Databricks afirma que Unity Gateway redujo hasta un 90% sus costos de codificación con IA
Databricks afirma haber reducido sus costos internos de codificación con IA hasta en un 90% mediante Unity Gateway, un sistema interno que distribuye tareas, aplica controles de gasto y traslada el trabajo a modelos más económicos.
Respuesta rápida
¿Qué anunció Databricks sobre la reducción de costos de sus herramientas de codificación con IA?
Databricks afirma haber reducido sus costos internos de codificación con IA hasta en un 90% mediante Unity Gateway, un sistema que dirige las tareas al modelo más económico capaz de resolverlas, aplica controles de gasto escalonados en lugar de límites fijos, y da a los ingenieros visibilidad sobre su propio consumo, reservando modelos más costosos como Astra para problemas complejos.
Claves
- Databricks afirma que sus costos internos de codificación con IA crecieron exponencialmente tras una implementación generalizada, ya que las herramientas se cobran por consumo y no por puesto, pero el gasto en tokens por ingeniero se mantiene ahora prácticamente estable incluso con el aumento del uso y del valor generado.
- Databricks sustituyó los límites de gasto fijos por Unity Gateway, un sistema interno que aplica advertencias, aprobaciones obligatorias y cambios automáticos a modelos más económicos antes de cortar el acceso, lo que según la compañía evita interrumpir el trabajo a mitad de tarea.
- Databricks afirma que cuatro palancas, modelos predeterminados más económicos, enrutamiento de tareas, visibilidad del gasto y menor sobrecarga de tokens, han reducido sus costos de IA por unidad hasta en un 90%, y que el solo cambio a modelos más baratos representa el 50% o más del ahorro.
- Mediante una evaluación construida a partir de pull requests reales en su propia base de código en producción, Databricks afirma que el modelo de código abierto GLM 5.2 igualó la calidad de Opus 4.8 con un costo por tarea equivalente a un tercio.
- Databricks implementó un modelo llamado Astra entre aproximadamente 3.500 ingenieros y asegura ser la primera empresa en compartir públicamente los resultados de una implementación de este tipo; el gasto aumentó alrededor de un 60% antes de que la compañía restringiera Astra a problemas más difíciles mediante un presupuesto propio dentro de Unity Gateway.
Costos al alza y luego una meseta
En una entrada de blog publicada el 22 de octubre de 2026, Databricks señaló que su gasto interno en herramientas de codificación con IA creció exponencialmente tras su implementación generalizada entre los ingenieros, ya que estas herramientas se cobran por consumo y no por puesto. Patrick Wendell, cofundador de Databricks y responsable de los productos de IA de la compañía, afirmó que los costos empezaron a amenazar con borrar las ganancias de productividad que las herramientas debían generar. Databricks asegura que el gasto en tokens por ingeniero se mantiene ahora prácticamente estable, incluso mientras el uso total y el valor generado siguen creciendo.
De los límites fijos a una puerta de enlace
Wendell explicó que el primer intento de Databricks por controlar los costos, un límite de gasto fijo, generó problemas porque interrumpía el trabajo a mitad de tarea y tendía a afectar a sus usuarios más activos, algunos de los cuales recurrieron a cuentas personales que la empresa ya no podía supervisar. Databricks asegura haber sustituido esos límites fijos por un sistema interno llamado Unity Gateway, que aplica pasos escalonados antes de cortar el acceso a cualquiera: primero una advertencia, luego una aprobación obligatoria y después un cambio automático a un modelo más económico. Databricks sostiene que cortar el acceso se trata como último recurso. La compañía también señaló que envía a los ingenieros desgloses periódicos de su propio gasto en IA, lo que por sí solo representaría una reducción de aproximadamente un 10%.
