Un modelo es una muestra.
Una sola respuesta de un LLM es una extracción de una distribución. Kirat permite que Claude plantee la misma pregunta a ChatGPT y Gemini. Cada familia de modelos toma posición de forma independiente, Claude presenta la suya, y el resultado registra cada voto con su confianza autodeclarada. El disenso se conserva, no se diluye en un promedio. El debate se detiene como máximo tras dos rondas, y ese límite se impone en el código, no en un prompt.
El acuerdo se publica. El desacuerdo se pierde.
Un revisor pregunta si el hallazgo se sostiene con otra familia de modelos. Responder significa volver a ejecutarlo todo a mano.
El acuerdo entre modelos se presenta como robustez — sin registro de qué discrepó, ni con cuánta fuerza.
El prompt, el nombre del modelo, los ajustes y el costo quedan en un historial de chat que nadie exporta. Para el viernes, han desaparecido.
Cada ejecución devuelve un resultado que puedes describir en una sección de métodos.
Una votación del consejo devuelve un resultado estructurado: el desenlace, la decisión, cómo se alcanzó, el número de rondas, el voto de cada miembro con su confianza autodeclarada, y el costo. Decide una mayoría de dos tercios. Si algunos miembros se retiran y el resto se divide, un responsable de dominio designado deshace el empate. Sin mayoría, el resultado indica needs_human en lugar de forzar un acuerdo.
FIG. 1 — Una ejecución real, unánime. Los números de votes son valores de confianza que declaran los propios modelos — consulta los límites más abajo. Otros valores de outcome: needs_human, domain_decision, limited, budget_exhausted.
Qué anotar
Algunas partes del procedimiento están fijadas en el código: el límite de rondas, la regla de desempate, el control de presupuesto. Otras las eliges tú, y pertenecen a tu sección de métodos: qué modelos forman el consejo, el nivel de esfuerzo, la fecha. Los nombres de los modelos son ajustes, así que los valores predeterminados de abajo son solo eso, predeterminados.
FIG. 2 — Una lista mínima de comprobación para el informe. La versión de Kirat y los ajustes propios de Kirat también deben figurar en ella.
Lo que esto no hace
- —No es determinista. Las salidas de los LLM varían entre ejecuciones. Lo que se repite aquí es el procedimiento — la misma herramienta, los mismos modelos, el mismo límite de rondas, los mismos campos de resultado — no el texto que producen los modelos.
- —El acuerdo no es validez. El acuerdo entre familias es una señal descriptiva dentro de los modelos que hayas elegido. Las distintas familias de modelos fallan de forma distinta, pero aun así pueden coincidir en una respuesta errónea.
- —Los valores de confianza son autodeclarados. Los modelos indican un número. No está calibrado, no es una probabilidad y no debe analizarse como tal.
- —No es un instrumento validado. No hay ningún artículo detrás, ningún estudio de validación, ninguna revisión por pares. Es un procedimiento documentado y un formato de resultado. Lo que concluyas a partir de él es responsabilidad tuya.
- —El consejo no siempre está formado por los mismos tres miembros. Tras errores de API repetidos, el disyuntor (circuit breaker) pausa a un miembro durante el resto de la sesión. Una llamada que agota el tiempo con el esfuerzo máximo se reintenta una vez, un nivel de esfuerzo más abajo. Con una sola clave de API, el consejo tiene un único miembro externo, y cada resultado indica la clave que falta.
kirat_statusmuestra qué miembros están disponibles — compruébalo antes de una serie de ejecuciones. - —No es un almacén de datos. Kirat guarda solo los últimos 20 resultados, en la carpeta
.kiratde tu carpeta personal. Guarda tú mismo cada resultado que quieras analizar. - —No funciona en todos los lugares donde usas Claude. Solo donde Claude ejecuta herramientas en una máquina que tiene Kirat instalado: chats de Claude Desktop en macOS y Windows, Claude Code en un terminal o en VS Code, sesiones locales en la pestaña Code de Claude Desktop, sesiones SSH — y sesiones en la nube de Claude Code (sesiones en la nube de la pestaña Code, Claude Code en la web o en la app móvil) tras una configuración única de tu entorno en la nube. La nube tiene límites: todos los que usan el entorno pueden leer sus variables de entorno, incluidas tus claves; el presupuesto diario de Kirat se cuenta por sesión, así que fija límites de gasto en OpenAI y Google; los trabajos en segundo plano y los resultados recientes terminan con la sesión; y el entorno debe permitir dos hosts,
api.openai.comy el host de descarga de Kirat. Si la configuración falla, la sesión arranca igualmente, solo que sin Kirat, y el estado fallido puede quedar en caché para nuevas sesiones hasta que edites el script de configuración. No en el chat del navegador ni de las apps móviles, ni en tareas de Cowork que se ejecutan en la nube. Las sesiones WSL y las tareas locales de Cowork no están probadas. No se admiten redes de tu propia computadora que requieran un proxy HTTP — conviene comprobarlo en una red institucional. Las organizaciones que restringen las extensiones de Desktop a una lista de permitidas bloquean las instalaciones manuales; pregunta a tu administrador. Dónde funciona, en detalle.
