Calculadora de costos de agentes de IA (2026)

Tres grupos (no los junte en una sola diapositiva)

La construcción abarca arquitectura, diseño de prompts, conexión de herramientas (CRM, tickets, API internas), entornos de evaluación, salvaguardas y flujos con intervención humana cuando la automatización se detiene.

El gasto de inferencia es tokens × tráfico, más la recuperación si fundamenta las respuestas en sus documentos.

Las operaciones son todo lo que ocurre después del lanzamiento: suites de evaluación, comprobaciones de regresión cuando OpenAI lanza un nuevo mini-modelo, respuesta a incidentes y el panel que su PM realmente consulta.

• Construcción: pago único + retainer limitado hasta la estabilización.
• Inferencia: variable según el uso; la elección del modelo importa más que el hosting.
• Operaciones: sorprendentemente estables mes a mes si se planifican; dolorosas si no.

Fase de desarrollo: lo que detallamos por partidas (rangos en CAD)

Esto supone que ya tiene definido el producto, es decir, qué significa «bueno»; no es un proyecto científico para «ver qué puede hacer GPT». Los proyectos científicos pertenecen a un spike con tiempo limitado, no a una hoja de ruta de producción.

Consumo de inferencia: ejemplo práctico (aproximado)

Imagine un agente de soporte B2B SaaS: cuatrocientas conversaciones al día, ocho turnos de media, ~750 tokens de entrada y ~450 de salida por turno (aproximado; sus prompts variarán). Eso son unos 3,200 turnos/día × 1,200 tokens ≈ 3.8M tokens/día → ~115M tokens/mes.

Los precios cambian cada vez que los proveedores lanzan nuevos modelos, por lo que conviene tomar las cifras siguientes como órdenes de magnitud, no como contabilidad exacta. Con tarifas combinadas ilustrativas de aproximadamente $4 por millón de tokens para un modelo de clase frontier (mezcla de entrada/salida), el gasto bruto de API a esta escala ronda cientos de dólares al mes, antes de la recuperación, antes de la redundancia y antes de la revisión humana de los casos límite.

Ahora duplique su estimación para reintentos, ejecuciones de evaluación y entornos de staging. Después añada un 30 % de margen de optimismo, porque marketing pedirá «respuestas más inteligentes» (salidas más largas) tras el lanzamiento.

Recuperación e infraestructura vectorial

pgvector dentro de Postgres resulta atractivo cuando ya opera Postgres: las operaciones siguen siendo sencillas. Pinecone o Weaviate destacan cuando necesita escalado gestionado o búsqueda híbrida sobre embeddings: se intercambia dinero por horas de ingeniería.

Hemos visto equipos pasar semanas ajustando el tamaño de los fragmentos mientras ignoraban la evaluación: no sea ese equipo. Mejores fragmentos con peores embeddings pierden frente a fragmentos mediocres con un script de evaluación semanal en el que su PM confía.

Observabilidad: la partida que todos eliminan

Langfuse, Helicone o CloudWatch + logs estructurados: elija algo que sus ingenieros realmente consulten cuando un cliente diga «mintió el martes pasado». Sin trazas vinculadas a las versiones de los prompts, está depurando a ojo.

Incluimos un paquete mínimo de observabilidad en cada propuesta de agente. Quitarlo es como lanzar pagos sin conciliación: técnicamente posible, profesionalmente negligente.

Autoalojar un modelo OSS vs. solo API

Solo con API es la mejor opción hasta que el gasto de inferencia supera los umbrales de dolor o hasta que lo exige la residencia de datos. Autoalojar modelos de clase Llama implica facturas de GPU, pipelines de fine-tuning e ingenieros de guardia que entienden el sufrimiento de CUDA.

Lo híbrido es habitual: API para velocidad de desarrollo y, más adelante, un modelo propio cuando la economía y la claridad legal lo exijan.

Preguntas frecuentes