El coste real de un agente no son solo los tokens

Una ejecución puede consumir pocos céntimos de modelo y costar varios euros. Basta con que haga cuatro búsquedas, ejecute código, mantenga un entorno abierto, reintente una API y necesite diez minutos de revisión humana.

El token es una unidad de consumo del modelo. El coste útil para operar un agente es el del trabajo que termina con la calidad exigida. Entre ambos hay una arquitectura entera.

La factura tiene más capas de las que parece

El SDK de agentes de OpenAI agrega peticiones y tokens de entrada y salida durante toda una ejecución, incluidas llamadas a modelos y handoffs, y permite consultar el detalle por solicitud (OpenAI Agents SDK). Es un punto de partida. No recoge automáticamente el precio de un buscador, el tiempo de un sandbox, la transferencia de datos ni la revisión de una persona.

Para calcular el coste técnico real separamos:

El coste de desarrollo y cambio organizativo pertenece al coste total de propiedad. Este artículo se centra en otra pregunta: cuánto cuesta ejecutar y mantener fiable cada trabajo una vez que el agente existe.

La trayectoria determina la economía

Dos ejecuciones con la misma entrada pueden tomar caminos distintos. Una encuentra la fuente en la primera búsqueda; otra reformula tres veces. Una herramienta responde; otra provoca un fallback. El coste no pertenece solo al endpoint: pertenece a la trayectoria.

Por eso cada traza debería acumular consumo por fase, herramienta e intento. En observabilidad para agentes proponemos enlazar modelos, herramientas, esperas y resultado con un identificador estable de trabajo. Sin esa correlación, el equipo sabe cuánto gastó en el mes, pero no por qué.

La latencia también cuesta. Un agente de soporte que tarda 40 segundos puede provocar abandono o intervención manual. En un proceso asíncrono, el calendario puede importar menos, pero mantener un entorno dedicado durante horas sí aparece en infraestructura.

Los fallos forman parte del denominador

OpenAI propone sumar el coste completo y dividirlo entre las tareas que alcanzan la calidad requerida (OpenAI, julio de 2026). La fórmula evita una optimización habitual: celebrar que una ejecución es barata aunque muchas terminen mal.

Coste por resultado aceptado = coste de todas las ejecuciones e intervenciones / resultados que superan el umbral de calidad.

Si un modelo cuesta la mitad por llamada, pero necesita más reintentos y revisión, puede empeorar el resultado. Lo mismo ocurre con una búsqueda barata que devuelve ruido y alarga el contexto. El precio unitario solo es útil dentro de la tasa de éxito.

También debemos decidir qué significa “aceptado”. Puede ser un ticket resuelto sin reapertura, un informe que pasa la revisión o una modificación validada por pruebas. “El agente produjo una respuesta” no es una unidad económica.

Dónde se esconde el consumo

El primer escondite es el contexto repetido. Instrucciones largas, historial completo y documentos duplicados se envían en cada vuelta. Compactar, recuperar bajo demanda y conservar prefijos estables reduce gasto sin rebajar capacidad.

El segundo son las herramientas indiscriminadas. Un agente que busca “por si acaso” paga proveedor, latencia y tokens para interpretar la respuesta. Las descripciones claras, el enrutamiento y las condiciones de suficiencia evitan llamadas.

El tercero son los bucles. Un máximo de turnos limita el daño, pero necesitamos detectar falta de progreso. En loop engineering explicamos cómo detener ciclos que no añaden evidencia ni reducen defectos.

El cuarto es la revisión humana mal colocada. Si una persona relee desde cero cada salida, el agente ha trasladado trabajo, no lo ha eliminado. La revisión debería mostrar diferencias, evidencia y excepciones.

Una ficha de coste por trabajo

• Identificador y tipo de trabajo, segmento y nivel de riesgo.
• Modelo y tokens por llamada, incluidos caché y razonamiento.
• Herramientas, unidades facturadas, errores y reintentos.
• Tiempo de infraestructura, almacenamiento y transferencia.
• Minutos de aprobación, revisión y corrección humana.
• Resultado: aceptado, escalado, fallido o reabierto.
• Coste total, latencia y calidad final.

Con estas fichas se analizan percentiles y segmentos. El caso medio puede ser barato mientras el 5 % más complejo consume la mitad del presupuesto. Quizá esos casos deban pasar antes a una persona o a otro flujo.

Los presupuestos se aplican durante la ejecución: máximo de búsquedas, turnos, tiempo y coste estimado. Al acercarse al límite, el agente reduce alcance, pide aprobación o entrega lo conseguido. No continúa en silencio.

Cómo optimizar sin degradar

El orden importa. Primero eliminamos pasos sin valor y reducimos contexto. Después mejoramos contratos de herramientas y evitamos reintentos. A continuación aplicamos caché, paralelismo donde reduzca calendario y model routing en tareas que mantengan la calidad con modelos menores.

Cada cambio pasa por evaluaciones. Ahorrar un 20 % y duplicar omisiones graves no es optimización. OpenAI recomienda medir uso de modelos y herramientas, intentos, finalización, latencia y revisión para calcular el coste del resultado (OpenAI, julio de 2026).

No recomendamos una arquitectura agentic cuando una consulta, regla o workflow fijo resuelve el trabajo. La autonomía tiene un coste de decisión, observabilidad y control. Debe comprar una flexibilidad que el proceso necesite.

Preguntas frecuentes