Antes de comprar.
¿Puedo citarlo?
Puedes describir y citar el procedimiento como citarías cualquier herramienta: nombre, versión, nombres de los modelos, nivel de esfuerzo, fecha, límite de rondas. La fig. 2 de arriba es un punto de partida. Eso es lo que el resultado respalda.
No hay ningún artículo de validación que citar, y ninguna revista ha aceptado nada sobre la base de esta herramienta. No afirmes más de lo que el resultado contiene.
¿Es reproducible?
El procedimiento sí. Las salidas no — es una propiedad de los modelos, no de Kirat. Informa de ambas cosas.
Informa también de los nombres de los modelos y de las fechas. Los proveedores retiran modelos. Cuando se retira uno, introduces el nombre del nuevo modelo y sus dos precios en los ajustes de Kirat, y a partir de entonces tus ejecuciones usan un modelo distinto.
¿Puedo añadir otra familia de modelos, o un modelo local?
No. El consejo lo forman ChatGPT (OpenAI) y Gemini (Google), con Claude como tercer votante. Tú eliges qué modelos de OpenAI y Gemini lo integran, porque los nombres de los modelos son ajustes. Kirat solo admite OpenAI y Google; no hay adaptador para otros proveedores, y el código no es de código abierto.
Si necesitas otros proveedores, echa un vistazo a PAL MCP: un servidor MCP gratuito y de código abierto que admite muchos proveedores y tiene su propia herramienta de consenso. Comprueba su estado actual. Si cubre lo que necesitas, úsalo.
Si quieres construir tu propio servidor de consejo con un agente de programación, el Blueprint de la página principal consiste solo en documentos: la especificación, las decisiones de arquitectura con su razonamiento, la lista de comprobación de aceptación y los datos de benchmark que hay detrás de las cifras de este sitio. No lo necesitas para usar Kirat.
¿Qué pasa con los datos sensibles o personales?
Todo lo que le das a Kirat (preguntas, contexto, código, imágenes) va directamente a OpenAI y Google, con tus cuentas y bajo sus condiciones — desde tu computadora o, en las sesiones en la nube de Claude Code, desde tu propio entorno en la nube a través del proxy de red de Anthropic para ese entorno. Kirat no tiene servidor, ni cuenta con nosotros, ni telemetría. Nunca vemos tus claves ni tus datos.
En tu computadora, Kirat mantiene una carpeta .kirat en tu carpeta personal: el contador de costo diario, el registro de costos, los últimos 20 resultados (contienen tus preguntas y respuestas), el registro de decisiones delegadas y las imágenes generadas. Puedes borrarla en cualquier momento.
Si tus datos no pueden ir a OpenAI o Google, Kirat no es para ti.
¿Cuánto cuesta una ejecución y cuánto tarda?
Una decisión del consejo cuesta de $0.02 a $0.15 en nuestras ejecuciones medidas, según el nivel de esfuerzo y el tamaño de la entrada, y tarda de 8 segundos a 3 minutos. Pagas directamente a OpenAI y Google. Tres modelos no cuestan lo mismo que uno.
Las ejecuciones largas devuelven un ticket de inmediato y terminan en segundo plano; Claude recoge el resultado con kirat_result, de modo que un timeout del cliente no se traga un resultado ya facturado. Los timeouts se fijan por proveedor, a partir del rendimiento medido, porque los proveedores difieren: la mediana del rendimiento de salida fue gpt-5.6 ≈ 48 tokens/s y gemini-3.6-flash ≈ 196 tokens/s (ejecuciones de producción, ago. 2026, un único contenedor en la UE).
Un control de presupuesto reserva el costo del peor caso antes de cada llamada y bloquea las llamadas que podrían superar el presupuesto diario — $5 por día UTC de forma predeterminada, ajustable. Funciona en la medida de lo posible, sin garantía, así que fija también límites de gasto en los proveedores. Un proyecto de proveedor separado con su propio límite es buena idea.
¿Licencia para uso en investigación?
Kirat se vende con una licencia propietaria, no de código abierto. Una licencia cubre a una persona, en cualquier número de dispositivos y entornos en la nube propios de esa persona. No permite la redistribución, así que cada miembro de tu grupo que ejecute Kirat necesita su propia licencia, y un entorno en la nube compartido con otros necesita una licencia por persona.
Puedes usar los resultados en tu propio trabajo, incluido el trabajo comercial.
Un solo producto para todos: una compra, una descarga con la extensión de Claude Desktop y el plugin de Claude Code. Los precios y los detalles están en la página principal.