Ilustración conceptual de un tubo con boquillas de código, herramientas y análisis junto a fichas de coste

Modelos para agentes: costes API y cómo elegir por tarea

Elegir modelos para agentes exige mirar cuánto cuesta terminar una tarea válida, además del precio por token. Para clasificar documentos empezaría con una opción económica; para programar, compararía modelos intermedios con pruebas del repositorio. Reservaría los más caros para problemas donde demuestren una mejora. Esta comparativa reúne tarifas oficiales consultadas el 21 de noviembre de 2026 y cálculos reproducibles, sin atribuirles resultados de rendimiento que no hemos medido.

La selección incluye GPT-6.2 Sol, Claude Haiku 5.5, Sonnet 5.5, Opus 5.5 y Gemini 4 Carbon. Es una muestra útil de distintos costes y usos, no un ranking de popularidad ni un inventario completo. El modelo más nuevo tampoco gana por defecto: importa cómo funciona con tus datos, tus herramientas y tu presupuesto.

Modelos para agentes: el tubo y la boquilla

La metáfora del tubo ayuda a separar piezas. El modelo aporta capacidad para interpretar y generar respuestas; las instrucciones actúan como una boquilla que dirige ese caudal. Las herramientas permiten consultar archivos o ejecutar acciones. Por su parte, la memoria conserva información que el sistema debe recuperar, y la orquestación decide qué paso viene después y cuándo parar.

Un archivo de texto con instrucciones no garantiza memoria, autonomía ni ejecución. Hace falta un programa que lo lea y aplique permisos. Además, el modelo puede proponer una llamada sin que eso signifique que se haya ejecutado. La documentación de llamadas a funciones de OpenAI describe ese intercambio entre modelo, aplicación y resultado. Si necesitas la base conceptual, tenemos una explicación de los agentes de IA, el tubo y la boquilla.

Por eso cambiar de modelo no arregla automáticamente una herramienta defectuosa. Si el buscador devuelve datos incompletos o el agente puede repetir una escritura, pagar más por razonamiento puede acabar encareciendo el mismo error.

Precios API: entrada, salida y caché

La tabla muestra dólares estadounidenses por un millón de tokens, en modalidad estándar del proveedor directo. No aplica descuentos por lotes, acuerdos comerciales ni impuestos. La entrada es lo que recibe el modelo; la salida, lo que genera y se factura como tal. La lectura de caché cobra el contenido reutilizado. Escribir esa caché puede tener otra tarifa.

Tarifas consultadas el 21/11/2026 · USD por millón de tokens
Modelo Entrada Salida Lectura de caché Escritura de caché
GPT-6.2 Sol 2,00 10,00 0,10 2,50 / 30 min; 5,00 / 12 h
Claude Haiku 5.5 0,10 0,50 0,01 0,125 / 5 min; 0,20 / 1 h
Claude Sonnet 5.5 2,00 10,00 0,10 2,50 / 5 min; 4,00 / 1 h
Claude Opus 5.5 4,00 20,00 0,20 5,00 / 5 min; 8,00 / 1 h
Gemini 4 Carbon 2,00 10,00 0,10 Solo caché implícita

Fuentes: tarifas de OpenAI, tarifas de Claude y tarifas de Gemini. Conviene abrirlas antes de contratar: una misma página puede alternar entre Standard, Batch y otras modalidades.

Hay tres límites importantes. Haiku usa estos importes hasta 100.000 tokens de entrada; por encima pasa a 0,50 de entrada y 2,50 de salida. En Sol, superar 272.000 tokens de entrada duplica las tarifas de entrada y caché y multiplica la salida por 1,5 para toda la petición. Carbon tiene una promoción hasta el 30 de noviembre: desde el 1 de diciembre sube a 4,00 de entrada, 20,00 de salida y 0,20 de caché.

La ficha de GPT-6.2 Sol detalla el umbral de contexto. En Gemini, la salida incluye tokens de razonamiento. Para presupuestar, utiliza siempre el consumo facturado que devuelve la API; contar únicamente las palabras visibles de la respuesta puede quedarse corto.

Cuánto cuesta una tarea: tres escenarios estimados

La cuenta básica, sin caché, es sencilla: coste = entrada × tarifa de entrada / 1.000.000 + salida × tarifa de salida / 1.000.000. Después hay que sumar herramientas y servicios. Los siguientes escenarios son hipótesis de consumo, no pruebas realizadas ni promesas sobre lo que necesitará cada modelo.

