Hasta el 85–90% de todos los tokens que quema un agente autónomo de programación al crear una aplicación web no se va en generar nuevas líneas de código, sino en releer una y otra vez los archivos ya existentes del proyecto en cada paso de razonamiento. Cuando vi en el canal «Node.JS ru» el análisis del reciente estudio del desarrollador Nolan Lawson The AI cost of JavaScript frameworks, fue precisamente esa proporción la que me llevó a abrir las tablas originales de mediciones. Porque desmiente la tesis principal del «vibecoding» actual: que hoy da igual lo verboso que sea tu framework, ya que la red neuronal escribirá gratis cualquier volumen de código repetitivo.
En la práctica ocurre justo lo contrario. Imagina a un carpintero que cuelga una estantería, pero antes de cada martillazo está obligado a releer de cabo a rabo una carpeta abultada con los planos de todo el piso. Cuantos más archivos auxiliares, decoradores y abstracciones repartidas por carpetas tenga el proyecto, más gruesa es esa carpeta y más caro sale cada paso de comprobación. Veamos con las cifras del experimento de Lawson qué stack de JavaScript les sale más barato y rápido a los agentes de IA autónomos, por qué una herramienta quema el doble de presupuesto que otra y qué recibe el usuario en el navegador.
Condiciones del experimento: catálogo de Pokémon, PokéAPI y validación mediante árbol de accesibilidad
Para llevar los debates sobre frameworks al terreno de las mediciones exactas, Nolan Lawson (autor del blog Read the Tea Leaves) planteó a la inteligencia artificial una tarea estrictamente idéntica. El ejecutor fue el agente de programación en terminal Claude Code basado en el modelo Opus 5.5 con el modo de razonamiento profundo activado (high reasoning effort). Te lo explico de forma sencilla: a diferencia de un chat normal donde una persona copia fragmentos de código, el agente autónomo trabaja directamente en la carpeta del proyecto: crea los archivos por sí mismo, lanza la compilación y el servidor en la terminal, lee los errores y corrige el código en un ciclo cerrado.
Se eligió una tarea visual y clara: construir desde cero una aplicación web de catálogo de Pokémon conectada al servicio REST público PokéAPI. La aplicación debía cargar la lista de criaturas, permitir búsqueda de texto por nombre, filtrar tarjetas por tipos y abrir una pantalla de detalle con las características del personaje.
Lawson probó 12 variantes de stack JavaScript: desde combinaciones orientadas a servidor y metaframeworks (Astro, Hono con htmx, Nuxt, SvelteKit, Next.js) hasta bibliotecas de componentes (React, Vue, Solid), el corporativo Angular y JavaScript puro sin frameworks de UI (Vanilla JS). Como las respuestas de los modelos son probabilísticas, la generación de cada variante se ejecutó 5 veces, calculando medianas estables.
Para que la red neuronal no hiciera trampas con la maquetación, cada aplicación se validaba con una batería automática de pruebas funcionales sobre el árbol de accesibilidad del navegador (accessibility tree). Es el mapa semántico de la página para lectores de pantalla: da igual con qué etiquetas HTML esté maquetado el botón de filtro o el campo de búsqueda; si el elemento no se encuentra por su rol semántico o la lista de Pokémon no se actualiza tras el clic, el test falla y el agente vuelve a corregir el código.
Líderes en velocidad y presupuesto: cómo Astro y la dupla Hono con htmx ahorran pasos al agente
Veamos cómo resuelven la misma tarea del catálogo de Pokémon dos enfoques arquitectónicos opuestos. En una aplicación clásica de una sola página (SPA), para un filtro por tipos el agente tiene que montar en el cliente un almacén de estado reactivo, gestionar estados de carga, pasar propiedades por una cadena de componentes y sincronizar el filtro con la URL. En cambio, en stacks orientados a servidor la misma tarea se resuelve devolviendo directamente HTML listo.
Precisamente ese contraste definió el podio del benchmark:
- El stack más rápido fue Astro: el tiempo mediano de desarrollo y superación de pruebas fue de 8,2 minutos.
- La opción más barata resultó ser la combinación del router de servidor Hono y la biblioteca htmx: el coste mediano se quedó en $2,67 con un tiempo de 8,6 minutos.
- El menor consumo de tokens en todo el ciclo lo registró Nuxt: 3,85 millones de tokens.
