PUNTOS IMPORTANTES:
- La fintech británica Revolut redujo un 90% sus costes operativos en inferencia tras migrar hacia modelos de código abierto y hardware propio.
- El despliegue interno abarcó a 2.000 ingenieros, logrando avances del 60% en programación y acelerando los plazos de entrega corporativos.
- La compañía ejecuta modelos en 56 unidades gráficas de Nvidia, alcanzando una tarifa reducida de 0,30 dólares por millón de tokens.
Revolut diseñó una estrategia tecnológica eficiente para abastecer a sus ingenieros con mayor procesamiento mientras redujo drásticamente su gasto operativo. La firma británica recortó cerca de un 90% sus costes de inferencia para programación en menos de un año.
Lejos de renegociar contratos comerciales con terceros, la compañía adoptó modelos de peso abierto alojados en sus propios servidores corporativos. Esta determinación estructural permitió prescindir de plataformas comerciales desarrolladas por proveedores externos como Claude, el sistema insignia de Anthropic.
Del racionamiento de tokens a una tarifa abierta de computación
Métricas de infraestructura y rendimiento en Revolut
- Coste por millón de tokens: El procesamiento propio redujo la tarifa a 0,30 dólares.
- Capacidad técnica instalada: La arquitectura opera sobre 56 unidades B200 de Nvidia.
- Mejora en tiempos de desarrollo: La productividad de los ingenieros avanzó un 60% en programación.
David Abitbol, responsable de operaciones e infraestructura en Revolut, presentó los balances durante una conferencia técnica celebrada en Nueva York el mes pasado. El ejecutivo confirmó que desplegaron las herramientas de programación entre una plantilla que abarca aproximadamente 2.000 ingenieros.
Esa implementación técnica aceleró los ciclos productivos, registrando un avance del 60% en los tiempos de escritura de código. Asimismo, la compañía constató una mejora del 70% en los plazos de entrega, lo que agilizó los procesos de entrega desde el diseño preliminar hasta su puesta en producción.
Aunque la firma evaluó diversas alternativas de mercado, la arquitectura computacional fue desarrollada por Z.ai, laboratorio de origen chino. Revolut inició la integración de modelos con la versión GLM-5.1 en abril de 2026, para posteriormente actualizar sus sistemas hacia la variante más avanzada GLM-5.3.
En la infraestructura interna, ese modelo actualizado opera sobre un clúster de 56 procesadores gráficos B200 fabricados por Nvidia (NVDA). Esta configuración técnica redujo la tarifa de computación a un promedio aproximado de 0,30 dólares por cada millón de tokens procesados por la entidad.
Reducción de costes y optimización de latencia en modelos abiertos
Previamente, los ingenieros de la compañía recurrían a las herramientas comerciales Claude Code de Anthropic y Codex de OpenAI. El consumo mediante interfaces externas generaba facturas mensuales de entre 1.000 y 10.000 dólares, lo que impuso estrictos controles presupuestariospara contener el gasto.
Revolut optimizó el rendimiento interno automatizando tareas accesorias como la redacción de documentación técnica y la gestión de incidencias. Las mejoras ejecutadas entre abril y agosto de 2026 elevaron la velocidad de procesamiento, superando las 7 peticiones por segundo tras registrar un incremento del 76%.
En términos de latencia operativa, el tiempo transcurrido hasta recibir el primer token de respuesta experimentó una contracción aproximada del 88%. Dicha reducción de tiempos de espera optimizó el flujo de trabajo, estabilizando la demora en una horquilla de entre 1,6 y 1,68 segundos.
Esta sensible mejora productiva superó con creces los registros obtenidos con herramientas anteriores dentro del entorno corporativo. Sistemas comerciales previos como Gemini de Alphabet (GOOGL) apenas aportaban ganancias de entre el 10% y el 20%, lo que impulsó la migración hacia servidores de control propio.
Las implicaciones regulatorias de operar modelos en infraestructura propia
Revolut opera bajo un estricto marco normativo financiero que condiciona la adopción de tecnologías externas en sus procesos. Para satisfacer los requerimientos legales, la entidad ejecuta los parámetros en servidores radicados en Estados Unidos, garantizando que los supervisores humanos revisen minuciosamente cada bloque de código sugerido.
En el modelo de peso abierto, la corporación descarga los parámetros del sistema y los procesa sobre su propio equipamiento técnico. Esta arquitectura cerrada evita transferir código informático confidencial hacia servidores de proveedores externos, blindando el secreto industrial y los datos financieros institucionales.
Pese a que el autoalojamiento demanda una importante inversión inicial en procesadores y talento técnico, la ecuación económica se vuelve rentable con la escala. Las optimizaciones realizadas entre abril y agosto demuestran que operar con una plantilla masiva de 2.000 ingenieros amortiza con rapidez los costes de instalación.
Este caso corporativo establece un precedente tangible al fijar una tarifa de 0,30 dólares por millón de tokens en el sector bancario. La firma no solo aceleró sus tiempos de entrega, sino que eliminó la necesidad de racionar el acceso computacional a sus equipos técnicos.
FAQs
La fintech británica dejó de usar plataformas externas de pago (como Claude o Codex) y adoptó modelos de peso abierto (GLM de Z.ai) alojados en sus propios servidores corporativos, compuestos por un clúster de 56 procesadores B200 de Nvidia.
La implementación mejoró un 60% la velocidad de escritura de código, aceleró un 70% los plazos de entrega y redujo el tiempo de respuesta (latencia) en un 88% para sus 2.000 ingenieros.
El procesamiento propio redujo la tarifa a 0,30 dólares por millón de tokens y blindó el secreto industrial al evitar transferir código informático confidencial hacia servidores de proveedores externos, cumpliendo estrictamente con las normativas financieras.
Descargo de responsabilidad: Toda la información encontrada en Bitfinanzas es dada con la mejor intención, esta no representa ninguna recomendación de inversión y es solo para fines informativos. Recuerda hacer siempre tu propia investigación.