1. Clasificar una ficha breve

Supongamos 2.000 tokens de entrada y 500 de salida facturable. Haiku costaría 0,00045 dólares; Sol, Sonnet y Carbon, 0,009; Opus, 0,018. La diferencia invita a probar una opción barata cuando la salida puede validarse con reglas claras. Sin embargo, estos importes no demuestran que todos clasifiquen igual de bien.

2. Resolver un cambio pequeño de código

Ahora suponemos 20.000 tokens de entrada acumulada y 5.000 de salida durante toda la tarea. El resultado sería 0,0045 dólares con Haiku, 0,09 con Sol, Sonnet o Carbon, y 0,18 con Opus. Cien tareas con exactamente ese consumo serían 0,45, 9 y 18 dólares, respectivamente. Es una estimación de tokens, no un precio cerrado por reparación.

Modelos para agentes: estimación sin caché de 0,0045 dólares en Haiku, 0,09 en Sol, Sonnet y Carbon y 0,18 en Opus
Gráfico propio de Ovejeando. Estimación de 20.000 tokens de entrada y 5.000 de salida, sin caché ni herramientas. Tarifas oficiales consultadas el 21/11/2026; Carbon en promoción hasta el 30/11. No es un benchmark.

La igualdad de consumo es un supuesto deliberado para aislar las tarifas. En la práctica, los tokenizadores, el razonamiento y los intentos cambian. Una misma petición en español puede producir cantidades distintas entre proveedores. Además, un agente suele reenviar historial y resultados de herramientas: no basta con contar el mensaje inicial.

3. Revisar un documento largo

Con 80.000 tokens de entrada y 10.000 de salida, sin reutilización, estimamos 0,013 dólares con Haiku, 0,26 con Sol, Sonnet o Carbon y 0,52 con Opus. A partir del 1 de diciembre, el supuesto de Carbon pasaría también a 0,52. Este escenario permanece bajo los umbrales citados; añadir instrucciones o historial podría cambiarlo.

Las herramientas van aparte. Por ejemplo, diez llamadas a la búsqueda web estándar de OpenAI añaden 0,10 dólares por llamadas, más los tokens de contenido de búsqueda correspondientes. Un contenedor, una base de datos o un servicio externo también pueden generar gasto. Por tanto, registra el total de la ejecución, no solo el modelo.

La caché ahorra cuando de verdad se reutiliza

Imagina un prefijo estable de 10.000 tokens que envías diez veces a Sonnet 5.5. Sin caché, esa parte cuesta 0,20 dólares. Con una escritura de cinco minutos y nueve lecturas válidas cuesta 0,025 + 0,009 = 0,034 dólares. El cálculo excluye las preguntas nuevas y las respuestas, que siguen sumando.

Para lograrlo deben coincidir el contenido y las condiciones de reutilización. Si cada petición cambia el comienzo o llega después de caducar la caché, el ahorro esperado desaparece. La guía de caché de Anthropic explica los mínimos de longitud, los prefijos y los contadores de lectura y escritura. Comprueba esos contadores antes de dar un descuento por conseguido.

Qué modelos para agentes probar según la tarea

Para clasificación y extracción acotadas, probaría Haiku 5.5 primero. El catálogo de Claude lo orienta a clasificación, extracción y enrutamiento. Mi criterio editorial es que un resultado breve y validable facilita detectar errores. Si falta un campo o aparece una categoría imposible, el programa puede rechazarlo sin interpretar una explicación larga.

Para programación cotidiana, compararía Sol y Sonnet. Sol ofrece llamadas a funciones y salidas estructuradas; Claude incluye uso de herramientas en sus modelos actuales. Eso los convierte en candidatos, pero no acredita una victoria. Mantendría iguales el repositorio, las pruebas y los permisos. Evaluaría si el cambio resuelve el fallo y conserva el comportamiento anterior, además de mirar el gasto.

Para análisis difícil, añadiría Opus y Carbon a la prueba. La ficha de Carbon documenta razonamiento, funciones y salidas estructuradas. Probaría estos candidatos con documentos contradictorios o problemas que necesiten varios pasos. Exigiría referencias comprobables y una explicación de las incertidumbres. Sus fichas comerciales no sustituyen esa evaluación.

