Writer lanzó el 13 de agosto de 2026 su nuevo modelo insignia Palmyra X6 para su plataforma de agentes de inteligencia artificial dirigida a empresas, al mismo tiempo que reconstruyó la capa de coordinación de tareas Writer Agent harness y añadió herramientas de gobernanza para supervisar el uso y establecer límites de gasto. La empresa afirma que ejecutar su producto con Palmyra X6 reduce el coste una media del 52%, con una mejora de la velocidad del 48% y de la calidad del 10%.
La medida llega en un momento en que el coste de los agentes se ha convertido en un factor principal en las decisiones de compra de tecnologías de inteligencia artificial dentro de las empresas. Los agentes normalmente no se limitan a producir una única respuesta, sino que ejecutan ciclos repetidos de planificación, recuperación, llamadas a herramientas, verificación y reintentos, lo que implica consumir más tokens que los chatbots tradicionales. Según las previsiones de Goldman Sachs citadas en el artículo, el consumo de tokens podría multiplicarse por 24 entre 2026 y 2030, hasta alcanzar los 120 cuatrillones de tokens mensuales, impulsado por la expansión de los agentes que operan de forma continua.
Un modelo basado en pesos abiertos
Writer no afirma haber entrenado Palmyra X6 desde cero. El modelo es una versión sometida a entrenamiento posterior de GLM-5.2, un modelo de mezcla de expertos de pesos abiertos de la empresa china Z.ai, conocida anteriormente como Zhipu AI. Según el informe técnico de la empresa, X6 conserva la arquitectura de GLM-5.2 y contiene 744.000 millones de parámetros, con unos 40.000 millones de parámetros activados por token.
Writer utilizó un método que denominó anchored supervised fine-tuning, o ASFT, sobre un conjunto pequeño de 626 trayectorias sintéticas seleccionadas para tareas de agentes, durante un único ciclo de entrenamiento y con una tasa de aprendizaje baja. El método emplea un mecanismo para ponderar los tokens y un anclaje basado en la divergencia de Kullback-Leibler para limitar el alejamiento del modelo entrenado respecto a una versión fija del modelo base. La empresa también sustituyó el optimizador Adam por el optimizador Muon en las matrices de pesos principales.
Los datos de entrenamiento fueron completamente sintéticos: modelos instructores generaron planes de tareas, llamadas a herramientas y respuestas finales, que después pasaron por filtros de calidad estructural y por un verificador basado en un modelo y un jurado compuesto por dos modelos lingüísticos antes de utilizarse en el entrenamiento.
Precio y rendimiento según las pruebas de Writer
En evaluaciones internas que abarcaron nueve capacidades, entre ellas la recuperación fundamentada en fuentes, el uso de herramientas, la generación de contenido, la delegación de tareas a subagentes y el cumplimiento de la voz de marca, Palmyra X6 obtuvo una media de 0,87 sobre 1,00. Writer compara este resultado con el 0,86 de Claude Opus 4.8, el 0,85 de Claude Sonnet 4.6, el 0,80 de GPT-5.5 y el 0,77 de Gemini 3.1.
La empresa fija el precio del modelo en dos dólares por cada millón de tokens de entrada y ocho dólares por cada millón de tokens de salida, frente a 15 y 75 dólares, respectivamente, para Claude Opus 4.8. Afirma que X6 ejecuta las tareas en 26 segundos de media y que puede operar sin supervisión directa para alcanzar un único objetivo durante un máximo de ocho horas.
Sin embargo, estas comparaciones se basan parcialmente en pruebas internas realizadas por la propia Writer. Dan Bikel, quien dirige la investigación de inteligencia artificial en la empresa, afirmó que el informe técnico incluye el protocolo de las pruebas públicas y las evaluaciones internas, y explicó que las pruebas públicas se utilizan como indicadores para comprobar que no existen brechas importantes, no como objetivos principales del entrenamiento.
Infraestructura y gobernanza
Writer afirma que los pesos del modelo se obtuvieron del repositorio de Hugging Face en Estados Unidos y que el entrenamiento se realizó íntegramente en infraestructura estadounidense, con la generación y el almacenamiento de los conjuntos de datos en Estados Unidos y mediante el uso de equipos de entrenamiento situados allí. La empresa también llevó a cabo una evaluación de riesgos del modelo registrada previamente, que abarcó el sesgo político, la censura, la precisión y el comportamiento de rechazo, e incluyó 19.674 respuestas evaluadas por jueces anónimos.
Los resultados de Writer indican que X6 mostró una inclinación lateral en cuestiones políticas sensibles en el 80% de los casos dentro de la evaluación ModelSlant de The Washington Post. Asimismo, al utilizar el mensaje de sistema destinado a producción, logró una mejora de 8,6 puntos en seguridad frente a ataques en el estándar FORTRESS, en comparación con la versión base de GLM-5.2. No obstante, el informe reconoció que el comportamiento del modelo varía según el idioma, lo que significa que el entrenamiento posterior limitado no elimina necesariamente todos los efectos del modelo base.
Junto con el modelo, Writer reconstruyó la capa de coordinación que planifica las tareas, agrupa el trabajo, lo delega a subagentes y gestiona el contexto. La empresa afirma que esta capa reduce el coste un 41% y acelera un 44% la finalización de tareas en todos los modelos que probó, incluidos los modelos de Anthropic y OpenAI, manteniendo la calidad.
Writer también amplió la compatibilidad con múltiples modelos dentro de Writer Agent, de modo que los administradores pueden activar modelos de Anthropic y OpenAI y de proveedores de servicios en la nube, incluidos Microsoft Azure, AWS Bedrock y Nvidia NIM, además de modelos de generación de imágenes.
Una visión unificada de los costes de los agentes
Las nuevas herramientas de gobernanza añaden una vista centralizada del uso de los agentes a escala empresarial y análisis de cada flujo de trabajo dentro de las Playbooks y Skills de automatización compartibles, junto con alertas de consumo y límites de gasto. Estas herramientas pretenden ayudar a los administradores de tecnologías de la información y seguridad a conocer el coste de cada flujo de trabajo antes de ampliar su uso.
Writer afirma que la reducción de costes no pretende disminuir sus ingresos, sino abrir casos de uso que las empresas no habrían automatizado anteriormente debido al coste de la mano de obra o al consumo de tokens. La empresa presenta el lanzamiento de Palmyra X6, la capa de coordinación y las herramientas de gobernanza como un único sistema centrado en el coste de la tarea completada con éxito, no solo en el precio anunciado del token.