Model de decisión vs. LLM: coste de un millón de clasificaciones

👁 115 lecturas

Un modelo de decisión compensa frente a un LLM cuando la respuesta pertenece a una lista cerrada y hay miles de decisiones al día. En un millón de clasificaciones, la diferencia puede ser de varias veces: según las mediciones de Artificial Analysis del 13.10.2026, un millón de tareas de clasificación cuesta entre 10,81 € (12,1 USD) y 20,38 € (22,8 USD) con los mejores modelos de decisión, frente a 81,73 € (91,5 USD) con Claude Haiku 5.5. En mi prueba con solicitudes en polaco, combinar Microsoft-Decision-1 con Claude Haiku 5.5 para los casos dudosos dio la misma precisión que Haiku por un coste 5,5 veces menor. Aquí tienes el cálculo completo, una calculadora lista para usar y los errores que conviene evitar.

En la guía Modelos de decisión de IA y en el artículo sobre el Decision Index explico qué es un modelo de decisión y cuál encabezó la clasificación. Aquí me centro en los costes.

Cuándo compensa un modelo de decisión

Comprueba estas cinco condiciones. Cuantas más se cumplan, mayor será el ahorro:

• La respuesta pertenece a una lista. Un departamento, una categoría, sí o no, una puntuación o el nombre de una herramienta. Si necesitas una frase, un modelo de decisión no la redactará.
• Hay muchas decisiones. Con 100 al día ahorrarás unos céntimos al mes, así que quizá no merezca la pena cambiar un código que ya funciona. Con 10.000 al día, son ya varios cientos de miles de decisiones al mes.
• El modelo tiene toda la información que necesita. El contenido de la solicitud, los datos del pedido o el historial del cliente. En preguntas que requieren conocimiento almacenado, los modelos de decisión alcanzan, según AA, una precisión del 28-41 %, frente al 52 % de Claude Haiku 5.5.
• La velocidad importa. En las mediciones de AA, la mediana es de 63-500 ms por tarea, frente a 1,4-1,5 s en los LLM pequeños. La diferencia se nota en un agente que toma varias decisiones en cada paso.
• Necesitas un umbral de confianza. El modelo de decisión asigna una probabilidad a cada opción, por lo que es fácil derivar los casos dudosos.

Coste de un millón de clasificaciones según Artificial Analysis

Artificial Analysis indica el coste de cada prueba por separado. WildGuardTest es la más parecida a una clasificación habitual: el modelo evalúa si una petición y su respuesta son perjudiciales. Coste de un millón de tareas y resultado (F1) a 13.10.2026:

Conclusión: Decider v1.1 27B y Jev 1.13 clasifican mejor que Claude Haiku 5.5 en esta prueba y cuestan 7,6 y 4 veces menos, respectivamente. Claude Opus 5.5 apenas supera a Haiku en esta clasificación y cuesta 41 veces más: un modelo grande resulta demasiado caro para este tipo de tarea.

Coste de un millón de solicitudes en polaco: mi prueba

El 13.10.2026 envié 50 solicitudes en polaco a una tienda a través de OpenRouter: había que elegir un departamento entre 7 opciones y determinar la urgencia en una sola consulta. Calculé el coste a partir de las facturas de OpenRouter para cada consulta y lo extrapolé a un millón de solicitudes. La precisión se calcula sobre 47 solicitudes inequívocas; en tres, todos los modelos eligieron un departamento distinto del que indicaba mi clave. Encontrarás más detalles en la guía. La prueba se hizo en polaco, no en español.

¿A qué se deben las diferencias de coste si los precios por token son parecidos?

• El tokenizador. La misma solicitud en polaco, con sus preguntas, ocupa una media de 205 tokens en Mercury Decide, 280 en Microsoft-Decision-1 y 650 en Jev.
• El prompt del LLM es más largo. Claude Haiku 5.5 recibió una instrucción de sistema y un esquema JSON: una media de 782 tokens de entrada y 45 de salida por solicitud. La salida cuesta 5 veces más que la entrada.
• El proveedor en OpenRouter. Clef y Clef-Flash utilizaron un proveedor más barato que Cloudflare; con Workers AI habrías pagado más.

