Primero, mide
Sin medición, cualquier recorte es a ciegas. cognitive-claude incluye una herramienta que lee los logs locales de tus sesiones y muestra el costo por turno, el uso de caché y la división de trabajo y costo por modelo:
python3 tools/cost-audit.py --window 90 --verboseQué mostraron los números
Ventana de 90 días, del 29/01 al 28/04/2026, 987 sesiones:
| Modelo | Trabajo | Costo |
|---|---|---|
| Opus | 52,5% | 94,1% |
| Sonnet | 19,9% | 4,3% |
| Haiku | 27,6% | 1,6% |
Casi la mitad del trabajo ya la hacían modelos más pequeños, por menos del 6% del costo. Y el 71,76% del trabajo lo hicieron subagentes, cada uno con su propio contexto.
Enrutar por tipo de tarea
La lógica es simple: las decisiones difíciles y la planificación quedan en el modelo más grande. Las tareas mecánicas, como buscar, leer y formatear, van a los más pequeños. Antes de cambiar una regla, compara resultado y costo de ese tipo de tarea en tus propios logs.
Automatiza las reglas
Una regla que depende de acordarse no se sostiene. En cognitive-claude, unas 100 líneas de reglas de trabajo viven en un archivo de constitución, y seis hooks aplican esas reglas automáticamente en cada sesión.
Lo que este número no prueba
Son datos de un operador, y los tuyos van a ser distintos. El propio README separa lo que aporta el framework de lo que es solo diferencia entre el precio del plan y el de la API. Por eso la recomendación es medir tu uso antes de copiar cualquier regla.
Preguntas frecuentes
¿Necesito cognitive-claude para hacer esto?
No. El principio vale para cualquier setup: medir, enrutar y automatizar. cognitive-claude es una implementación abierta que puedes usar o estudiar.
¿Usar un modelo más pequeño empeora el resultado?
Depende de la tarea. Por eso la medición va primero: compara resultado y costo por tipo de tarea antes de cambiar la regla.
¿Quieres aplicar esto en tu operación?
La primera conversación es un diagnóstico de una hora, gratuito.