Precio de los tokens LLM: para un mismo volumen, una factura que puede variar entre 1 y 25

A tener en cuenta

• Para 20 000 conversaciones mensuales, el coste de unagente de conocimiento (RAG) oscila entre 120 € y 2 987 € al mes, según el modelo elegido: una proporción de aproximadamente 1 a 25.
• El motivo: la facturación por separado de la entrada y la salida. Los tokens generados suelen costar entre 3 y 6 veces más que los tokens leídos, e incluso entre 8 y 9 veces más en algunos modelos. Los modelos «thinking» amplían aún más la diferencia: su razonamiento, invisible para el usuario, se factura a la tarifa de salida.
• Si no se tiene en cuenta la caché de prompts, una comparación sobreestima el gasto real: en nuestra simulación, la caché reduce la factura en aproximadamente un 35 % según la arquitectura RAG. No obstante, es necesario conocer bien sus reglas: un umbral de tamaño mínimo y una vida útil limitada.
• La tarifa por token no es suficiente para elegir un modelo: el cumplimiento de la Ley de IA, la soberanía de los datos y la integración en el sistema de información son factores igualmente importantes.
• Hay cinco medidas que permiten contener los costes: enrutamiento en función de la complejidad, almacenamiento en caché, procesamiento por lotes, control de los controladores y revisión periódica de las tarifas.

Desde el 1 de junio de 2026, todas las ofertas de GitHub Copilot se facturan por uso. La suscripción de tarifa plana que ofrecía acceso ilimitado a la IA ha desaparecido: ahora se cuenta cada token y se factura por separado. Más allá de la anécdota, este cambio supone un punto de inflexión.

En 2025, la IA generativa todavía se consideraba un recurso casi gratuito, que se implementaba sin una verdadera evaluación financiera. En 2026, el despertar fue brutal: los presupuestos de «IA para desarrolladores» se agotaron en pocos meses, y los departamentos financieros se dieron cuenta, a menudo a posteriori, de que el coste de los tokens aumentaba más rápido de lo previsto.

En este contexto, cualquier empresa que ponga en marcha un agente de IA o un asistente debe plantearse una pregunta sencilla: ¿influye realmente la elección del modelo en la factura? Para responder a esta pregunta con cifras en lugar de con intuiciones, hemos simulado el coste real de unagente de IA basado en el conocimiento (RAG)en diez modelos, con volúmenes rigurosamente idénticos.

Entrada, salida, razonamiento: cómo se calcula el precio de un token

Para comparar modelos, hay que saber primero cuánto se paga. Todos los proveedores aplican dos tarifas distintas:

• los tokens de entrada, es decir, todo lo que se transmite al modelo: la pregunta, el contexto y los documentos recuperados;
• los tokens de salida, es decir, el texto generado por el modelo.

Generar una respuesta token a token requiere más potencia de cálculo que la simple lectura de una indicación. Por lo tanto, la salida siempre es más costosa que la entrada: entre 3 y 6 veces más, por regla general, y hasta 8 o 9 veces más en el caso de algunos modelos.

En el caso de las arquitecturas RAG (Retrieval-Augmented Generation), esta asimetría tiene un efecto directo. Cada consulta envía un gran volumen de tokens de entrada (pregunta, historial, extractos de la base de conocimientos) para obtener una respuesta que, en la mayoría de los casos, es breve. Por lo tanto, la principal partida de gasto no es necesariamente la que uno podría pensar.

El caso particular de los modelos «thinking»

Esta lógica se invierte con los modelos denominados «thinking» o «reasoning». Cuando un modelo razona antes de formular su respuesta, el usuario no ve nada de ese razonamiento, pero este se factura sin lugar a dudas: cada token de razonamiento cuenta como un token de salida, a tarifa completa.

Así, una respuesta esperada de 100 palabras puede ir precedida de varios minutos de «reflexión» en silencio, lo que equivale a 2.000 palabras de razonamiento oculto. El recuento total asciende, por tanto, a 2.100 palabras, y no a 100.

En el ámbito conversacional, hay que actuar con cautela. En nuestra simulación (que se detalla más adelante), bastan unos 2.000 tokens de razonamiento oculto por cada llamada RAG para que el coste de la salida supere al de la entrada: la ecuación se invierte y la entrada, que hasta entonces era el elemento principal, pasa a un segundo plano. En la atención al cliente, donde se espera una respuesta inmediata, este modo de razonamiento en profundidad rara vez está justificado. De hecho, algunos proveedores no garantizan un razonamiento totalmente nulo, ni siquiera cuando se les solicita explícitamente.

Simulación: de 1 a 25 para un mismo volumen de conversaciones

Para poder realizar una comparación objetiva, hemos definido un perfil de uso típico de un agente de inteligencia artificial basado en el conocimiento (RAG) y hemos aplicado los mismos volúmenes a diez modelos disponibles en el mercado:

• por llamada RAG: 10 000 tokens de entrada y 250 de salida;
• Una media de 2,5 llamadas RAG por conversación;
• 3 solicitudes adicionales por conversación, de 1.000 tokens de entrada y 40 de salida cada una;
• 20 000 conversaciones al mes.

