Costes de APIs de LLM en 2026: ¿qué debe cambiar en tu arquitectura?

Un precio de lista menor puede justificar volver a probar una arquitectura de IA antigua. No demuestra que una carga de producción equivalente sea un 80 por ciento más barata. Junto con los precios, los proveedores han cambiado familias de modelos, calidad, contabilidad de tokens, límites de contexto, reglas de caché, niveles de servicio, herramientas y límites de uso. Una comparación válida debe mantener constantes el resultado del producto y la carga de trabajo.

Esta guía explica cómo evaluamos los cambios de coste en el desarrollo de productos de IA. Es un marco de medición, no una cotización. Registra la página del proveedor, la versión del modelo, la región, el nivel de servicio, la moneda y la fecha de observación de cada comparación.

¿La inferencia se abarató un 80 por ciento?

No existe una serie única de precios de modelos avanzados o intermedios que respalde esa afirmación. Comparar dos nombres de modelo entre años puede cambiar capacidad, calidad de salida, latencia, modalidad, contexto y esfuerzo de razonamiento. Incluso un precio comparable por token ignora reintentos, salidas más largas, herramientas y el número de llamadas necesarias para lograr un resultado aceptado.

Los catálogos actuales muestran por qué un solo porcentaje induce a error. OpenAI publica precios separados para entrada, entrada en caché y salida, además de diferencias de contexto y funciones (comparador de modelos de OpenAI). Google separa modelos, uso por lotes, caché, almacenamiento, grounding y modos de servicio (precios de la API de Gemini). Anthropic distingue entrada base, escritura y lectura de caché, salida, lotes y modificadores de contexto largo (precios de Anthropic). Estas páginas son datos vivos para el modelo de costes, no cifras permanentes para copiar en la arquitectura.

¿Qué debe incluir el modelo de costes?

Calcula el coste por resultado aceptado, no solo por solicitud. Si una ruta más barata requiere más reintentos o revisión, el descuento por token puede desaparecer a nivel de producto.

¿Los precios bajos deberían eliminar RAG?

El precio no debe decidir por sí solo entre contexto largo y RAG. La recuperación puede aportar actualidad, selección de fuentes, filtrado por permisos y atribución. El contexto largo puede conservar relaciones entre documentos y reducir la complejidad cuando cabe el material relevante. Ambos enfoques necesitan evaluaciones de calidad, uso de evidencia, latencia y fallos.

No apliques un umbral universal de 500.000 o un millón de tokens. Cuenta el contenido procesado, las instrucciones, la conversación, los resultados de herramientas y el margen de salida frente al límite actual del modelo. Compara después coste completo y calidad sobre la misma carga. Nuestra guía de RAG, fine-tuning y contexto largo presenta ese diseño experimental.

¿Cuándo ayuda la caché de prompts?

La caché puede ayudar cuando muchas solicitudes reutilizan un prefijo estable y apto según las reglas del proveedor. También puede generar cargos de escritura y almacenamiento, fallar por diferencias de prefijo o tiempo, retener contenido bajo condiciones específicas, o no estar disponible para el modelo o la interfaz elegidos.

Ordena el contenido estable según las recomendaciones de la API, pero mide las unidades facturadas de escritura y lectura. Un objetivo del 80 por ciento de aciertos o un ahorro de un orden de magnitud no es universal. Usa la distribución real, el tiempo hasta el primer token, la invalidación, la retención y los precios vigentes.

¿Cada solicitud debe empezar con un modelo más barato?

Un router solo sirve si mejora la combinación medida de calidad, latencia, fiabilidad y coste. Define clases de solicitudes, enruta con señales observables y evalúa los errores. Un primer intento débil seguido de escalado puede costar más y responder más lento que empezar con el modelo que cumple el umbral.

Mide resultados aceptados al primer intento, escalados, confianza errónea, reintentos, percentiles de latencia y coste por resultado aceptado. Mantén una ruta directa para las clases donde el modelo más capaz gana de forma consistente.

¿Los tokens baratos justifican bucles de agentes más profundos?

