LegalOn redujo un 65 % el coste estimado de Codex gracias al enrutamiento de tareas

OpenAI afirma en un caso de cliente que LegalOn redujo alrededor de un 65 % el coste diario estimado de Codex frente al uso de GPT-5.5. La empresa sostiene además que mantuvo la velocidad y la calidad del desarrollo. Atribuye el resultado a la selección de modelos, las restricciones de ciertas funciones y unos presupuestos adaptados a cada área del negocio.

Tres modelos repartieron el trabajo según su dificultad

LegalOn dejó de enviar todas las tareas a la configuración más potente. GPT-6 Luna se ocupa de implementar requisitos claros, automatizaciones rutinarias y análisis sencillos. GPT-6.1 Sol cubre diseño estándar, análisis y creación de documentos. GPT-6 Astra asume arquitectura, decisiones más complejas y la coordinación de otros agentes.

La empresa también desactivó Fast mode por defecto y lo ofrece bajo petición. Los límites mensuales se aplican a departamentos y personas. Al negocio consolidado se le pidió mejorar la eficiencia de costes hasta un 20 %, mientras que las unidades nuevas recibieron presupuestos más flexibles para experimentar.

El gasto en coding agents ya es un problema operativo

La lección útil no está en los nombres Astra, Sol y Luna. Los equipos necesitan separar los cambios rutinarios y baratos del trabajo donde un mal resultado encarece el review, las pruebas o la producción. Una ejecución barata sale cara si provoca otra ronda de correcciones.

LegalOn presenta por tanto un modelo operativo interno, no un descuento universal. Alguien debe probar modelos de forma continua, redactar reglas de enrutamiento y ajustar límites. El ahorro en API puede desaparecer en trabajo humano si una empresa mide tokens, pero ignora los cambios aceptados.

La cifra del 65 % depende todavía de la metodología del proveedor

OpenAI no publica el gasto absoluto, el número de desarrolladores, el volumen de tareas ni el periodo observado. Tampoco aporta una métrica que demuestre que la velocidad y la calidad se mantuvieron. La comparación es una estimación del coste diario frente a GPT-5.5, no una factura auditada de periodos equivalentes.

Sin datos sobre tiempo de review, defectos devueltos, éxito de las pruebas y cambios aceptados, no se puede saber si parte del coste pasó del modelo a los desarrolladores. El caso describe una práctica útil, pero ese 65 % no es un benchmark transferible.

Los cambios aceptados dirán si la ruta barata ahorra de verdad

La siguiente señal útil será el coste por cambio aceptado o función desplegada, una métrica que LegalOn aún está construyendo. El gasto diario debe compararse con el tiempo de ciclo, la carga de review, el retrabajo y los incidentes posteriores al despliegue.

Si los modelos ligeros mantienen esos indicadores y el modelo más potente aparece solo cuando hace falta, el enrutamiento será una herramienta operativa repetible. Si aumenta la revisión manual, el ahorro será poco más que una factura de tokens bien ordenada.

El veredicto de Lilith

LegalOn puso al modelo más potente en la sala de control y a los ligeros en los turnos rutinarios. El ahorro será real cuando los desarrolladores no encuentren una montaña de correcciones al terminar la jornada.