Agentic Coding tokiaren ameskeria: hardwarea, bide-gailuak ala harpidetza?

Terminalean Claude Code edo Google Antigravity bezalako tresnekin egunero lan egiten duen edonork ezagutuko du egoera: birfaktorizazio konplexu baten erdian zaude, agentea erritmo ikusgarrian ari da komandoak exekutatzen eta aldaketak aplikatzen, eta bat-batean saioa moztu egiten da. Eguneko erabilera-muga gainditu duzu.

Autoosatze sinple batetik garapen agentiko autonomora igaro izanak baliabideen kontsumo izugarria dakar. Agente batek direktorio osoak irakurtzen dituenean, terminalean erroreak probatzen dituenean eta kode-adabakiak buklean zuzentzen ditituenean, tarifa lau estandar baten kuota pare bat ordutan desagertzen da.

Blokeo honen aurrean, erantzun tekniko ohikoena bi bide hauetako bat esploratzea izaten da: bitarteko bide-gailu bat (gateway) jartzea APIak anizteko, edo GPU indartsu bat erostea dena tokian bertan exekutatzeko. Zenbakiak egin ditugu.

1. AI Gateway-en ameskeria (OmniRoute, OpenRouter eta ordezko ereduak)

Blokeoa saihesteko lehen ideiak AI Gateway edo IA proxya (OmniRoute edo OpenRouter kasu) jartzea izaten du helburu. Teoriak itxura ona du: agentea endpoint bakar batera konektatu eta eskaerak doako ereduetara, ordezko pooletara edo inferentzia ultra-azkarreko hornitzaileetara (Groq, Cerebras, DeepSeek API, Hugging Face) bideratu.

Hala ere, hau terminaleko benetako lan-fluxu agentiko bati aplikatzean, estrategiak bi horma teknikorekin egiten du topo:

1. Erabilera araberako ordainketaren kostua (pay-as-you-go): Terminaleko agenteek ez dute idatzitako azken lerroa bakarrik bidaltzen. Iterazio bakoitzean proiektuaren egitura, diff adabakiak, errore-logak eta testuinguruaren historia osoa berriro bidaltzen dituzte. Errefaktorizazio arratsalde bakar batek milioika testuinguru-token sortzen ditu erraz. Bolumen hau API komertzialetatik token-prezioan igarotzea hileko edozein tarifa lau baino nabarmen garestiagoa da.
2. Tresnen exekuzioaren haustura (Tool Calling): CLI aurreratuek sistemako argibide konplexuak txertatzen dituzte eta funtzio-dei zorrotzak espero dituzte Linuxeko fitxategi-sistema manipulatzeko. Tokenak murrizten dituzten bide-gailuetatik igarotzean (RTK konpresioa) edo eskaerak tool calling-a menperatzen ez duten bigarren mailako ereduetara bideratzean, agentea errore-bukleetan sartzen da edo fitxategiak editatzeko gaitasuna galtzen du.

Bide-gailuak erabilgarriak dira editoreko autoosatuarentzat edo gidoi bakanetarako, baina ez dute garapen-agente oso baten jarraitutasuna ebazten.

2. IA lanabes profesional gisa: kostua bezeroari helaraztea

Osagaiak erostea ebaluatu aurretik, komeni da software-garapenaren ekuazio ekonomikoa berrikustea. Gure lanagatik fakturatzen badugu, adimen artifizialeko azpiegitura ez da saihestu beharreko gastu bat, proiektuaren entregarekin amortizatzen den zuzeneko operazio-kostu bat (OpEx) baizik.

Garapen agentikoak ordu fakturagarrien ohiko logika aldatzen du:

• Denboraren murrizketa nabarmena: Lehen 10 orduko eskuzko lana eskatzen zuen arkitektura edo debugging zeregin bat 2 ordutan ebazten da agentearen laguntzaz.
• Balioaren transferentzia: Bezeroak ez du ordaintzen programatzailea egunetan zehar idazten ikusteko; funtzionala, probatua eta garaiz dagoen entregagarri batengatik ordaintzen du.
• Kostuaren xurgatzea: Bezeroari kobratutako orduen beherakada orokorrak alferrikako marjinarik gabe xurgatzen ditu goi-kuotako plan baten hileko 90 € edo 100 €-ak (Claude Max edo tilakoak). Tresna bere kabuz ordaintzen da hilabeteko lehen entregarekin.