Ningún número fijo de llamadas a herramientas se vuelve económico o fiable solo porque bajen los tokens. Cada paso añade llamadas, cargos de herramientas, latencia, permisos, efectos externos, fallos parciales y recuperación. Construye un bucle de agente solo cuando los pasos adicionales mejoren lo suficiente los resultados aceptados.

Define presupuestos y condiciones de parada por clase de tarea. Registra con seguridad cada resultado y reintento, sin guardar por defecto contexto sensible completo. Prueba timeouts, acciones duplicadas, estado obsoleto, fallos de permisos y escalado humano.

¿Cuándo debe ejecutarse el trabajo por lotes?

El procesamiento por lotes es candidato para trabajo asíncrono e independiente que cumpla las restricciones de funciones, duración, región, cuota y datos de la API. No supongas que todo proveedor, modelo o herramienta recibe un 50 por ciento de descuento. Algunas interfaces omiten herramientas interactivas o funciones estructuradas, y la demora cambia las necesidades operativas.

Compara lotes, flex, estándar, prioridad y capacidad reservada con condiciones actuales. Incluye espera, registros fallidos, reintentos, almacenamiento, monitorización y riesgo de plazo.

¿A dónde va el dinero?

No se puede defender una distribución universal, como que la inferencia represente entre el 30 y el 45 por ciento. Depende de tráfico, longitud de salida, herramientas, recuperación, revisión humana, riesgo, disponibilidad y equipo. Un clasificador sencillo y un agente regulado tienen estructuras diferentes.

Etiqueta el uso por función, cliente, clase de solicitud, modelo, ruta y resultado. Concilia facturas con telemetría. Incluye evaluación y operación humana en la misma vista para que optimizar tokens no desplace el coste a otro lugar.

¿Cuándo conviene considerar modelos de pesos abiertos?

Compara APIs alojadas y despliegues de pesos abiertos sobre el mismo conjunto de aceptación. El autoalojamiento puede dar control sobre infraestructura, versiones y ciertos flujos de datos. También añade capacidad, riesgo de utilización, operaciones de modelos, seguridad, monitorización, actualizaciones e incidentes.

No existe un punto de cruce universal en 50 millones de tokens diarios. Estima la forma de la carga, utilización de aceleradores, redundancia, cobertura de ingeniería, licencias, soporte, obligaciones de datos y migración. Ejecuta una prueba controlada de carga y calidad antes de decidir.

"Un precio menor por token es una razón para repetir el experimento, no para omitirlo."

¿Qué revisión de arquitectura debes ejecutar?

1. Fija un conjunto representativo, umbrales de calidad, mezcla de solicitudes, objetivos de latencia y límites de riesgo.
2. Exporta el uso por tipo de entrada, estado de caché, salida, razonamiento, herramientas, reintentos y resultado.
3. Calcula la base desde facturas y condiciones oficiales actuales, incluidos costes humanos y no relacionados con tokens.
4. Cambia una variable cada vez: modelo, ruta, contexto, recuperación, caché, lote, presupuesto del bucle o alojamiento.
5. Compara calidad, fiabilidad, latencia y coste completo con la misma carga.
6. Despliega mediante un control reversible y verifica el ahorro sin degradar resultados.
7. Repite cuando cambien de forma material el modelo, precio, carga, contrato o requisito del producto.

¿Cómo debe estimarse un proyecto de IA?

Separa el precio de implementación de los escenarios de ejecución. Indica tráfico, mezcla de solicitudes, distribuciones de entrada y salida, supuestos de caché, herramientas, escalado, volumen de evaluación, retención, disponibilidad y soporte. Presenta casos bajo, esperado y de estrés, con fuente y fecha de cada precio.

No prometas que una función moderna cuesta entre el 30 y el 60 por ciento de una cotización hipotética de 2024. Muestra la base actual, configuración propuesta, diferencia medida, migración única, rango de confianza y factores que invalidarían la estimación. Nuestra guía para reducir costes de LLM detalla las palancas operativas.