Baja tu factura de IA a la mitad: cuándo usar el modelo caro

Montaste algo con la API de un modelo, funcionó, lo dejaste en marcha. Y a final de mes llega la factura: tres o cuatro veces lo que habías presupuestado. Es el patrón más repetido del sector, y nadie mira la economía hasta que aterriza el primer recibo serio.

Lo llamativo es que casi todo ese exceso es evitable. No cambiando de proveedor —eso mueve mucho menos de lo que parece—, sino atacando tres cosas: las preguntas que se responden desde cero una y otra vez, las tareas sencillas que van al modelo más caro del menú, y el trabajo que no necesita respuesta inmediata pero la pide igual.

Esta guía va de eso. Por qué la tabla de precios miente, qué palancas recortan de verdad entre un 60 y un 80 % de la factura, y la pregunta del título: cuándo merece la pena el modelo caro y cuándo estás tirando el dinero. Un aviso previo: los nombres y los precios de los modelos cambian cada pocas semanas, así que las cifras concretas son de julio de 2026 y conviene verificarlas antes de calcular nada en serio.

Por qué tu factura no se parece a la tabla de precios

Antes de optimizar nada, conviene entender los cuatro sitios por donde se escapa el dinero sin que la tarifa lo anuncie.

El primero, y el más importante: la salida cuesta mucho más que la entrada. Generar tokens exige más cómputo que leerlos, así que casi todos los proveedores cobran entre tres y seis veces más por lo que el modelo escribe que por lo que lee. Pedir respuestas largas cuando no las necesitas es la forma más silenciosa de inflar la factura.

El segundo son los saltos por contexto largo. Gemini 3.1 Pro cuesta 2 y 12 dólares por millón de tokens hasta los 200.000, y 4 y 18 por encima, con la tarifa alta aplicada a todos los tokens de la petición, no solo a los que exceden. La familia GPT-5.5 tiene tarifas separadas que entran en torno a los 270.000 tokens. Claude y los modelos actuales de OpenAI no escalonan así. Una carga que se sitúe justo por encima de ese umbral paga muy distinto que otra cómodamente por debajo.

El tercero es el tokenizador. La tarifa es por millón de tokens, pero el mismo texto se convierte en un número distinto de tokens según el proveedor. El cambio de tokenizador de Claude Opus 4.7 llegó a producir hasta un 35 % más de tokens para el mismo texto de entrada que la versión anterior. El precio de cabecera es solo una primera aproximación.

Y el cuarto son los tokens de razonamiento: algunos proveedores te los cobran y los muestran, otros los cobran sin desglosarlos. En modelos que «piensan» antes de responder, esa partida puede ser la mayor de todas.

El paso cero que casi nadie hace: auditar qué llamadas sobran

Aquí está el consejo que falta en la mayoría de las guías, y es el más rentable porque no cuesta nada. La caché, el enrutado y la compresión optimizan peticiones que ya existen. Ninguna se pregunta si esa petición debería ejecutarse siquiera.

En cuanto montas agentes y automatizaciones, aparecen llamadas fantasma: flujos duplicados que hacen lo mismo dos veces, procesos programados que siguen corriendo aunque ya nadie lea su resultado, reintentos automáticos que se disparan en cadena, herramientas que se invocan «por si acaso». Optimizar el precio de esas llamadas es pagar más barato por algo que no deberías estar pagando.

Antes de tocar una línea de configuración, lista qué procesos llaman a la API, cada cuánto y para qué sirve el resultado. Es habitual encontrar entre un 10 y un 30 % de gasto que simplemente sobra.

Cómo se apilan las tres palancas

Con el inventario limpio, entran las tres técnicas clásicas. Lo importante es que atacan partes distintas de la factura y se suman: la caché abarata la entrada repetida, el enrutado baja el precio medio por petición y los lotes descuentan lo que no corre prisa.

