Programación con IA en casa sin arruinarse

Artículo original ↗ Discusión en Hacker News ↗

Costo de programar con IA en casa

  • Muchos dicen que las suscripciones de $20–$100/mes (Claude, Gemini, Cursor, etc.) son suficientes para proyectos personales serios si te mantienes involucrado y revisas el código.
  • Otros informan que se gastan planes de más de $200 e incluso varias suscripciones, especialmente con flujos de trabajo agentivos, automatizaciones o ejecuciones largas sin supervisión.
  • Precios de API frente a suscripciones: los planes de precio fijo están fuertemente subsidiados en relación con las tarifas de lista de las APIs; algunos los llevan al límite, obteniendo de hecho miles de dólares en tokens por unas pocas centenas en cuotas.

DeepSeek e intermediarios

  • DeepSeek V4 Flash/Pro se menciona con frecuencia como “código trampa”: 1–2 órdenes de magnitud más barato que las APIs estadounidenses de frontera para “80–95%” de la calidad en tareas de programación.
  • La API directa de DeepSeek es mucho más barata que la mayoría de los proveedores de OpenRouter; el caché es un gran ahorro de costes, y algunos afirman que el enrutamiento/los encabezados de OpenRouter perjudican las tasas de caché.
  • Algunos prefieren Opencode Go u otros harnesses que agrupan DeepSeek por una tarifa fija; otros sostienen que la API directa sigue siendo más barata.

Cloud frente a autoalojamiento

  • El autoalojamiento se ve principalmente como una apuesta por la privacidad; el hardware (GPU de alta VRAM, DGX Spark, Halo/Stryx, etc.) es caro, y la electricidad no es gratis.
  • Comparaciones energéticas aproximadas: los humanos son eficientes metabólicamente; pero “humano + LLM” puede ahorrar tiempo y, por tanto, el uso total de recursos en algunas visiones.
  • Las GPU antiguas o “gratis” (p. ej., 1080 Ti) pueden ejecutar modelos de tamaño medio de forma barata, pero a menudo no son claramente más baratas que modelos alojados ultrabaratos como DeepSeek Flash.

Modelos locales y capacidad

  • Consenso: todavía no hay nada verdaderamente al nivel de Opus en local; las mejores configuraciones locales alcanzan algo cercano al nivel de Sonnet con rigs caros de varias GPU.
  • Muchos están satisfechos con Qwen 3.x, Gemma 4 y modelos similares de 26–35B en 24–128 GB de RAM para tareas que no son de “vibe coding”, especialmente cuando se usan en prompts ajustados y a nivel de función.

Patrones de uso de tokens

  • El gasto elevado suele venir de:
    • Sesiones largas en “modo plan” y contextos enormes.
    • Muchas herramientas/skills/MCP cargadas en cada turno.
    • Agentes autónomos batallando con tareas mal acotadas, refactorizaciones o ingeniería inversa.
  • El menor gasto se correlaciona con:
    • Sesiones cortas y enfocadas; reinicios frecuentes.
    • Especificaciones claras, tareas más pequeñas y herramientas locales (tests, búsqueda, embeddings) para reducir contexto.
    • Usar modelos más baratos para la programación rutinaria y reservar los modelos premium para análisis/arquitectura.

Impacto emocional y profesional

  • Algunos desarrolladores “de oficio” de larga data expresan duelo y agotamiento: sentirse desplazados por agentes, pérdida del código como arte y miedo a convertirse en simples “cuidadores de máquinas”.
  • Otros argumentan que el péndulo volverá hacia el pensamiento de producto y el diseño centrado en el ser humano; la IA sigue siendo una herramienta, no un reemplazo total.

Privacidad, jurisdicción y alternativas

  • Algunos evitan intermediarios estadounidenses y prefieren proveedores solo de la UE o inferencia local por razones de GDPR/privacidad.
  • Hay escepticismo respecto a que pagar por la nube garantice automáticamente la privacidad.

Perspectiva futura

  • Varios esperan que los modelos ejecutables en casa alcancen el nivel actual de la frontera media en unos pocos años y aconsejan posponer grandes compras de hardware.
  • Otros advierten que los futuros chips/modelos podrían estar bloqueados o condicionados geopolíticamente, haciendo incierta la autonomía local.