajustar, pero luego se aclaró: en YAML se pueden establecer preajustes de roles, modelo e incluso especificar un modo más barato para algunas ramas. Así que el problema no son solo los límites del producto, sino cómo se ensambla la orquestación en sí.
Si hacemos una estimación aproximada con las tarifas públicas, Sol Ultra cuesta alrededor de $5 por millón de tokens de entrada y $30 por millón de tokens de salida, y el contexto largo es aún más caro. Con 13 sesiones paralelas y ramificaciones activas, la factura puede dispararse a cientos de dólares por ejecución. Así que la frase "necesitamos una suscripción por cada 100 minutos de trabajo" suena hiperbólica, pero en esencia da en el clavo: un investigador externo se topa muy rápido con la economía.
Impacto en Negocios y Automatización
Mi primera conclusión es simple: no se puede construir un stack de investigación serio sobre un único modelo premium para todos los pasos. Yo mantendría el modelo de razonamiento costoso solo en puntos de decisión críticos, y delegaría la recopilación de literatura, clasificación preliminar, extracción de hechos y parte de los experimentos a agentes más baratos.
La segunda conclusión es menos agradable. Ganan los equipos que ya tienen acceso casi ilimitado a tokens, datos y pipelines internos de validación de hipótesis. Pierden los investigadores individuales y los equipos pequeños si van de frente sin una integración de IA adecuada y control de subagentes.
Y sí, no compro la tesis de que "toda la ciencia colapsará mañana en un par de laboratorios". En biomedicina, clínica, hardware y todo lo que depende de experimentos reales, los tokens no son el único cuello de botella. Pero en campos con un espacio de búsqueda enorme, la concentración se acelerará ya mismo; es visible a simple vista.
En Nahornyi AI Lab resolvemos justamente estas historias para clientes: dónde conservar un modelo fuerte, dónde abaratar la orquestación y dónde reemplazar por completo un paso costoso por automatización sensata con supervisión humana. Si tu flujo de trabajo de investigación ya quema presupuesto más rápido de lo que produce resultados, analicemos la arquitectura y construyamos un desarrollo de soluciones de IA para tu carga real, no para un escenario de demostración atractivo.