# ¿Cómo uso un asistente de programación con IA sin una gran huella?

> Cómo mantener las ventajas de los asistentes de programación con IA reduciendo los tokens desperdiciados: modelo adecuado, contexto centrado y tareas divididas.

Source: https://greenai.guide/es/como/como-uso-un-asistente-de-programacion-con-ia-sin-una-gran-huella/  
Updated: 2026-11-19

## En resumen

Use el asistente donde claramente compense, dele un contexto centrado en lugar de repositorios enteros, elija un modelo más pequeño o rápido para las ediciones rutinarias y divida las tareas difíciles en pasos sencillos que usted revise. Un estudio halló que la programación asistida por IA tenía unas 33 veces la huella de carbono del enfoque manual en las tareas probadas, así que los hábitos importan.

## Steps

1. Decida si la tarea necesita el asistente o si es más rápido escribirla usted mismo.
2. Elija un modelo más pequeño o rápido para las compleciones y las ediciones rutinarias.
3. Dirija el asistente a los archivos pertinentes en lugar de a todo el repositorio.
4. Divida una tarea difícil en pasos pequeños y revise cada uno antes de seguir.
5. Fije límites de pasos o de gasto en los modos de agente y detenga las ejecuciones que entren en bucle.
6. Mida el uso del asistente en su equipo junto con el coste.

**Use el asistente de forma deliberada, no por reflejo, y mantenga pequeño lo que lee.** Los asistentes de
programación son útiles, pero su energía es invisible para quien los usa.

## ¿Por qué importa? {#why-does-it-matter}

Cheung y sus colegas compararon el desarrollo manual y el asistido por IA en un conjunto de tareas de programación y
hallaron que el enfoque asistido por IA tenía unas 33 veces la huella de carbono del manual, y que la diferencia
aumentaba a medida que las tareas se hacían más difíciles. Eso no significa no usar nunca los asistentes; significa
usarlos donde ahorren tiempo de verdad.

Los modos de agente cuestan todavía más. Anthropic informó de que sus agentes solían usar unas cuatro veces los
tokens de un chat, y los sistemas multiagente, unas quince veces.

## ¿Qué marca la mayor diferencia? {#what-makes-the-biggest-difference}

- **El contexto.** Cada archivo que lee el asistente se vuelve a procesar en cada turno. Abra o mencione solo los
  archivos que importan, y empiece una sesión nueva para cada tarea nueva.
- **La elección del modelo.** Muchas herramientas permiten elegir modelo. Uno pequeño y rápido suele bastar para
  compleciones, cambios de nombre y código repetitivo; reserve el grande para el diseño y la depuración.
- **Límites para los agentes.** Dé a los agentes un objetivo claro, una condición de parada y un límite de pasos.
  Consulte [cómo evitar que los agentes de IA desperdicien tokens](/es/como/como-evito-que-los-agentes-de-ia-desperdicien-tokens/).
- **Pasos pequeños con revisión.** Una persona que revisa cada paso evita ejecuciones largas que van en la dirección
  equivocada.

## Errores frecuentes {#common-mistakes}

- Dejar que un agente «arregle las pruebas» en un bucle sin fin.
- Regenerar un archivo entero para cambiar una línea.
- Aceptar código sin comprobar su eficiencia: consulte
  [cómo conseguir que la IA escriba código energéticamente eficiente](/es/como/como-consigo-que-la-ia-escriba-codigo-energeticamente-eficiente/).

Para ver el panorama completo, lea [la IA agéntica y el desperdicio de tokens](/es/articulos/la-ia-agentica-y-el-desperdicio-de-tokens/).

## Fuentes

- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
