Blog de Amazon Web Services (AWS)
Kiro: hasta 50% más costo-eficiente que las alternativas en codificación con IA
En los resultados del segundo trimestre de 2026, Amazon reportó que Kiro es hasta 50% más costo-eficiente que las alternativas y triplicó su uso respecto al trimestre anterior. ¿Cómo se sustenta ese dato? Con un framework de benchmarking open-source que cualquier equipo puede ejecutar sobre su propio código para verificarlo.
El contexto: las herramientas de codificación con IA no cuestan lo mismo
Hoy existen múltiples herramientas de codificación asistida por IA (coding agents) que ofrecen acceso a los mismos modelos de frontera. La pregunta obvia para un CTO o VP de Ingeniería es: si el modelo es el mismo, ¿importa qué herramienta elijo?
La respuesta corta es sí. Y la diferencia no es marginal.
Cada herramienta factura de manera distinta: créditos, tokens, costo por sesión, costo directo en USD. Eso hace difícil la comparación directa. Pero al final del mes, todas terminan en la misma línea de la factura: dólares reales por trabajo completado.
Lo que dice el reporte de inversionistas de Amazon (Q2 2026)
En el reporte oficial de resultados Q2 2026, Andy Jassy declaró:
«Kiro is up to 50% more cost-effective than alternatives and tripled in usage quarter-over-quarter.» — Amazon Q2 2026 Earnings Release
Dicho de otra forma: Kiro es hasta 50% más costo-eficiente que los competidores, sin sacrificio en correctitud ni velocidad. Y está respaldado por un framework open-source que cualquier equipo puede ejecutar para validar costo, calidad y latencia sobre sus propias cargas de trabajo.
¿Por qué Kiro cuesta menos usando el mismo modelo?
La ventaja de costo de Kiro no viene de subsidios ni de tarifas agresivas temporales. Viene de la infraestructura:
Kiro corre sobre infraestructura de inferencia que AWS diseña, opera y optimiza de punta a punta. Esto incluye hardware de propósito específico, optimizaciones en cómo se procesan las solicitudes, y la escala operacional de AWS que permite eficiencias que se reflejan directamente en el precio. Cada mejora en la eficiencia del sistema reduce el costo real de cada token generado.
Es la misma lógica por la que AWS Graviton ofrece hasta 30-40% mejor precio-rendimiento que instancias comparables: cuando controlas el hardware y el software que lo opera, puedes optimizar el costo total.
Estas eficiencias no dependen de descuentos temporales ni promociones, sino de la arquitectura misma del sistema de inferencia.
Cómo verificarlo: agent-cost-bench (open-source)
AWS publicó agent-cost-bench, un framework open-source de benchmarking que permite a cualquier equipo comparar el costo real por tarea entre herramientas de codificación con IA.
El framework soporta múltiples CLIs del mercado (la lista completa está en el repositorio) y puedes apuntarlo a tu propio repositorio y tests.
Cómo funciona:
| Capacidad | Detalle |
|---|---|
| Mismo modelo | Envía el mismo prompt al mismo modelo a través de cada CLI |
| Verificación independiente | Valida resultados con tests independientes (pytest, Docker, LLM-judge) |
| Costo normalizado | Convierte cada unidad nativa de cobro a USD para comparar dólares reales |
Qué mide:
- Costo en USD por tarea completada exitosamente
- Calidad (tasa de aprobación de tests)
- Latencia (tiempo de ejecución)
21 tareas incluidas de serie:
El framework trae 21 tareas que cubren desarrollo desde cero (FastAPI, CQRS, multi-tenant, ML pipelines, e-commerce), infraestructura como código (HashiCorp Terraform), DevOps (Docker, Kubernetes hardening, Helm), corrección de bugs (C#/.NET, Java, TypeScript, Vue.js), y migraciones (Amazon Comprehend a Amazon Bedrock). Esto no es un benchmark trivial de «hello world».
Lo que esto significa para tu organización
Si tu equipo de desarrollo ya adoptó o está evaluando un coding agent, el costo acumulado a escala es significativo.
Piensa en esto: si Kiro es hasta 50% más costo-eficiente por tarea completada (con la misma calidad y velocidad), una porción considerable de cada dólar que hoy gastas en otra herramienta podría volver al presupuesto de tu equipo.
Para un equipo de 50 desarrolladores usando agentes de codificación intensivamente, ese 50% representa un ahorro material. Se puede reinvertir en más capacidad, más proyectos, o en reducir el costo por funcionalidad entregada.
El número exacto depende del modelo elegido, la complejidad de tus tareas y tu plan de precios. La forma de saberlo con certeza: ejecuta el benchmark sobre tu propio código.
Cómo empezar
- Clona el repositorio:
git clone https://github.com/aws-samples/sample-agent-cost-bench - Instala:
cd sample-agent-cost-bench && pip install -e . - Copia y edita el config:
cp config.cli-compare.example.yaml config.cli-compare.yaml(ajusta los CLIs, modelos y tarifas según tu plan) - Configura la autenticación de cada CLI (variables de entorno o login directo)
- Ejecuta el benchmark:
agent-cost-bench cli-compare run config.cli-compare.yaml - Revisa los resultados: costo en USD, calidad (pass rate) y latencia por herramienta
Tip: comienza con un subset pequeño de tareas (
task_ids:en el YAML) para estimar el consumo antes de ejecutar el suite completo. Cada CLI consume créditos o tokens de tu suscripción activa.
Con unas pocas tareas tendrás datos concretos sobre cuánto cuesta cada herramienta por unidad de trabajo, usando tu propio código y tus propios tests.
Conclusión
La declaración de Amazon ante inversionistas es clara: Kiro es hasta 50% más costo-eficiente que las alternativas. Pero no tienes que confiar solo en el dato: puedes verificarlo tú mismo con un framework open-source, reproducible y extensible.
Para equipos que operan agentes de codificación a escala, la elección de herramienta tiene impacto directo en el presupuesto. Y cuando el modelo es el mismo, la diferencia la hace la eficiencia de la infraestructura que lo sirve.
Referencias
¿Quieres verificar estos números en tu propio entorno? Corre agent-cost-bench sobre tu código, con tus tests, y deja que los datos hablen.
Sobre el autor
Gonzalo Vásquez es Senior Solutions Architect en AWS Chile, donde trabaja con las principales empresas SaaS del mercado regional. Ingeniero Electrónico especializado en Sistemas Computacionales y Digitales, con más de 25 años de experiencia en la industria de tecnología y 4 años en AWS. Antes de sumarse a AWS, se desempeñó como desarrollador de software, arquitecto de sistemas, gerente de investigación y desarrollo y CTO en compañías basadas en Chile. Es Area of Depth (AoD) de las Technical Field Communities (TFC) de Next Generation Developer Experience (NGDE) y Sustentabilidad Ambiental de AWS, actuando como especialista (SME) en estos dominios técnicos.