La disciplina de reducir los tokens consumidos por resultado visible al usuario en un sistema IA agentic, sin sacrificar capacidad.
La optimización de tokens de agentes IA es la práctica de analizar dónde se gastan los tokens a lo largo del ciclo de vida de una sola tarea agentic — incluyendo la narración del modelo, el contexto repetido, los reintentos por fallos de formato, la generación free-form de datos estructurados y el system prompt en sí — y reducir cada categoría mediante cambios arquitectónicos y de prompting dirigidos.
En un sistema agente típico no optimizado, sólo alrededor del 8% de los tokens totales son la respuesta real visible al usuario. El otro 92% es el coste de cómo piensa el sistema, no lo que piensa — contexto repetido, auto-narración, tormentas de retries, system prompts verbosos y generación free-form de datos que el modelo podría haber emitido como un esquema tipado. Aquí viven las reducciones de orden de magnitud.
A través de los engagements de Skopa, los sistemas agentic típicamente llegan con una proporción de 10:1 a 30:1 de llamadas LLM a resultados visibles al usuario. Tras un engagement disciplinado de optimización de tokens, se asientan en 2:1 a 5:1 sin pérdida de calidad. Las palancas que importan: separar planificación de ejecución, empujar la lógica determinista al código, reemplazar la salida free-form por esquemas tipados, eliminar la auto-narración, comprimir el contexto permanente, cachear el prefijo estable, iteración acotada con caps duros. Cada una es nada destacable en aislamiento. Compuestas, producen rutinariamente reducciones en el rango 8×–20×.