Revolut reduce un 90 % el gasto en IA para programar y relega Claude

Revolut ha conseguido reducir aproximadamente un 90 % su factura de inteligencia artificial para programación tras sustituir el uso habitual de servicios comerciales como Claude Code, de Anthropic, y Codex, de OpenAI, por un modelo chino de pesos abiertos que ejecuta en una infraestructura bajo su control. La entidad financiera británica asegura que el cambio le permite ofrecer herramientas de IA a unos 2.000 ingenieros por una décima parte del coste anterior.

La compañía utiliza GLM-5.3, desarrollado por la empresa china Z.ai, mediante una infraestructura de 56 GPU Nvidia B200. Según los datos presentados por su responsable de operaciones de inteligencia artificial, David Abitbol, el coste medio se sitúa en unos 0,30 dólares por millón de tokens procesados. La reducción no significa que Revolut haya abandonado completamente Claude: continúa utilizando modelos comerciales para determinadas tareas, pero han dejado de ser su opción predeterminada.

El cambio también ha tenido consecuencias en la organización del trabajo. Revolut atribuye a la adopción de estos sistemas mejoras de hasta el 60 % en el tiempo dedicado a programar y del 70 % en el plazo necesario para completar determinadas tareas de desarrollo, según las cifras expuestas por Abitbol. Son resultados internos que no equivalen a una evaluación independiente y cuya metodología comparativa no se ha detallado por completo.

La experiencia, presentada el 13 de octubre en la conferencia AI Engineer de Nueva York y difundida ampliamente el 3 de noviembre, plantea una cuestión importante para el sector tecnológico: hasta qué punto las empresas necesitan depender de los modelos de inteligencia artificial más conocidos cuando pueden ejecutar alternativas abiertas con un coste considerablemente inferior.

Revolut sustituye Claude como herramienta principal de programación

La transición comenzó después de varios meses de experimentación con distintos asistentes de inteligencia artificial.

Revolut introdujo Gemini, de Google, a principios de 2025 para facilitar consultas de información y documentación interna. Posteriormente empezó a probar Claude Code y amplió su utilización durante los primeros meses de 2026.

El problema fue económico. Abitbol explicó que algunos ingenieros llegaron a consumir servicios de inteligencia artificial por valor de 1.000 e incluso 10.000 dólares mensuales, sin que los resultados justificasen claramente semejante gasto.

La compañía respondió estableciendo límites estrictos de consumo. Los desarrolladores disponían de un presupuesto determinado de tokens, las unidades con las que los modelos procesan y generan información.

Aquella medida contenía la factura, pero introducía otra dificultad: los trabajadores reservaban sus recursos para las tareas más complicadas y evitaban utilizar la IA en actividades cotidianas que también podían ahorrarles tiempo.

En abril de 2026, Revolut empezó a experimentar con el autoalojamiento de modelos abiertos. Primero recurrió a GLM-5.1 y posteriormente evolucionó hacia GLM-5.3, que se convirtió en la herramienta habitual para los trabajos de programación.

La diferencia fundamental reside en quién ejecuta el modelo. En lugar de enviar cada solicitud a los servicios comerciales de Anthropic u OpenAI, la empresa utiliza una infraestructura informática que administra para procesar buena parte de las peticiones.

No ha desarrollado desde cero una inteligencia artificial propia. Utiliza un modelo creado por un tercero, pero controla su despliegue y funcionamiento.

Un coste de 30 céntimos por millón de tokens

El principal atractivo del sistema es su economía de funcionamiento.

Revolut calcula que operar GLM mediante su propia infraestructura representa un coste medio de 30 centavos de dólar por millón de tokens, teniendo en cuenta tanto los utilizados para introducir información como los generados en las respuestas.

En las condiciones de utilización descritas por la empresa, las consultas que aprovechan información previamente almacenada en caché no generan un coste adicional por esos tokens reutilizados.