Cuatro palancas y su impacto
Databricks describió cuatro métodos que utiliza para reducir el costo por unidad: trasladar el uso predeterminado a modelos más nuevos y económicos a medida que se lanzan; dirigir cada tarea al modelo menos costoso capaz de resolverla; dar a los desarrolladores visibilidad sobre su propio gasto; y reducir la sobrecarga de tokens. Wendell afirmó que trasladar el tráfico a modelos mejores y más baratos en cuanto aparecen ha sido, por sí solo, el factor de mayor peso, con una reducción de costos del 50% o más. Combinado con las otras tres palancas, Databricks asegura que los costos por unidad han caído hasta en un 90% en algunos casos. Su Smart Router, parte de Unity Gateway, reduciría el costo medio por tarea en más de un 30%, manteniendo una calidad de resultados cercana a la del modelo más costoso.
Evaluación interna comparativa
Databricks señaló que desarrolló su propio banco de pruebas a partir de pull requests reales dentro de su base de código de varios millones de líneas, calificando los resultados mediante la ejecución de pruebas reales en lugar de recurrir a otro modelo de IA como juez, ya que los bancos de pruebas públicos no reflejan el rendimiento de estas herramientas en una base de código empresarial a gran escala. Con esta evaluación, Databricks afirmó que el modelo de código abierto GLM 5.2 igualó a Opus 4.8 en calidad, con un costo por tarea alrededor de un tercio inferior, y que un modelo 1,7 veces más económico por token terminó costando más por tarea porque consumía más tokens. La compañía también indicó que el harness, es decir, la herramienta de codificación que envuelve a un modelo, incide en el costo casi tanto como la elección del propio modelo, generando diferencias de costo de más del doble para un mismo modelo, y que ajustar únicamente la configuración del harness y del caché permitió ahorrar cerca de un 50%.
Implementación de Astra
Databricks indicó que implementó un modelo llamado Astra entre aproximadamente 3.500 ingenieros y afirma ser la primera empresa en compartir públicamente los resultados de una implementación de este tipo. La compañía señaló que Astra ofreció mejores resultados en tareas complejas, como el diseño de sistemas, pero incrementó el gasto en alrededor de un 60% sin un beneficio claro en tareas rutinarias, lo que llevó a Databricks a asignarle a Astra un presupuesto propio dentro de Unity Gateway, restringido a problemas más difíciles.
Todo el tráfico de herramientas de codificación en Databricks, incluidos Claude Code, Codex, Cursor y su propio harness Omnigent, se encauza a través de Unity Gateway, que según la compañía comenzó como una solución interna para su propio gasto en IA y terminó convirtiéndose en la base de la plataforma.
Fuente: Blog de Databricks, "The AI Bill is coming", publicado el 22 de octubre de 2026.
Preguntas frecuentes
- ¿Qué es Unity Gateway?
- Unity Gateway es el sistema interno de Databricks para encauzar todo el tráfico de herramientas de codificación con IA, gestionando el acceso, el enrutamiento de modelos, los presupuestos de gasto y el seguimiento. Databricks afirma que comenzó como una solución interna a su creciente factura de IA.
- ¿En cuánto redujo Databricks sus costos de codificación con IA?
- Databricks afirma que combinar modelos predeterminados más económicos, enrutamiento de tareas, visibilidad del gasto y menor sobrecarga de tokens redujo sus costos de IA por unidad hasta en un 90% en algunos casos.
- ¿Qué ocurrió cuando Databricks probó los límites de gasto fijos?
- Databricks señaló que los límites fijos interrumpían el trabajo a mitad de tarea y empujaban a algunos de sus usuarios más activos hacia cuentas personales fuera del control de la empresa, por lo que los sustituyó por advertencias escalonadas y cambios automáticos de modelo.
- ¿Qué descubrió Databricks al implementar el modelo Astra en toda la empresa?
- Databricks implementó Astra entre aproximadamente 3.500 ingenieros y afirma que el gasto aumentó alrededor de un 60%, con beneficios claros en tareas complejas como el diseño de sistemas pero sin ventajas evidentes en el trabajo rutinario, lo que la llevó a asignarle a Astra un presupuesto propio y restringido.
Fuentes
- The AI Bill is coming | Databricks Blog — Databricks