Un estudio conjunto de Stanford, MIT y otras instituciones ha revelado el alto consumo de tokens de los agentes de IA en tareas de codificación, mostrando que estos agentes pueden consumir millones de tokens mientras intentan corregir errores de código. La investigación, publicada en abril de 2026, destaca que el costo de que un agente de IA escriba código es aproximadamente 1,000 veces mayor que el de las conversaciones estándar de IA debido a la extensa "lectura" de código requerida. Esto implica alimentar al modelo con el contexto del proyecto, registros de operaciones y mensajes de error, lo que conduce a un crecimiento exponencial en los tokens de entrada. El estudio también encontró una variabilidad significativa en los costos, con la misma tarea potencialmente costando el doble en diferentes ejecuciones. Además, la investigación identificó que algunos modelos, como GPT-5, son más eficientes en el uso de tokens que otros, lo que impacta los resultados financieros en aplicaciones empresariales. Los hallazgos sugieren que los modelos actuales de IA carecen de "conciencia de stop-loss", consumiendo a menudo más tokens en tareas irresolubles. El estudio hace un llamado al desarrollo de políticas conscientes del presupuesto para gestionar eficazmente el consumo de tokens, ya que los costos impredecibles desafían la sostenibilidad de los modelos de precios por suscripción en escenarios con agentes de IA.