Un agente de navegador puede reducir cada solicitud y encarecer el trabajo terminado. Borrar observaciones antiguas puede obligarlo a revisitar páginas, perder hechos o romper la reutilización de entradas. El estudio Asana ofrece un método: medir cuánto cuesta una tarea completa y correcta y examinar el historial que la produjo.
La reducción comunicada de 76 veces en coste de modelo y unas cinco veces en duración compara GPT-6.1 Sol optimizado con la configuración original de producción Model B. Cambiaron arquitectura y modelo. GPT-6 Astra en Codex ayudó a investigar y ejecutar el estudio, no fue el modelo operativo de la configuración más barata.
Define la finalización antes del ahorro
El estudio principal incluyó 144 ejecuciones: cuatro modelos, seis políticas de historial y capturas, dos límites y tres repeticiones por condición. Todas recogían seis campos de 32 libros, o 192 hechos, de un catálogo público de demostración. Una respuesta de referencia permitía comprobar exactitud. Tres competidores eran anónimos, limitando comparaciones entre proveedores.
Cuenta las ejecuciones sin respuesta como fallos, no éxitos baratos. Con 120.000 caracteres GPT-6.1 Sol respondió en tres de 18 ensayos; con 480.000, Asana dice que los 18 fueron correctos. No demuestra fiabilidad en aplicaciones autenticadas, interfaces cambiantes o tareas ambiguas, sino una gran sensibilidad de esta tarea a la evidencia conservada.
Conserva historia útil y prefijo estable
El caché reutiliza cómputo elegible de un prefijo idéntico; no reproduce una respuesta acabada. El agente original guardaba instrucciones fijas, pero borraba capturas y recortaba texto continuamente. Esos cambios alteraban el pasado y perjudicaban la reutilización del historial creciente. Un prompt menor podía generar más procesamiento repetido.
La poda por lotes elegida conservaba hasta 20 capturas antes de reducirlas a la última. Con mayor límite textual generaba tramos más largos de solo añadir y un 89% de entrada desde caché para GPT-6.1 Sol. Más memoria y menos borrados actuaban conjuntamente. Con el límite mayor, el caché sin poda por lotes costaba más que no usar caché en tres de cuatro modelos.
Compara configuraciones equivalentes, no solo titulares
Dentro de GPT-6.1 Sol la política nueva redujo el coste cuatro veces. Es otro denominador que el 76x entre modelos y sistemas antiguos y nuevos. Model B también mejoró con la arquitectura. Algunos ensayos originales llegaron al límite de pasos: su duración es un mínimo para completar el trabajo. Ningún resultado es una clasificación neutral.
Reproduce con tareas fijas, respuestas de referencia y contadores del proveedor. Varía por separado modelo, retención de capturas y límite de texto; repite los ajustes prometedores. Tres repeticiones permiten tendencias amplias, no pequeñas diferencias precisas. Conserva trazas, versiones y salidas fallidas fuera del prompt activo para auditarlas tras la poda.
Fija límites antes de desplegar
Conservar todas las capturas a veces abarató cada llamada en pruebas adicionales, pero los flujos largos exceden el contexto y la economía del caché varía por proveedor. La compactación limita historia, aunque puede perder detalles y cambiar el prefijo. Fija límites de pasos, tokens y gasto, incluyendo reintentos, reparación humana y caducidad del caché en el coste completo.
Asana afirma haber llevado los cambios a StackAI, pero no publicó resultados amplios de clientes ni errores a largo plazo. Prueba flujos reales, mide finalización, correcciones, duración y cuota de caché, y protege capturas, credenciales y registros. El caché cambia cálculo y facturación, no las obligaciones de gobierno. Amplía solo si el flujo completo se abarata sin sacrificar exactitud ni control.