De una línea a otra, lo único que varía es el precio del modelo. Estos son los resultados, basados en los precios oficiales de agosto de 2026, convertidos al tipo de cambio de 1 $ = 0,92 €:

El resultado es claro: a igual volumen, el modelo más caro cuesta casi 25 veces más que el más asequible. Para un agente de IA que gestiona 20 000 conversaciones al mes, la diferencia asciende a unos 2 870 € al mes, solo por la elección del modelo. En doce meses, esto marca la diferencia entre una partida presupuestaria insignificante y una partida de gasto considerable.

Sin embargo, el modelo más barato no es la opción adecuada por defecto. Un modelo «nano» o «flash-lite» no razona con tanta precisión como un modelo insignia, y una respuesta aproximada ante un caso complejo suele costar más en términos de insatisfacción del cliente de lo que permite ganar en tokens. La simulación demuestra, sobre todo, que la elección del modelo no es en absoluto un detalle técnico: se trata de una decisión presupuestaria, que debe tomarse con conocimiento de causa en lugar de ser impuesta.

Ten cuidado con las solicitudes adicionales

Este tipo de simulación esconde una trampa: el tamaño de las solicitudes adicionales. Si es corta (alrededor de 1.000 tokens), una solicitud no suele alcanzar el umbral que la hace apta para el almacenamiento en caché (véase más abajo). Por lo tanto, se factura a tarifa completa cada vez que se envía.

Resultado: en la práctica, una consulta de 1.000 tokens puede costar lo mismo que una consulta de varios miles de tokens, que, por su parte, se beneficia de la caché. Por lo tanto, hay que analizar cada caso línea por línea antes de elaborar una comparación de precios fiable.

La caché de mensajes, una gran ausencia en las comparativas

Aunque sea riguroso, un análisis comparativo de este tipo casi siempre sobreestima el gasto observado en producción. De hecho, aplica la tarifa completa a cada llamada, cuando una gran parte del mensaje de un agente de IA basado en conocimientos (RAG) se repite, de forma idéntica o casi idéntica, de una llamada a otra.

El almacenamiento en caché de las solicitudes, que hoy en día ofrecen la mayoría de los principales proveedores, aprovecha esta repetición. En el primer envío, se almacena en caché un bloque de contexto; las solicitudes posteriores que retoman ese mismo contexto solo se facturan a una fracción de la tarifa estándar de entrada.

Un mecanismo de comparación por prefijo

La caché se basa en una comparación de prefijos: el modelo toma la consulta desde su primer token y la compara, token por token, con lo que ya ha procesado. Mientras el contenido coincida, esa parte se considera «en caché». En cuanto aparece el primer token diferente, la comparación se interrumpe: todo lo que viene a continuación se factura a tarifa completa, aunque el resto de la consulta sea idéntico a una consulta anterior.

Por eso, los elementos variables (resultados de búsqueda de RAG, historial de conversaciones, datos de contexto) anulan la caché en cuanto aparecen al principio de la indicación. Por el contrario, una base estable situada al principio de la consulta (instrucciones del sistema, base de conocimientos poco cambiante) la aprovecha al máximo.

Un umbral mínimo de 1.024 tokens en OpenAI

Otra norma que a menudo se ignora: la parte común debe alcanzar un tamaño mínimo. En OpenAI, por ejemplo, debe superar los 1.024 tokens para poder beneficiarse de la tarifa reducida. Si es inferior, no se tiene en cuenta y se paga el precio completo, aunque sea idéntica a una solicitud anterior.

El resultado es una zona especialmente desfavorable, entre 800 y 1 024 tokens aproximadamente: estas consultas encarecen la factura sin poder beneficiarse de la caché. La práctica recomendada: cuando una consulta se acerque a este umbral, ampliarla ligeramente para superarlo con claridad, siempre que dicha consulta se reutilice efectivamente durante el tiempo de vida de la caché.

Una duración de entre 10 y 15 minutos

La caché también es efímera: en la mayoría de los proveedores, caduca por defecto al cabo de unos 10 a 15 minutos. Si en ese plazo no se realiza ninguna nueva solicitud que reutilice el contexto, desaparece y debe volver a crearse en la siguiente llamada.

Algunos proveedores ofrecen una conservación prolongada, normalmente con un coste adicional en el momento de la grabación: una opción interesante para casos de uso en los que el contexto varía muy poco. Las condiciones varían de un proveedor a otro.

Una lectura en caché que sale aproximadamente 10 veces más barata

Tanto en Anthropic como en Google, leer contenido almacenado en caché cuesta aproximadamente el 10 % de la tarifa estándar de entrada, un descuento documentado oficialmente por ambos proveedores; el orden de magnitud es similar en OpenAI. En GPT-5.1, por ejemplo, la entrada sin caché cuesta entre 1,2 y 1,3 € por millón de tokens, frente a los 0,13-0,14 € con caché, lo que supone una relación cercana a 10.