Abitbol sostiene que la factura resultante equivale aproximadamente al 10 % de lo que Revolut gastaba anteriormente con los servicios comerciales de Anthropic y OpenAI.

Sin embargo, conviene distinguir entre el coste de ejecutar un modelo y el coste total de mantener toda la infraestructura necesaria.

Las GPU de Nvidia utilizadas para estos procesos son equipos especializados y costosos. Su funcionamiento exige electricidad, refrigeración, mantenimiento, personal técnico y una gestión continua de los sistemas.

Los datos presentados no permiten reconstruir una comparación completa de todos esos gastos ni establecer si los periodos analizados tenían exactamente el mismo volumen de utilización.

Por eso, el ahorro comunicado por Revolut es relevante, pero no demuestra que cualquier empresa pueda reducir automáticamente un 90 % su presupuesto de IA instalando un modelo abierto.

La escala importa. Distribuir los costes de una infraestructura entre 2.000 ingenieros que utilizan intensivamente estas herramientas ofrece unas posibilidades económicas diferentes de las que tendría una pequeña compañía con unas pocas decenas de empleados.

La IA ahorra más tiempo fuera de la programación

Uno de los resultados más interesantes de la experiencia de Revolut no está directamente relacionado con escribir código.

La compañía descubrió que una parte importante del tiempo de desarrollo se consume en actividades que rodean la programación: revisar documentación, localizar información, analizar incidencias, responder mensajes y gestionar tareas pendientes.

Herramientas empresariales como Jira y Confluence forman parte de ese trabajo cotidiano.

Cuando el consumo de tokens estaba limitado, los ingenieros concentraban el uso de la inteligencia artificial en escribir o corregir código. Con una infraestructura de menor coste, pudieron extenderla a otras operaciones.

Abitbol relaciona esta mayor disponibilidad con las mejoras observadas en los tiempos de trabajo. Durante su presentación habló de avances del 60 % en programación y del 70 % en el plazo de desarrollo, aunque una de las diapositivas atribuye a este último indicador una mejora del 60 %. La diferencia y la ausencia de un desglose metodológico completo aconsejan interpretar las cifras con cautela.

Lo relevante es que escribir código más rápido no garantiza terminar antes un proyecto. El proceso también depende de las revisiones, las pruebas, la coordinación y la resolución de problemas.

La velocidad depende de cómo se configura el modelo

Revolut también tuvo que resolver dificultades técnicas para conseguir que GLM resultase suficientemente rápido.

La compañía estableció como objetivo que el sistema comenzara a responder en menos de tres segundos. Según Abitbol, cuando la espera supera los cinco segundos aumentan notablemente las quejas de los ingenieros.

Mediante ajustes de configuración y optimización, consiguió reducir el tiempo de aparición del primer token de 14,26 a 1,68 segundos, al tiempo que aumentaba la cantidad de solicitudes atendidas por segundo un 76 %, según sus mediciones.

Todo ello sin incrementar el número de GPU utilizado en esa comparación.

Entre las técnicas aplicadas figuran la reducción de precisión numérica para aprovechar mejor la memoria, la reutilización de información previamente procesada y la optimización del tamaño del contexto que recibe el modelo.

Revolut también comprobó que disponer de ventanas de contexto enormes no siempre resulta útil. Aunque técnicamente pueden manejarse cantidades de información mucho mayores, para numerosas tareas de programación basta con trabajar con unos 256.000 tokens de contexto.

La empresa considera suficiente una velocidad interactiva próxima a los 200 tokens generados por segundo. Sus ingenieros suelen ejecutar varias tareas simultáneamente y consultar los resultados después, en lugar de permanecer observando cada respuesta.

Claude, Codex y Gemini siguen teniendo funciones

El cambio de estrategia no supone una ruptura completa con Anthropic, OpenAI o Google.

Claude Code y Codex continúan disponibles cuando los ingenieros necesitan capacidades que justifican recurrir a modelos comerciales más avanzados.