Esa cascada es ilustrativa, no una promesa: los ahorros se solapan de formas poco limpias y el resultado depende de tu carga concreta. Pero el orden de magnitud —entre un 60 y un 80 % de reducción apilando las tres— aparece de forma consistente en los análisis del sector, con la advertencia de que buena parte de esas cifras las publican empresas que venden precisamente estas soluciones.

La caché: el mayor ahorro con el menor esfuerzo

Si solo vas a hacer una cosa, que sea esta. La caché guarda el prefijo repetido de tus peticiones —las instrucciones del sistema, el contexto fijo, la base de conocimiento— y te lo cobra a una décima parte. Hasta un 90 % de descuento sobre los tokens de entrada que repites.

Cada proveedor la implementa distinto, y los detalles importan.

Dos avisos que evitan sorpresas. Escribir en la caché cuesta más que una entrada normal, así que solo compensa si de verdad reutilizas ese prefijo dentro de la ventana de retención: cachear algo que usas una vez es tirar dinero. Y conviene distinguir dos cosas que suenan igual: la caché de prompt guarda prefijos exactos repetidos, mientras que la caché semántica reconoce preguntas equivalentes formuladas de otra manera. La segunda pilla los casi duplicados que la primera deja escapar, pero exige más trabajo de montaje.

Enrutar por tarea: cuándo el modelo caro y cuándo no

Y llegamos a la pregunta del título. La respuesta corta es que la mayor parte de tu trabajo no necesita el modelo caro, y que el desperdicio por desajuste de capacidad es el más grande de todos: en 2026 un modelo insignia puede costar más de treinta veces por token que uno pequeño. En agentes de programación, entre un 60 y un 80 % de las peticiones son rutinarias.

Enrutar significa clasificar cada petición y mandarla al modelo más barato que la resuelva bien. Los análisis del sector sitúan el ahorro entre el 40 y el 70 %.

La técnica más elegante es el enrutado en cascada: prueba primero con el modelo barato y escala al caro solo cuando la respuesta no supera un umbral de confianza. La investigación de Stanford sobre este patrón llegó a describir ahorros de hasta el 98 %, pero eso es un techo de laboratorio con condiciones muy favorables; en producción, lo realista es la horquilla del 40 al 70 %.

Y no olvides la opción de fondo: los modelos abiertos alojados en proveedores especializados corren entre diez y cincuenta veces más baratos que los insignia. Para tareas de volumen y baja complejidad, esa es la partida donde más se ahorra, con las salvedades de privacidad que ya tratamos al hablar de modelos abiertos.

Lotes: un 50 % por saber esperar

La tercera palanca es la más sencilla de todas y la que menos gente usa. Si tu trabajo no necesita respuesta inmediata, mándalo por la API de lotes y pagas la mitad. El descuento es plano y lo ofrecen tanto OpenAI como Anthropic, y se acumula con la caché: un trabajo por lotes que además reutiliza un prefijo cacheado paga el descuento de lote sobre la tarifa ya reducida.

Por dónde empezar, y en qué orden

El orden importa, porque no todas las palancas cuestan lo mismo de montar. Esta secuencia maximiza el ahorro por hora invertida.

Empieza esta semana por el paso uno, que es gratis: mira qué proceso se lleva tu factura. Lo más probable es que descubras que un solo flujo repetitivo concentra la mayor parte del gasto, y que ese flujo está mandando al modelo más caro del menú una tarea que resolvería uno pequeño por una fracción. Activa la caché ese mismo día y baja de modelo esa tarea concreta; con esas dos cosas, sin tocar nada más, la mitad de la factura suele desaparecer. Porque la pregunta que de verdad ordena todo esto no es cuál es el modelo más barato, sino otra bastante más incómoda: de todo lo que le estás pidiendo al modelo caro, ¿cuánto necesitaba de verdad ser caro?

GonzaloFundador

Madrileño enganchado a la tecnología desde pequeño. Trabajo en finanzas pero la inteligencia artificial es lo que me quita el sueño. Creé Miuranews para seguirla de cerca y contarla en español sin hype.

Todos sus artículos →