Lanza la función de IA, no el modelo: arnés, ventana gratuita y niveles de esfuerzo

Estás decidiendo cuánto de un nuevo modelo de IA exponer en el lanzamiento. Cognition puso SWE-2 a disposición a través de Devin, en lugar de ofrecer pesos independientes, una API separada o una lista de precios de tokens pública. La superficie del producto se convirtió en la primera prueba de confianza: el usuario necesita ver qué hace la función, cuánto cuesta y dónde termina la prueba antes de pagar por una sorpresa. Un modelo puede ser excelente y aun así lanzarse mal si la interfaz oculta el costo, el esfuerzo y el límite de la prueba.

El checklist de lanzamiento es una prueba de confianza

• Acceso al modelo: ¿Puede alguien usar la función sin acceso a pesos, una API independiente o una tarifa pública por token? Si es así, el lanzamiento es primero con arnés.
• Ventana gratuita: ¿Muestra la prueba una fecha de inicio, una fecha de fin y una ruta clara de actualización? Si no, la ventana se filtra.
• Niveles de esfuerzo: ¿Puede un usuario elegir esfuerzo medio, alto o máximo y ver qué cambia cada uno? Si no, el costo sigue oculto.
• Divulgación de benchmarks: ¿La página nombra el benchmark, el conjunto de comparación y la afirmación de costo o velocidad? Si no, la afirmación es decorativa.

El arnés es la primera superficie de confianza

Un lanzamiento primero con arnés mantiene el modelo detrás de una superficie de producto que el usuario puede entender. Cognition lanzó SWE-2 en Devin Desktop y Devin CLI el 10 de septiembre de 2026; Devin Web y Devin Fusion aún estaban en despliegue. Esa elección hace práctica la primera pregunta de confianza: ¿puede el usuario ver qué hace la función antes de ver cómo se vende el modelo?/p>

Cuando un modelo se expone como API antes de que el producto esté listo, el usuario empieza a comparar tokens, latencia y capacidad bruta. Una comparación justa es la primera conversación equivocada para una función. El arnés responde primero a la pregunta de la tarea: ¿qué hará esto por mi trabajo, qué toca y cuánto cuesta cuando funciona? Mantén el modelo detrás de una superficie con nombre. Una aplicación de escritorio o una herramienta de línea de comandos es suficiente hasta que el producto pueda explicar el resultado en el lenguaje del usuario. La primera pantalla debe nombrar la superficie, la tarea y el límite de la prueba.

Una ventana gratuita es un contrato, no un cupón

Una ventana gratuita funciona cuando se comporta como un contrato. Digamos que le das a los usuarios una ventana para ejecutar el agente en trabajo real. La pantalla de prueba muestra la fecha de inicio, la fecha de fin y qué sucede cuando la ventana se cierra. Si el usuario no puede ver el límite, la prueba se convierte en una fuga: o dejan de usarla antes de confiar en ella, o continúan después de cuando deberían haber decidido. Pon la fecha límite en la misma pantalla que la acción, y haz que la ruta de actualización sea un botón, no un misterio. El límite es parte del producto, no una nota al pie de facturación.

La ventana también necesita una salida. Cuando termina, el usuario debe saber si su trabajo sigue siendo accesible, si el agente puede reanudar y si el precio cambia. Una prueba que borra el contexto o bloquea archivos en el límite enseña desconfianza. Una prueba que preserva el trabajo y muestra el siguiente precio enseña que el producto está listo para una decisión. Haz que el estado final sea parte del onboarding, no una sorpresa en el correo de facturación.

Los niveles de esfuerzo y las afirmaciones de benchmarks necesitan recibos visibles

Los niveles de esfuerzo son el control de costo más honesto en una interfaz de agente. Cognition entrenó los modos de esfuerzo de razonamiento medio, alto y máximo en una sola ejecución de aprendizaje por refuerzo. Eso permite que el producto presente el dial como una elección real en lugar de una perilla oculta. En el conjunto de 100 tareas FrontierCode Main de Cognition, SWE-2 medio produjo su primera edición de código significativa después de una mediana de 18 pasos; SWE-1.7 necesitó 48. En FrontierCode 1.1 Main, SWE-2 medio superó a SWE-1.7 en puntuación, usó 58% menos turnos y tuvo un costo medio 81% menor.

En FrontierCode Main, SWE-2 obtuvo 50.0%, por detrás de GPT-6 Astra con 53.3% y Fable 5.1 con 50.9%. El costo medio de despliegue de SWE-2 fue 64% menor que el de Fable 5.1 y aproximadamente una cuarta parte del de GPT-6 Astra. El conjunto de comparación nombrado importa tanto como la puntuación. Una puntuación sin el conjunto invita al usuario a adivinar las condiciones. Pon el nombre del benchmark, el conjunto de comparación y la afirmación de costo junto al dial de esfuerzo, para que el usuario vea por qué cambia el costo. Un recibo visible convierte un benchmark de marketing en una ayuda para la decisión.

Una etiqueta visible dice qué hace el nivel medio: más razonamiento, más pasos, más costo y, por lo general, una mejor probabilidad en una tarea difícil. El valor predeterminado coincide con la primera tarea real del usuario, no con la configuración que se ve impresionante en una demo. Si el producto no puede mostrar una diferencia aproximada de costo, muestra la dirección: esta configuración trabaja más y tarda más. El usuario puede entonces elegir la configuración que se ajuste a la tarea y al presupuesto.