Comparador de costos LLMs: GPT-5, Claude 3.7 y Gemini 2.5🌎 Actualizado mayo de 2026
El costo real de usar un LLM depende de cuántos tokens procesás por mes, qué proporción es entrada vs salida, y si usás features como caché de prompts o batch processing. Esta calculadora compara GPT-5, Claude 3.7 Sonnet y Gemini 2.5 Pro con tus datos reales de uso y te dice cuál es más barato para tu caso.
Cuándo usar esta calculadora
- Comparar costos antes de migrar tu app de un proveedor a otro
- Estimar el gasto mensual de un chatbot con volumen conocido de mensajes
- Evaluar si el caché de prompts justifica cambiar de modelo
- Calcular el ahorro de usar batch processing para tareas offline
- Decidir qué modelo usar para un contexto largo (RAG, análisis de documentos)
Casos resueltos
Ejemplos numéricos completos con datos reales para que valides cómo funciona la calculadora.
Caso 1: Startup con chatbot RAG calcula costo mensual con caché agresivo
Una startup tiene un chatbot RAG con 15M tokens input/mes y 3M tokens output/mes. El sistema usa contexto repetitivo (system prompt + chunks comunes), logrando 50% de caché en input. No usa batch (chat en vivo). ¿Cuánto cuesta al mes con cada modelo y cuál conviene?
- GPT-5: input std = 7,5M × $15 = $112,50; input cache = 7,5M × $3,75 = $28,13; output = 3M × $60 = $180 → Total $320,63/mes
- Claude 3.7 Sonnet: input std = 7,5M × $3 = $22,50; input cache = 7,5M × $0,30 = $2,25; output = 3M × $15 = $45 → Total $69,75/mes
- Gemini 2.5 Pro: input std = 7,5M × $1,25 = $9,38; input cache = 7,5M × $0,31 = $2,33; output = 3M × $10 = $30 → Total $41,71/mes
Cómo funciona
2 min de lecturaCómo se calcula el costo mensual de cada LLM
Cada proveedor cobra por separado los tokens de entrada (input) y los de salida (output), expresados en USD por millón de tokens (MTok). Además, ofrecen descuentos mediante caché de prompts (prompt caching) y batch processing.
Precios de referencia 2026 (USD por millón de tokens)
| Modelo | Input estándar | Input cacheado | Output estándar | Batch input | Batch output |
|---|---|---|---|---|---|
| GPT-5 | 15.00 | 3.75 | 60.00 | 7.50 | 30.00 |
| Claude 3.7 Sonnet | 3.00 | 0.30 | 15.00 | 1.50 | 7.50 |
| Gemini 2.5 Pro | 1.25 | 0.31 | 10.00 | — | — |
> Nota: GPT-5 se refiere al modelo gpt-5 lanzado por OpenAI en 2025. Gemini 2.5 Pro tiene precios escalonados; esta calculadora usa la tarifa estándar (prompts ≤200K tokens). El batch no está disponible de forma nativa en Gemini 2.5 Pro vía API pública al momento de esta versión.
Fórmula general
tokens_input_std = tokens_input × (1 - pct_cache) × (1 - pct_batch)
tokens_input_cache = tokens_input × pct_cache
tokens_input_batch = tokens_input × (1 - pct_cache) × pct_batch
tokens_output_std = tokens_output × (1 - pct_batch)
tokens_output_batch= tokens_output × pct_batch
costo = tokens_input_std × precio_input_std
+ tokens_input_cache × precio_input_cache
+ tokens_input_batch × precio_batch_input
+ tokens_output_std × precio_output_std
+ tokens_output_batch× precio_batch_outputTodos los volúmenes se expresan en millones de tokens para que coincidan con las unidades de precio.
Ejemplo numérico
Supongamos 10M tokens input y 2M tokens output por mes, con 30% de caché y 0% batch:
En este caso Gemini 2.5 Pro es ~8× más barato que GPT-5.
Cuándo NO aplica o limitaciones
Preguntas frecuentes
¿Qué es un token y cuántos hay en una palabra en español?
Un token es la unidad mínima de texto que procesa el modelo. En español, una palabra suele equivaler a 1.3–1.8 tokens debido a morfología compleja. Un prompt de 1000 palabras son aproximadamente 1300–1800 tokens. Podés estimar tu volumen multiplicando palabras × 1.5.
¿El caché de prompts funciona igual en todos los modelos?
No exactamente. OpenAI aplica caché automático para prompts ≥1024 tokens con un descuento del 75% en input. Anthropic requiere marcar explícitamente las secciones a cachear (cache_control). Google Gemini ofrece 'context caching' con una tarifa de almacenamiento adicional por hora que esta calculadora no incluye.
¿Qué es el batch processing y para qué sirve?