Si lo aplicamos a Claude Sonnet 5 en nuestra simulación, con una escritura en caché para solo una de las 2,5 llamadas RAG de la conversación y una lectura en caché para las siguientes, el coste real por conversación se reduce en aproximadamente un 35 % con respecto al cálculo bruto. Por lo tanto, una comparación que no tenga en cuenta la caché corre el riesgo de exagerar la diferencia real entre dos soluciones y, en la misma medida, subestimar el margen de optimización de una arquitectura existente.

La tasa de reutilización efectiva depende en gran medida de la arquitectura. Un agente de IA cuyo contexto documental cambia poco (preguntas frecuentes, base de conocimientos estable) saca mucho más partido de la caché que un asistente que recurre a documentos diferentes en cada consulta. Este parámetro debe evaluarse con precisión antes de tomar cualquier decisión presupuestaria basada en una comparación de tarifas.

Más allá del precio: los criterios que realmente marcan la diferencia

La tarifa por token no es más que un parámetro entre otros. Un estudio del MIT (iniciativa NANDA), que tuvo gran repercusión en 2025 y que en 2026 seguía citándose como referencia, determinó que el 95 % de los proyectos piloto de IA generativa en las empresas no generaban un retorno de la inversión cuantificable.

El coste de los modelos no era el problema: los principales obstáculos eran unos objetivos poco claros, una adopción insuficiente por parte de los usuarios y una integración demasiado limitada en los flujos de trabajo de la empresa. Optimizar únicamente el precio por token, sin aclarar estos aspectos de antemano, equivale a abordar la variable equivocada.

A la hora de elegir un modelo en una empresa, hay cuatro criterios que tienen tanta importancia como el precio:

• Cumplimiento normativo. Con la aplicación progresiva de la Ley europea sobre IA, los requisitos de transparencia, trazabilidad y supervisión humana varían en función de los usos. Un modelo menos costoso pero con escasa documentación puede suponer un riesgo de incumplimiento mucho mayor que el ahorro obtenido.
• Soberanía y alojamiento de datos. Para las organizaciones sujetas a estrictos requisitos del RGPD, el origen y el lugar del tratamiento (alojamiento en Europa, ausencia de reutilización de los datos para el entrenamiento) suelen tener tanta importancia como el precio.
• Integración en el sistema de información. Un modelo que se conecta de forma nativa a tus herramientas (CRM, base de conocimientos, aplicaciones de negocio) reduce los costes ocultos de integración, que a menudo superan, a largo plazo, el propio coste de los tokens.
• Fiabilidad en tus propios casos de uso. Una buena clasificación en una prueba de rendimiento general no garantiza el rendimiento en tu caso concreto. El mejor indicador sigue siendo una prueba comparativa realizada con una muestra representativa de tus consultas.

Controlar el gasto en tokens: 5 medidas concretas

Independientemente del modelo elegido, existen varias medidas que permiten reducir el gasto sin mermar la calidad del servicio:

1. Asignar cada consulta en función de su complejidad. Los modelos insignia (Opus, GPT-5.5, Gemini Pro) se reservan para las consultas complejas; las tareas sencillas (preguntas frecuentes, clasificación, extracción) se delegan a modelos económicos como Haiku, GPT-5.4 nano o Gemini Flash-Lite.
2. Almacenar el contexto en caché siempre que el mensaje del sistema o la base de datos varíen poco de una solicitud a otra. Hay que tenerlo en cuenta desde el momento del diseño de los mensajes: una parte fija del contexto superior al umbral de elegibilidad del proveedor (1.024 tokens en OpenAI), para no pagar la tarifa completa por un contenido que es casi lo suficientemente largo como para almacenarlo en caché.
3. Utilizar el procesamiento por lotes (Batch API) para todo aquello que no requiera una respuesta en tiempo real: la mayoría de los proveedores ofrecen un descuento del 50 % en este modo.
4. Evaluar antes de implementar a gran escala. Una prueba piloto limitada, con un seguimiento preciso del consumo real de tokens, evita sorpresas desagradables una vez que la implementación se haya extendido a toda la organización.
5. Reevaluar periódicamente la relación calidad-precio. Las tarifas cambian rápidamente (todos los proveedores las han revisado en varias ocasiones en 2026) y el modelo más adecuado hoy en día no tiene por qué serlo dentro de seis meses.

La elección del modelo: una decisión estratégica

La economía de los tokens ya no es cosa solo de los equipos técnicos. Ahora es una decisión estratégica, al igual que la elección de un proveedor de servicios en la nube o de un software específico para el negocio. Nuestra simulación lo demuestra: para un uso idéntico, el modelo elegido puede, de entre los analizados, multiplicar la factura por 25. Pero el precio indicado no lo dice todo: la caché de prompts, el cumplimiento normativo y la adecuación al caso de uso son igualmente importantes.

En Zaion, te acompañamos en cada etapa: desde el diseño de los recorridos hasta la industrialización de la IA agentiva, con una gobernanza clara y resultados medibles a largo plazo.

¿Quieres calcular con precisión el coste de un proyecto de agente de IA para tu organización? Solicita una demostración.