Calculadora de coste de API OpenAI, Claude y Gemini

Activa el prompt caching como primera optimización, antes que ninguna otra. En Anthropic, marca tu system prompt estable con las cabeceras cache_control y los tokens cacheados bajan a en torno al 10 % del precio de entrada estándar. En OpenAI, el caching se activa solo en ciertos endpoints cuando el prefijo de tu prompt es idéntico entre peticiones. La ganancia es mayor en cargas con un contexto largo y estable y muchas peticiones: chatbots con personalidades detalladas, sistemas RAG con contexto de recuperación repetido y cualquier bucle de agente que reenvía un bloque largo de instrucciones. La mayoría de los equipos se olvida de activarlo y paga de 5 a 10 veces de más.

Pasa a la Batch API toda carga que no sea en tiempo real. Tanto Anthropic como OpenAI ofrecen endpoints de batch al 50 % exacto del precio estándar a cambio de un SLA de respuesta de 24 horas. La clasificación, la moderación de contenido, la generación de embeddings, las cadenas de resumen y las tandas de evaluación son todos buenos candidatos. La integración es trivial, porque el prompt y el modelo no cambian. Es habitual que los equipos ejecuten toda su cadena de etiquetado de contenido a precio estándar, cuando el batch les reduciría la factura a la mitad sin ninguna diferencia de calidad.

Enruta las peticiones según su dificultad. Las consultas sencillas (saludos, formateo, búsquedas básicas) van en GPT-4o mini, Claude Haiku o Gemini Flash, a entre 0,15 $ y 0,80 $ por millón de tokens de entrada. El razonamiento difícil va en Claude Opus, GPT-4.5 o Gemini Pro, a entre 1,25 $ y 75 $ por millón. Un clasificador pequeño por delante de tu enrutador de modelos suele recortar el coste entre un 60 % y un 80 % en cargas mixtas. Mandarlo todo a un modelo de frontera es el error de coste de IA más común que vemos en producción.

Limita max_tokens sin contemplaciones. Los tokens de salida cuestan de 3 a 5 veces más que los de entrada, y los 4.000 tokens de salida por defecto son muchos más de los que necesita la mayoría de las respuestas. Limita las respuestas de sí o no a 10 tokens, los resúmenes cortos a 200 y el JSON estructurado a lo que pida tu esquema más un pequeño margen. A veces el modelo quiere extenderse aunque no se lo pidas, y pagas por esas digresiones. Ajustar max_tokens recorta el coste de salida entre un 30 % y un 50 % en la mayoría de los casos.

Recorta el contexto recuperado a lo justo que necesita cada consulta. Los sistemas RAG suelen recuperar de 10 a 20 fragmentos y meterlos todos en el prompt por si acaso. El resultado es pagar miles de tokens irrelevantes en cada petición. Añadir un reranker que filtre hasta los 3 a 5 fragmentos más relevantes suele recortar el uso de tokens de entrada entre un 50 % y un 70 % sin perder calidad y, a menudo, ganándola, porque el modelo deja de distraerse con contexto que no viene a cuento.

Registra cada petición con el número de tokens, el modelo y si fue cacheada o no. No puedes optimizar lo que no ves, y los costes de IA pueden dispararse de la noche a la mañana cuando se lanza una funcionalidad nueva o se retoca un prompt. Configura alertas de gasto diario. Monta un dashboard que desglose el gasto por funcionalidad, modelo y endpoint. La mayoría de los sobrecostes que encontramos en producción se deben a que un patrón de uso cambió dos semanas antes de que alguien mirara la factura.