Qué cuesta de verdad operar un agente el segundo mes

El segundo mes el costo se reparte en tres partes: el consumo del modelo, las horas de quien revisa y ajusta, y la infraestructura donde vive. La primera es la que todo el mundo estima y casi siempre la más pequeña. La segunda es la que decide si el proyecto sigue.

Puntos clave

• El consumo del modelo suele ser la parte menor de la factura. Las horas de personas son la mayor.
• Leer de caché cuesta el 10% del precio de entrada, y la caché de cinco minutos se amortiza con una sola lectura.
• Los tokens leídos de caché no cuentan para el límite de ritmo en la mayoría de los modelos, así que la caché baja el costo y sube el techo.
• El procesamiento por lotes cuesta la mitad, a cambio de que la respuesta no sea inmediata.

¿Por qué el segundo mes y no el primero?

Porque el primero está lleno de costos que no se repiten y vacío de los que sí.

El primer mes se paga construir: definir el caso, escribir los prompts, conectar lo que haya que conectar, probar. Es un número grande y por eso se planea. Lo que casi nadie planea es que ese mes el sistema procesa poco volumen real, porque todavía está en pruebas, así que el consumo se ve engañosamente bajo.

El segundo mes se invierte todo. Desaparece el costo de construcción, aparece el volumen de verdad, y aparece algo que nadie puso en la hoja: el tiempo de las personas que revisan salidas, ajustan prompts y arreglan lo que cambió de formato. Ese es el mes que hay que estimar antes de firmar.

¿De qué se compone la factura?

De tres partes, en este orden de tamaño habitual.

Las horas de personas. Alguien revisa una muestra de las salidas, alguien ajusta cuando aparece un caso nuevo, alguien investiga cuando el número del tablero se movió. En los proyectos que he visto, esto pesa más que todo lo demás junto, y es invisible porque se paga en salarios que ya existían.

El consumo del modelo. Tokens de entrada y de salida, más lo que cueste cualquier herramienta que el agente use. Es la parte que se puede calcular con precisión, y por eso es la que aparece en todas las estimaciones.

La infraestructura. Donde corre el código, dónde se guardan los registros, qué monitorea. Suele ser pequeño y suele estar ya pagado.

La proporción exacta depende del caso, pero el patrón se repite: quien estima solo la segunda parte se lleva una sorpresa que no es de dinero sino de tiempo, porque las horas salen del equipo que ya tenía otras cosas que hacer.

¿Cuánto cuesta el modelo, en números?

Se calcula con tres datos: cuántas veces corre al mes, cuántos tokens gasta una corrida, y el precio por millón de tokens del modelo que uses.

Los precios están publicados. Al 31 de agosto de 2026, en la lista de Anthropic, un modelo pequeño cuesta 1 dólar por millón de tokens de entrada y 5 de salida; uno intermedio, 2 y 10; uno grande, 5 y 25. Son de un solo proveedor y cambian cada pocos meses, así que sirven para entender el orden de magnitud y hay que volver a consultarlos antes de comprometerse con un presupuesto.

Lo importante de esos números no son los números: es la proporción. El modelo grande cuesta cinco veces el pequeño, y en la mayoría de las tareas de una operación comercial el pequeño hace el trabajo. Poner el más grande en todo por si acaso es la forma más común de multiplicar la factura sin mejorar nada.

¿Cuál es el ajuste que más baja el costo?

La caché de prompt, y por partida doble.

Cuando cada llamada manda el mismo bloque grande de contexto (las instrucciones, un catálogo, la definición de las herramientas), ese bloque se puede cachear. La documentación de Anthropic lo explica así: «A cache hit costs 10% of the standard input price, which means caching pays off after one cache read for the 5-minute duration (1.25x write), or after two cache reads for the 1-hour duration (2x write).»

O sea: escribir la caché corta cuesta un poco más que una llamada normal, pero leerla cuesta la décima parte, así que se amortiza con una sola lectura. Si tu agente procesa dos casos seguidos con el mismo contexto, ya ganaste.