Revolut ha invertido la lógica de utilización: antes estos servicios eran la opción habitual; con la nueva organización, el modelo abierto se emplea por defecto y las alternativas comerciales quedan reservadas para determinadas necesidades.

También existen limitaciones funcionales.

El sistema GLM descrito por Revolut está orientado al procesamiento de texto y código, por lo que no cubre directamente todas las tareas que requieren interpretar imágenes o elementos visuales.

Para esos trabajos, la compañía utiliza mecanismos de selección que permiten dirigir las solicitudes hacia modelos multimodales, como Gemini u otras alternativas compatibles.

La arquitectura combina así varios sistemas según el tipo de tarea, en lugar de confiar todas las operaciones a un único proveedor.

Esta decisión tiene consecuencias económicas. Permite reservar los servicios más caros para los casos en los que realmente aportan alguna ventaja, mientras que las tareas habituales se procesan mediante una infraestructura cuyo coste resulta más previsible.

El uso de una IA china también plantea cuestiones de seguridad

La elección de GLM introduce otro elemento relevante: su desarrollador, Z.ai, es una empresa china.

Para una entidad financiera que maneja información sensible y opera en mercados regulados, la procedencia de la tecnología, el tratamiento de los datos y la seguridad de los sistemas son asuntos especialmente importantes.

Abitbol defendió que existe una diferencia sustancial entre enviar información a una API gestionada desde China y ejecutar un modelo cuyos parámetros pueden descargarse en una infraestructura controlada por la propia empresa.

En el segundo caso, las solicitudes no necesitan enviarse al proveedor original para obtener una respuesta.

Eso permite establecer políticas propias sobre ubicación de los datos, conservación de registros y acceso a la información.

No obstante, el autoalojamiento no elimina automáticamente los riesgos. La empresa sigue necesitando revisar el software que incorpora, controlar los permisos de los agentes y proteger sus sistemas frente a accesos indebidos o instrucciones maliciosas.

Revolut también ha explicado que utiliza entornos de ejecución restringidos, reglas de aprobación humana y mecanismos de registro para supervisar lo que hacen sus herramientas de programación.

Son medidas particularmente relevantes cuando un agente de inteligencia artificial puede consultar archivos, ejecutar comandos o modificar componentes de un proyecto.

La autonomía tecnológica exige asumir también una mayor responsabilidad sobre su seguridad.

Un ahorro difícil de trasladar a cualquier empresa

El caso de Revolut demuestra que los modelos comerciales de inteligencia artificial no tienen por qué ser la solución más económica para todas las organizaciones.

Cuando existe un volumen elevado de solicitudes, suficiente capacidad técnica y una infraestructura bien aprovechada, los modelos de pesos abiertos pueden competir en costes con servicios propietarios de última generación.

Eso no convierte a Claude, Codex o Gemini en herramientas prescindibles. Los propios responsables de Revolut reconocen que siguen siendo útiles y los mantienen dentro de su sistema.

Tampoco significa que un modelo abierto sea necesariamente superior en calidad. La decisión depende de las tareas que necesita resolver cada empresa, de sus requisitos de seguridad y del gasto total que supone mantener el servicio.

La novedad está en la estrategia: Revolut ha dejado de considerar los modelos comerciales más avanzados como su primera opción para cualquier trabajo de programación.

Con unos 2.000 ingenieros y 56 GPU Nvidia B200, la entidad afirma haber reducido su factura de inferencia de IA aproximadamente un 90 % sin renunciar al acceso a las herramientas de Anthropic y OpenAI.

Para el sector del software, la experiencia apunta a una alternativa concreta: reservar los sistemas más caros para los problemas que realmente los necesitan y utilizar modelos gestionados internamente para el trabajo habitual. La diferencia puede ser considerable, aunque no todas las empresas dispongan de los recursos necesarios para repetirla.