¿Por qué ganaron estas herramientas con tanto margen? En la dupla Hono + htmx no hay un runtime pesado en el cliente ni duplicación de lógica entre servidor y navegador. Una ruta en Hono pide los datos a PokéAPI y devuelve un fragmento de marcado listo, mientras un par de atributos declarativos de htmx directamente en el HTML indican al navegador dónde insertar la lista filtrada de tarjetas.
En Astro y Nuxt, una ventaja parecida la aportan el enrutamiento basado en archivos y los componentes de archivo único. Cuando la carga de datos, la plantilla y los estilos de una pantalla viven en un mismo archivo compacto sin envoltorios innecesarios, Claude Code mantiene toda la imagen en contexto al primer intento, no se lía con los imports y supera las pruebas de accesibilidad en el mínimo número de pasos.
Verbosidad de Angular frente a JavaScript puro: qué pagamos en tokens
Ahora miremos la parte baja de la tabla y midamos cuánto cuesta la rigidez arquitectónica. El peor resultado simultáneo en ambos criterios lo obtuvo Angular: el tiempo mediano fue de 17,2 minutos y el coste alcanzó $4,97, casi el doble de lento y caro que Astro y Hono + htmx. El consumo de contexto de Angular subió hasta 9,76 millones de tokens, 2,5 veces más que el líder.
Las abstracciones estrictas de Angular —inyección de dependencias (Dependency Injection), módulos, decoradores, archivos separados para plantillas y lógica, tipos estrictos de TypeScript y flujos reactivos (RxJS o Signals)— se crearon para que grandes equipos humanos escriban código predecible. Pero cuando trabaja un agente autónomo, esa comodidad se paga por partida doble:
- Relectura de un contexto inflado. Incluso con el mecanismo de caché de prompts (
Prompt Caching), que abarata la lectura de archivos sin cambios, cada nuevo paso de razonamiento obliga al agente a pasar de nuevo por la ventana de contexto el historial de pasos y una base de código voluminosa (la mecánica de estos costes la analizamos en el artículo sobre la economía de tokens de los agentes de IA). - Vueltas de penalización por compilación. El más mínimo ajuste en el filtro exige actualizar de forma síncrona el servicio, la interfaz, el decorador y la plantilla. Cualquier desajuste de tipos provoca un error del compilador de TypeScript y manda al agente a nuevas iteraciones de lectura y corrección.
Seguramente te preguntarás con razón: «Si los frameworks generan tanto overhead, ¿no es más sencillo escribir en JavaScript puro sin bibliotecas?». Tuve la misma idea, pero las mediciones de Lawson la desmintieron. La variante en JS puro (Vanilla JS) tardó 10,1 minutos y costó $2,98, quedando por detrás tanto de Astro como de Hono + htmx. Sin un framework, el agente tuvo que escribir desde cero sus propias funciones de renderizado del DOM y gestión de estado, gastando tiempo extra en infraestructura casera.
Un agente autónomo trabaja más rápido y barato allí donde el framework ya ofrece primitivas listas de enrutamiento y renderizado, pero no obliga a multiplicar decenas de archivos repetitivos para una sola pantalla.
Puntuaciones de Lighthouse, peso del bundle en cliente y matiz para producción
¿Se justificó el sobrecoste del doble de precio de los stacks pesados en la calidad del sitio final? En las pruebas de Lighthouse, las doce aplicaciones lograron prácticamente el mismo resultado: 97–100 puntos en rendimiento y 100 puntos en accesibilidad. Sin embargo, el peso del código cliente en el navegador varió de forma radical: Astro entregó en la página principal 0 KB de JavaScript de cliente, mientras que el bundle de Next.js superó los 140 KB.
Conviene recordar una limitación: la prueba de Lawson evalúa el desarrollo desde cero (greenfield). En sistemas corporativos maduros la economía de los agentes depende también de la profundidad del código legado, la modularidad de las pruebas y las validaciones automáticas (sobre el papel de estos cinturones de seguridad escribimos en el análisis de la ingeniería de agentes de IA autónomos y envoltorios harness). No hace falta reescribir un monolito antiguo por la generación de código, pero en proyectos nuevos una diferencia del doble en el coste de cada ejecución se convierte rápidamente en miles de dólares al mes sobre un flujo continuo de tareas.
Al elegir stack para trabajar con agentes de IA, recuerda: no pagas por la velocidad al teclear caracteres, sino por el volumen de código que el modelo tiene que releer y enlazar en cada paso de razonamiento.

![Node.JS [ru]](/api/digests/it_development/daily/20261111/assets/sources/we-use-js.jpg?v=f8705c36e5a84a2687c5f2a9ed8e11e9ee5128d014f0ef7a1f572072e0921e4e)