Un agente de IA es un bucle: llama a un modelo, lee el resultado, decide qué hacer y vuelve a llamar. Cada vuelta cuesta tokens, dinero y tiempo. La pregunta natural —¿cuánto es lo máximo que este bucle puede gastar antes de frenar?— casi nunca tiene respuesta hasta que ya lo gastó.
Los medidores en tiempo de ejecución reportan la cuenta cuando llega. Nosotros queríamos el peor caso antes de poner el agente en producción: un techo que se pueda demostrar, no un número que se observa cuando ya es tarde.
Qué miramos
Tomamos 254 workflows de agentes reales de 45 repositorios públicos de producción construidos sobre los frameworks habituales —LangGraph, CrewAI, el OpenAI Agents SDK— y nos preguntamos, para cada uno: ¿de dónde sale, en concreto, su techo de gasto?
La trampa está en el default. El techo moderno de LangGraph (recursion_limit) es de 1000 supersteps — eran 25 antes de la versión 1.0.6. Un workflow que parece "protegido" puede dar mil vueltas antes de que el framework lo frene. Y solo alrededor de una de cada ocho llamadas al modelo en este código lleva un tope de tokens explícito. Un límite de 1000 pasos no es protección; es un techo lo bastante alto como para no acotar casi nada.
Un techo que se puede demostrar
Debajo de la medición hay una pieza de teoría: un cálculo de recursos tipados en el que un workflow bien tipado no puede exceder el presupuesto declarado — en toda traza posible, no solo en las que probaste. El teorema central de solidez de costo está verificado por máquina en Lean 4, sin huecos ni pasos sin probar.
El verificador estático que lo lleva a la práctica es Costwright. Lo apuntás a un repositorio y reporta, por cada grafo de workflow, el techo de peor caso, de dónde sale ese techo y cuándo es efectivamente vacuo. Nunca ejecuta tu código — lo lee. Es conservador por construcción: cuando un workflow usa un patrón que el cálculo no puede acotar, lo dice, en vez de inventar un número más chico.
El punto no es que los frameworks de agentes sean descuidados. Es que "tiene un límite" y "tiene un límite que significa algo" son afirmaciones distintas — y hoy casi nadie puede decir cuál de las dos es cierta para su propio sistema antes de que corra.