Pusimos nuestro router frente al de OpenRouter en 65 turnos reales. Esto es lo que pasó en realidad.

En 65 turnos de tres chatbots, nuestro enrutamiento costó $0.03310 frente a $0.08000 de auto-beta: 2.4× más barato en conjunto. En calidad, de 65 turnos en los que los dos routers eligieron modelos distintos, 56 se calificaron como empate, nosotros obtuvimos mejor puntuación en 8 y auto-beta en 1. Los dos routers eligieron un modelo distinto en absolutamente todos los turnos.

El total esconde lo más interesante, así que fíjese en la última columna: la brecha de costo va de 6.0× a 1.0×. En uno de los bots la ventaja casi desaparece.

En el asistente administrativo de DLR, los costos de los dos brazos diferían solo unos pocos por ciento. Auto-beta envió esos turnos a modelos de verdad baratos que además eran lo bastante buenos, que es justo lo que se espera de un router. No había historia de costo que contar. Lo que quedó fue una brecha de calidad (4 turnos divergentes a nuestro favor, 0 al suyo) y una de latencia: respondimos unas tres veces más rápido.

Pudimos haber dejado fuera ese bot. El total se ve mejor sin él, y nadie se habría enterado. Pero una comparación que solo se publica cuando nos favorece no es una medición, es un anuncio, y todo el argumento a favor del enrutamiento medido es que publicamos la cifra incluso cuando la cifra es incómoda. La lectura honesta: el costo es el titular solo cuando la popularidad favorece por casualidad a un modelo caro. Cuando no es así, nuestra ventaja es la calidad y la velocidad, que es una afirmación más limitada y más cierta.

La versión de esta comparación que publicamos el 22 de julio decía 7.4× más barato. Esa cifra era real, pero se midió contra el rival equivocado. OpenRouter tiene dos routers: openrouter/auto, un meta-router general que existe desde 2023, y openrouter/auto-beta, el que tiene en cuenta la tarea, lanzado en julio de 2026. Nuestro harness de pruebas llamaba a auto, mientras que cada comentario, cada línea de registro y cada página publicada describían el mecanismo de auto-beta. Son identificadores de modelo distintos que enrutan de forma distinta: con un prompt idéntico, uno eligió un modelo que costaba unas veinte veces lo que costaba el que eligió el otro.

Volver a correr la prueba contra el router que habíamos estado describiendo redujo nuestra ventaja de 7.4× a 2.4×. Esa es la corrección, y es el tipo de cosa que solo sale a la luz si uno revisa su propia afirmación antes de que lo haga otro. El error fue nuestro: el harness se escribió antes de que existiera auto-beta, la constante nunca se revisó y la etiqueta de la gráfica se fue alejando de lo que de verdad se medía. Ahora registra qué rival usó cada corrida, para que una corrida futura no pueda compararse en silencio contra otro oponente.

El enrutamiento por participación en el gasto responde a “¿qué compran todos los demás para prompts con esta forma?”. Es una buena pregunta y un punto de partida de verdad útil: no requiere configuración, ni benchmark, ni conocer su carga de trabajo. Pero la popularidad es un indicador indirecto. Le dice qué compró la mayoría, no qué aprueba sus tareas. El enrutamiento medido responde una pregunta más acotada: en un benchmark del propio trabajo de este cliente, ¿cuál es el modelo menos costoso que de verdad obtuvo una calificación aprobatoria? Cuando las dos respuestas coinciden, los routers empatan, que es como se ven 56 de 65 turnos divergentes. Cuando difieren, la medición gana en costo, en calidad o en ambos.

Por eso también la ventaja es desigual y no uniforme. No afirmamos tener un modelo mejor; los dos brazos eligen del mismo grupo de modelos. Afirmamos tener una mejor señal de selección, y una señal de selección solo rinde cuando la opción predeterminada de la mayoría es equivocada para su carga de trabajo. A veces no lo es.

65 turnos en tres bots es una muestra pequeña y fechada. Indica una dirección, no es una garantía, y una sola corrida tiene una varianza real: el juez de referencia es nuestro mejor criterio elegido, no un oráculo. El resumen honesto cabe en tres frases: los dos routers casi nunca eligen el mismo modelo; la calidad está prácticamente empatada, con una ventaja constante a nuestro favor (8 victorias contra 1 en 65 turnos divergentes); y la ventaja de costo es real, pero varía en un orden de magnitud según el bot.

Cada cifra de esta página se lee de la instantánea archivada de esa corrida (2026-07-28), guardada junto con la página, así que el artículo no puede desviarse de la medición que describe. La comparación completa se vuelve a correr y muestra las cifras actuales. Para entender qué discuten en realidad las dos filosofías de enrutamiento, vea participación en el gasto frente a calidad medida.

Volvimos a correr el mismo harness tres semanas después, y el resultado de costo se invirtió: auto-beta ahora envía la mayoría de los turnos a modelos de la clase de gemini-2.5-flash-lite y resultó más barato que nuestras elecciones medidas en los tres bots, unas 10× en uno de ellos. La calidad siguió prácticamente empatada (50 empates en 57 turnos divergentes) y nuestra ventaja de latencia se mantuvo entre 2 y 5× más rápido. La mayoría se movió hacia modelos más baratos, y esta vez la popularidad cayó en modelos que también aprueban.

Lo publicamos de la misma forma en que publicamos las cifras que nos favorecían: la página en vivo ya muestra los datos de agosto. Es también todo el argumento de este artículo aplicado a nosotros: una comparación es una fotografía, y cualquier cifra de una sola corrida, la suya o la nuestra, queda obsoleta en el momento en que el otro lado lanza algo nuevo. La respuesta de un router medido no es discutir con la fotografía, sino volver a evaluar los nuevos modelos baratos con las pruebas propias de cada cliente y aprovechar la baja de precio dondequiera que de verdad aprueben, con el veto del tráfico real entre unas pruebas aprobadas y la producción, porque este mismo mes ya atrapamos a un modelo barato que aprobó todas las pruebas y falló en los turnos reales.

Hicimos esa nueva evaluación el mismo día. La clase flash-lite aprobó sin reservas en dos de los tres bots y acción por acción en el tercero; nuestro enrutamiento pasó a ella dondequiera que se ganó el lugar, y nuestro costo de servicio bajó alrededor de 55% de una corrida a otra, con la ventaja restante de auto-beta reducida a 2.3–3.7×. La nueva evaluación también nos dejó una segunda lección aprendida a la mala: un candidato quedó por un momento como “el más barato” porque su precio era desconocido y un valor centinela convirtió lo desconocido en $0. Desconocido no es cero, y la corrección ahora deja por completo fuera de la clasificación de costo a los modelos sin precio.