Productos

Calculadora de costes de LLM: ¿cuánto cuesta realmente su carga de trabajo?

Calculadora de costes de LLM: modele su gasto mensual en la API de LLM en el navegador y vea cuánto ahorrarían el almacenamiento en caché de prompts, el procesamiento por lotes y el enrutamiento de parte de su tráfico a un modelo más barato. Compare 18 modelos de 6 proveedores con su carga de trabajo exacta.

Mensual y anual Recálculo en vivo Precios oficiales Sin registro
Plantilla de carga de trabajo

Las plantillas son cargas de trabajo de ejemplo: puntos de partida que debe ajustar a sus propias cifras.

Modelo
Tráfico

Los tokenizadores difieren entre familias de modelos: mida con sus propios datos. Por qué varía el número de tokens.

Almacenamiento en caché de prompts
5 min (escritura ×1.25)
1 hora (escritura ×2)
Lotes
Enrutamiento a un modelo más barato
Previsión y moneda
Introduzca su tráfico a la izquierda para ver la estimación.

Gasto optimizado

sin optimizar

Por año

optimizado, con el crecimiento establecido

Por tarea

De dónde vienen los ahorros

Las palancas se aplican en orden: primero el almacenamiento en caché, luego los lotes y después el enrutamiento. Una palanca atenuada no puede aplicarse a este modelo o carga de trabajo.

Compare modelos con esta carga de trabajo

Cada modelo con precio calculado para su tráfico exacto: línea base y optimizado (caché + lotes). Ordenado por coste mensual optimizado.

ModeloLínea base / mesOptimizado / mesAhorroPor tarea

Proyección a 12 meses

Gasto mensual optimizado con su tasa de crecimiento compuesta.

Cómo conseguirlo

Obtenga las tres recomendaciones de mayor impacto para su carga de trabajo y un PDF de esta estimación por correo electrónico (desglose, comparación de modelos y proyección).

    Cómo funciona la estimación

    Un modelo transparente, a nivel de token, sin cajas negras. Cada cifra se recalcula en vivo al cambiar un dato y puede ver los números exactos que hay detrás.

    Preguntas frecuentes

    ¿Cómo se calcula el coste de la API de LLM?
    El coste depende de los tokens, no de las solicitudes. Multiplicamos sus llamadas mensuales por la media de tokens de entrada y de salida por llamada, valoramos la entrada y la salida por separado a la tarifa por millón de cada modelo y después aplicamos los ahorros de caché, lotes y enrutamiento. El resultado es solo el gasto en API, mensual y anual.
    ¿Cuánto ahorra el almacenamiento en caché de prompts?
    La caché ayuda cuando un prefijo grande y estable se repite entre llamadas. Las lecturas en caché suelen costar ~10 % del precio de entrada, por lo que el ahorro crece con su proporción almacenable y su tasa de aciertos. Si el prefijo almacenable es más corto que el mínimo del modelo, la caché no se aplica y el ahorro es cero.
    ¿Cuándo debo usar el procesamiento por lotes?
    Las API de lotes suelen dar un 50 % de descuento por un procesamiento asíncrono y de mayor latencia. Úselo para trabajos que no necesitan una respuesta inmediata: extracción, clasificación, generación sin conexión. No para chat interactivo.
    ¿Un modelo más barato es siempre más barato por tarea?
    No siempre. Un modelo más barato puede necesitar más llamadas, prompts más largos o reintentos, y su compatibilidad con caché y lotes es distinta. La tabla comparativa valora cada modelo con su carga de trabajo exacta, de modo que ve el coste real por tarea y no la tarifa de lista.
    ¿Con qué frecuencia se actualizan los precios?
    Los precios proceden solo de las páginas oficiales de los proveedores y se actualizan cada mes y con cada lanzamiento de un modelo nuevo. Cada modelo lleva un enlace a su fuente; el archivo de referencia lleva una fecha de actualización y, si tiene más de 60 días, la calculadora muestra un aviso.
    ¿Las cifras de tokens y las estimaciones incluyen la infraestructura?
    La estimación cubre solo el gasto en tokens de la API de LLM: excluye servidores, bases de datos vectoriales y embeddings, fine-tuning, monitorización y tiempo de ingeniería. Tenga en cuenta además que los tokenizadores difieren entre familias de modelos, por lo que el mismo texto puede ocupar más o menos tokens en otro modelo; mida con sus propios datos.

    Vaya más allá

    Integración de IA generativa →Lleve funcionalidades de LLM a producción con el coste, la latencia y la calidad bajo control. Fine-tuning de LLM →Cuándo un modelo menor ajustado supera a un modelo grande con prompts: lo medimos. Referencia de costes del fine-tuning →Cifras reales sobre cuándo se amortiza el fine-tuning. Claude frente a GPT para equipos de producto →Coste, caché y lotes, comparados con cargas de trabajo reales. Coste de desarrollo de un chatbot de IA →Lo que cuesta realmente desarrollar y mantener en funcionamiento un chatbot en producción.
    Enlace copiado