Operación	Costo relativo al precio de entrada
Escribir caché de 5 minutos	1,25×
Escribir caché de 1 hora	2×
Leer de caché	0,1×

Fuente: Anthropic, Pricing, consultada el 31 de agosto de 2026.

La documentación de límites añade algo que casi nadie conoce: «For most Claude models, only uncached input tokens count toward your ITPM rate limits.» Los tokens leídos de caché no cuentan para el límite de ritmo. Es decir, cachear no solo abarata: aumenta cuánto puedes procesar por minuto sin pedir una ampliación de cuota.

El otro ajuste grande es el procesamiento por lotes, que cuesta la mitad en entrada y salida a cambio de que la respuesta no sea inmediata. Para clasificaciones nocturnas o enriquecimiento de una base, es dinero regalado.

¿Por qué sube la factura si nadie tocó nada?

Tres causas, y la segunda es la que sorprende.

Creció el volumen. La buena. Se procesa más porque el sistema funciona.

Creció el contexto. Un agente conversacional manda el historial completo en cada turno, así que la décima llamada de una conversación cuesta mucho más que la primera aunque la pregunta sea igual de corta. Sin un límite de historial, el costo por conversación crece de forma que nadie previó.

Cambió el modelo. Actualizar a una versión nueva con el mismo precio por token no significa el mismo precio por tarea, porque un modelo puede necesitar más tokens para decir lo mismo. Ese detalle merece su propio artículo y lo tratamos al hablar de agentes con modelos de lenguaje.

¿Cómo se estima antes de construir?

Con una corrida real de veinte casos y una multiplicación.

Se toman veinte entradas representativas, se corren con el prompt que se piensa usar, y se anota cuántos tokens de entrada y de salida consumió cada una. Con eso sale el costo medio por caso. Se multiplica por el volumen mensual esperado y ya tienes la parte del modelo.

Después, dos correcciones. La primera: multiplica por dos. Siempre aparecen reintentos, casos que necesitan más contexto y volumen que se subestimó. La segunda: suma las horas de revisión. Estima cuántas salidas va a revisar alguien por semana y cuánto tarda en cada una, y ponle el costo por hora que corresponda.

Ese segundo número casi siempre supera al primero, y verlo escrito cambia la conversación: deja de ser «cuánto cuesta la IA» y pasa a ser «cuánta revisión necesitamos y durante cuánto tiempo». Que es la pregunta correcta, y se responde con un conjunto de pruebas que permita reducir la revisión manual conforme aumenta la confianza. Cómo se arma está en cómo medir si las respuestas de tu agente son buenas.

Si quieres que estimemos el costo del segundo mes de un caso concreto antes de que lo construyas, el diagnóstico inicial no tiene costo.

Preguntas frecuentes

¿Qué parte de la factura es el modelo? Casi siempre la más pequeña. En los proyectos que he visto, el consumo del modelo ronda entre el 10% y el 30% del costo mensual, y el resto son horas de personas: revisar salidas, ajustar prompts, arreglar lo que cambió de formato. Estimar solo el modelo da un número tranquilizador y falso.

¿Cuál es el ajuste que más baja el costo? La caché de prompt. Leer de caché cuesta el 10% del precio de entrada, y la caché corta se amortiza con una sola lectura. Como además los tokens leídos de caché no cuentan para el límite de ritmo en la mayoría de los modelos, baja la factura y sube el techo a la vez.

¿Por qué la factura sube si nadie cambió nada? Tres causas habituales: creció el volumen, creció el contexto que se manda en cada llamada, o se cambió de modelo. La segunda es la más silenciosa, porque el historial de una conversación crece solo y cada mensaje nuevo se paga entero.

¿Cómo estimo el costo antes de construir? Con tres números: cuántas veces al mes corre, cuántos tokens gasta una corrida típica y el precio por millón del modelo elegido. Se mide una corrida real con veinte casos y se multiplica. Un margen del doble sobre esa estimación cubre lo que aparece después.