Shopify redujo drásticamente los costos de inferencia de IA en 75x mientras duplicaba la calidad de salida al reemplazar su sistema de extracción de datos de comerciantes basado en GPT con un framework multi-agente construido sobre DSPy y Qwen 3. El gigante del e-commerce pasó de un enfoque de prompt único usando GPT-5 a un sistema multi-agente sofisticado que coordina agentes de IA especializados para diferentes tareas de extracción de datos.
Esto representa una validación significativa de modelos open-source en cargas de trabajo de producción donde el costo y rendimiento importan más que nombres de marca. Los resultados de Shopify destacan cómo un diseño de sistema reflexivo—usando el framework de prompting estructurado de DSPy con múltiples agentes coordinados—puede desbloquear mejor rendimiento de modelos más pequeños y baratos que lanzar modelos frontera costosos a problemas de un solo intento. La reducción de costo de 75x no es solo sobre precios de modelos; demuestra cómo las decisiones arquitectónicas pueden remodelar fundamentalmente la economía de la IA.
Con solo una fuente cubriendo este desarrollo, detalles técnicos clave permanecen poco claros—específicamente cómo Shopify estructuró su coordinación de agentes, qué tipos de datos de comerciantes están extrayendo, y cómo midieron las mejoras de calidad. La falta de cobertura más amplia sugiere resultados en etapa temprana o control deliberado de información alrededor de lo que podrían ser ventajas competitivas de infraestructura.
Para desarrolladores construyendo sistemas de IA de producción, el enfoque de Shopify ofrece un modelo: invertir en frameworks de orquestación como DSPy en lugar de depender de llamadas de modelo monolíticas. La combinación de modelos open-source con prompting sofisticado y coordinación de agentes se está volviendo una alternativa viable a llamadas API costosas para casos de uso específicos donde puedes controlar todo el stack.