3. Abiapuntuaren azterketa: kasu erreala Debian-en

Gure kabuz %100 tokiko alternatiba bat eraiki dezakegun egiaztatzeko, Debian Linux gaineko ohiko lan-estazio bat hartu dugu proba-eredu gisa:

• Prozesadorea: 12 hari (threads).
• RAM memoria: 32 GB DDR4 @ 3200 MT/s.
• GPU / VRAM: NVIDIA RTX 4060 Ti (8 GB VRAM).
• Biltegiratzea: NVMe PCIe 4.0.

Benetako gaitasuna tokian bertan

8 GB VRAMekin, GPUaren mugak tamaina txikiko ereduak bakarrik kargatzea ahalbidetzen du (7B-tik 8B-ra Q8/FP16 zehaztasunean), qwen2.5-coder:7b adibidez. VRAM bidezko errendimendua oso azkarra da (~70 token/segunto), bikaina funtzio bakartuak idazteko edo testak sortzeko.

Hala ere, agente autonomo baten kargari eusteko 32B parametroko ereduak behar dira (Qwen 2.5 Coder 32B edo DeepSeek R1 32B kasu). 8 GB VRAM dituen ordenagailu batean, 32B-ko eredu bat mugitzeak 12 GB geruza baino gehiago sistemako RAM memoriara bideratzea eskatzen du. DDR4 busaren menpe geratzean, abiadura 2-5 token/segundora jaisten da, lan-jardunbidean denbora errealean aritzeko onartuezina den latentzia.

4. 24 GB VRAMeko GPU bat erosi?

32B-ko ereduak tokian bertan exekutatzeko, gutxienez 24 GB VRAM dituen GPU bat behar da. Hemen jartzen du hardwarearen merkatuak bere errealitatea:

• Bigarren eskuko merkatua: Foru eta sare sozialetan RTX 3090 bezalako txartel erabiliak 1.200 € inguruan lor daitezkeela esaten da. Hala ere, osagai hauen eskaintza urria eta aldakorra da, eta higadura handia izan duten gailuak bermerik gabe erosteak arrisku handia dakar.
• Merkatu berria bermearekin: Egonkortasun profesionala eta faktura kengarria bilatuz gero, 24 GB VRAM dituen GPU berri baten prezioa 1.900 € eta 2.000 € artean kokatzen da.

5. Konparaketa finantzario eta operatiboa: Hardwarea vs. Hodeia

Datuak balantza batean jarrita:

2.000 € GPU batean inbertitzeak erabilgarritasuna ebazten du, baina kapitala azkar balioa galtzen duen hardware batean blokeatzen du; hodeiko ereduek, berriz, bertsioz bertsio bilakatzen jarraitzen dute erabiltzailearentzat azpiegitura-kosturik gabe.

🚀 Ondorioa: Arkitektura hibridoa

Ez dago soluzio unibertsal bakar bat. Erabakia ingurune bakoitzaren lehentasun operatiboen araberakoa da:

1. Hodei Profesionalaren bidea: Egokiena arrazoitze-gaitasun agentiko handiena eta lehen saiakerako asmatze-tasa lehenesten dituenarentzat. Goi-mailako tarifa lauaren kostua bere gain hartzen da proiektuaren baliora bideratuz.
2. Hardware Dedikatuaren bidea: Datuen pribatutasun-murrizketa zorrotzak dituzten inguruneetarako, offline proiektuetarako edo kuoten bidezko blokeoa onartezina den lekuetarako aproposa, hasierako gastua edozein dela ere.
3. Bide Hibridoa (Eraginkorrena): Dagoeneko dugun GPUa 7B/8B eredu txikiekin erabiltzea tokian bertan autoosatzeetarako, sintaxi-galderetarako eta fitxategi laburren ediziorako zero kostuan. Hodeiko CLI agentikoa arkitektura-errefakturazio konplexuetarako eta modulu anitzeko debugging-erako soilik erreserbatzea.

Azken finean, tresnak proiektuaren marjinara egokitu behar du, eta ez alderantziz.