No afirmamos que un modelo sea más rápido o fiable que otro en este flujo. Tampoco hemos ejecutado un benchmark comparativo. La utilidad de esta selección es reducir la primera prueba a candidatos razonables, con costes visibles y criterios de aceptación definidos.

Medir productividad sin inventar un ganador

Prepararía una colección de tareas reales anonimizadas: clasificaciones con respuesta conocida, correcciones con pruebas y análisis con fuentes verificables. Reservaría algunos casos para comprobar el resultado después de ajustar las instrucciones. Así evitas elegir un modelo que solo funciona con los ejemplos usados para prepararlo.

Registraría cuatro cosas por intento: resultado aceptado, gasto total, tiempo hasta terminar y minutos de revisión humana. También anotaría las llamadas fallidas y los reintentos. Para latencia, observaría tanto la mediana como los casos lentos; recibir el primer token pronto no significa completar antes una cadena de herramientas.

Esquema conceptual: definir la prueba, ejecutar con límites, validar el resultado y comparar gasto por tareas aceptadas
Esquema conceptual propio de Ovejeando. Incluye reintentos y revisión humana; no representa una interfaz ni resultados medidos.

Un ejemplo puramente hipotético muestra por qué importa la tasa de éxito. Si una opción cuesta 0,09 dólares por intento y resuelve el 40 %, el promedio sería 0,225 por éxito. Otra de 0,18 con un 90 % daría 0,20. Estas tasas son inventadas para explicar la fórmula, no resultados de ningún modelo. El cálculo supone intentos de coste constante y no incluye revisión humana.

En producción preferiría dividir el gasto observado de todas las tareas entre las aceptadas. Además, conservaría los fallos: ocultarlos bajo reintentos ilimitados puede hacer parecer bueno un sistema caro. Un límite de pasos y un motivo de parada claro ayudan a identificar el problema.

API, suscripción y privacidad son decisiones distintas

Una suscripción a una aplicación y la facturación de una API tienen reglas diferentes. No presupuestes acceso ilimitado para tus agentes por pagar una cuota. A la fecha de consulta existen créditos API para ciertos planes de ChatGPT y créditos para determinados planes de Claude. Exigen vinculación y tienen condiciones. Un crédito disponible reduce el desembolso, pero no cambia el consumo técnico del trabajo.

También revisaría los datos enviados a cada proveedor. OpenAI indica que no entrena con datos de su API por defecto, aunque puede conservar registros de abuso y estado de la aplicación según la función. Su documentación de controles de datos distingue esos conceptos. «No entrenar» no equivale a «no almacenar».

Antes de enviar documentos sensibles, comprueba retención, región y acceso de las herramientas. Elimina secretos de los ejemplos y limita las carpetas disponibles. Si necesitas que los datos permanezcan en tu equipo, consulta nuestra guía de IA local en Mac M1 y límites de RAM. La ejecución local añade sus propios costes de hardware y mantenimiento; tampoco garantiza por sí sola que todas las herramientas trabajen sin red.

Un punto de partida con límites claros

Estas instrucciones de ejemplo servirían para una prueba de programación sobre una copia del proyecto. No ejecutan nada por sí mismas; el programa que aloje el agente debe imponer los permisos y presupuestos.

Revisa el fallo descrito usando únicamente la copia de trabajo autorizada. Propón un cambio mínimo y ejecuta las pruebas disponibles. Detente tras seis llamadas al modelo o al alcanzar el presupuesto configurado. No accedas a secretos. Solicita confirmación antes de borrar datos, desplegar, enviar mensajes o modificar servicios externos. Entrega el cambio, las pruebas realizadas, el coste registrado y cualquier bloqueo.

Mi elección inicial sería una opción económica para tareas cerradas y dos candidatos intermedios para código. Después, subiría de coste solo donde las pruebas lo justifiquen. Los mejores modelos para agentes serán los que completen tu trabajo con calidad aceptable, permisos controlados y un gasto que puedas explicar.

Comparte este artículo

Deja un comentario

Descubre más desde Ovejeando

Suscríbete ahora para seguir leyendo y obtener acceso al archivo completo.

Seguir leyendo