El batch API procesa solicitudes de forma asíncrona (típicamente en hasta 24 horas) a un costo 50% menor. Es ideal para tareas offline: clasificación masiva, generación de embeddings, análisis de documentos donde la latencia no es crítica. No disponible para aplicaciones conversacionales en tiempo real.
¿GPT-5 realmente cuesta 15 USD por millón de tokens de input?
Sí, GPT-5 (lanzado en 2025) tiene un precio de lista de USD 15/MTok input y USD 60/MTok output en su versión estándar vía API de OpenAI. Con caché automático baja a USD 3.75/MTok input. Verificá la página oficial de OpenAI Pricing para actualizaciones.
¿Cuándo conviene usar GPT-5 pese a ser más caro?
GPT-5 puede justificarse cuando la calidad de respuesta en razonamiento complejo, codificación avanzada o instrucciones multimodales es crítica y el costo se compensa con menor necesidad de revisión humana o re-ejecución. Para tareas estándar de extracción o resumen, modelos más baratos suelen ser suficientes.
¿Gemini 2.5 Pro tiene límite de contexto diferente?
Gemini 2.5 Pro soporta hasta 1 millón de tokens de contexto. Sin embargo, el pricing estándar aplica hasta 200K tokens de contexto por request; por encima de eso el costo de input sube a USD 2.50/MTok. Esta calculadora usa la tarifa estándar; ajustá si tus prompts superan ese umbral.
¿Cómo estimo mis tokens de salida si aún no tengo histórico?
Una regla práctica: los tokens de output suelen ser entre 10% y 30% del volumen de input en casos de uso de extracción/resumen, y pueden igualar o superar al input en generación creativa o de código. Empezá con un ratio output/input de 0.2 y ajustá con tus primeras semanas de logs.
¿Esta calculadora incluye el costo de embeddings o fine-tuning?
No. Esta calculadora solo cubre inferencia estándar (completions) de los tres modelos. Los costos de embeddings, fine-tuning, almacenamiento de vectores, o llamadas a herramientas (tool calls / function calling) se cobran de forma separada y no están incluidos.
¿Con qué frecuencia se actualizan los precios en esta calculadora?
Los precios se revisan manualmente cuando alguno de los tres proveedores anuncia cambios tarifarios. La fecha de última revisión se indica al pie de la calculadora. Para decisiones de presupuesto importantes, siempre verificá los precios oficiales en las páginas de cada proveedor.
¿Conviene usar la API directa o un agregador como OpenRouter o Portkey?
Para volúmenes bajos a medianos, la API directa es más barata (sin markup). Para volúmenes altos o si necesitás failover entre modelos, OpenRouter o Portkey agregan ~5-10% sobre el precio base pero ofrecen: unificación de API, ruteo automático ante caídas de un proveedor, fallback entre modelos, logs centralizados. Para apps en producción con SLAs estrictos, el costo extra suele compensar. Para experimentos o batch interno, API directa es la opción óptima.
¿Cómo impacta el modo de razonamiento extendido (Claude/GPT-o1) en el costo?
Los modelos de razonamiento (Claude 3.7 con extended thinking, GPT-o1, o1-mini, o3) usan tokens de razonamiento internos que se facturan como output aunque no se devuelvan al usuario. Una respuesta corta puede generar 5.000-30.000 tokens de razonamiento interno. Esto multiplica el costo real 5x-20x respecto al modo estándar. Conviene activar razonamiento extendido solo cuando la calidad lo requiere (matemáticas complejas, código difícil, planificación multi-paso). Para tareas simples, el modelo base es mucho más barato.
¿Los precios incluyen el costo de las llamadas a herramientas (tool use / function calling)?
Sí, pero hay matices. El prompt que define las herramientas (descripción de funciones, parámetros, ejemplos) se cobra como tokens de entrada en cada llamada — esto puede inflar significativamente el costo si tenés 20+ funciones definidas. Las llamadas a herramientas devueltas por el modelo se cobran como tokens de salida. La respuesta de la herramienta que vos devolvés al modelo se cobra como entrada en la próxima llamada. En workflows agénticos con muchas iteraciones, el costo real puede ser 2-3x el de un chat simple equivalente. Optimizá descripciones de herramientas para que sean concisas.
Fuentes y referencias
- OpenAI API Pricing — OpenAI (2026)
- Anthropic Claude API Pricing — Anthropic (2026)
- Google Gemini API Pricing — Google DeepMind (2026)
Metodología y confianza
Contenido revisado por el equipo editorial de Hacé Cuentas, con apego a nuestra política editorial y metodología de cálculo.
Última revisión: 31 de mayo de 2026. Los parámetros fiscales, legales y datos se verifican periódicamente con las fuentes citadas.
Los cálculos corren 100% en tu navegador. No guardamos ni transmitimos tus datos. Leé nuestra política de privacidad.
Resultados orientativos. Para decisiones financieras, médicas o legales críticas, consultá con un profesional.