Cascada de modelos: la misma precisión por una fracción del precio

Un modelo de decisión indica la confianza en la opción elegida. La configuración más sencilla es aceptar la respuesta si la confianza es de al menos 0,8 y consultar al LLM si es inferior. Lo calculé con los resultados de la prueba y Claude Haiku 5.5 (low) como segundo nivel:

• Microsoft-Decision-1 con Haiku para el 6 % de los casos dudosos obtuvo la misma precisión que Haiku por sí solo. Un millón de solicitudes costaría 16,26 € (18,2 USD), en lugar de 90,07 € (100,8 USD): 5,5 veces menos.
• Jev fue el que menos acertó por sí solo (41), pero su confianza detectó bien los errores: al derivar a Haiku el 17 % de los casos dudosos, el resultado subió a 45.
• Ten en cuenta el tamaño de la prueba. 47 solicitudes son pocas, y la diferencia de una solicitud puede ser ruido. Ajusta el porcentaje de derivación y el umbral con al menos varios cientos de ejemplos propios.

Coste de un millón de decisiones: el tiempo de respuesta

El dinero no lo es todo. Según AA, la mediana por tarea es de 127 ms para Jev y de 1.434 ms para Claude Haiku 5.5 (low). Un millón de decisiones, ejecutadas una tras otra, llevaría unas 35 horas con Jev y casi 400 horas con Haiku. En la práctica, las tareas se procesan en paralelo, pero entonces importan los límites de solicitudes del proveedor: por ejemplo, Perplexity permite 10 solicitudes por segundo por organización. En un agente que consulta en cada paso la herramienta, la urgencia y la seguridad, el usuario nota la diferencia de 1,3 s por decisión.

Calculadora de costes lista para usar

Introduce tus cifras de tokens y precios para calcular el coste del modelo de decisión, del LLM y de la cascada. Los valores predeterminados son las medias de mi prueba (Microsoft-Decision-1 y Claude Haiku 5.5). Lo probé el 13.10.2026 en una carpeta vacía con Python 3.13; no hace falta instalar bibliotecas. Con los valores predeterminados, el resultado es: 10,51 € (11,76 USD) para el modelo de decisión, 89,95 € (100,70 USD) para el LLM y 15,91 € (17,80 USD) para la cascada, con un ahorro del 82 %.

# Coste de un millón de decisiones: modelo de decisión, LLM y cascada (13.10.2026)
# Ejecuta: python calculadora_decisiones.py (Python 3.8+, sin bibliotecas adicionales)

N = 1_000_000          # número de decisiones
TOK_ENTRADA_DEC = 280  # tokens de entrada por decisión en el modelo de decisión (mídelo en tu caso)
PRECIO_DEC = 0.042     # USD por millón de tokens de entrada (Microsoft-Decision-1; salida: 0 USD)
TOK_ENTRADA_LLM = 782  # tokens de entrada por tarea en el LLM (prompt + esquema + solicitud)
TOK_SALIDA_LLM = 45    # tokens de salida por tarea en el LLM (JSON + razonamiento)
PRECIO_ENTRADA_LLM = 0.10  # USD por millón de tokens de entrada (Claude Haiku 5.5)
PRECIO_SALIDA_LLM = 0.50   # USD por millón de tokens de salida (Claude Haiku 5.5)
DERIVACION = 0.06     # proporción de decisiones por debajo del umbral de confianza que pasan al LLM


def coste_dec(n):
    return n * TOK_ENTRADA_DEC * PRECIO_DEC / 1e6


def coste_llm(n):
    return n * (TOK_ENTRADA_LLM * PRECIO_ENTRADA_LLM + TOK_SALIDA_LLM * PRECIO_SALIDA_LLM) / 1e6


solo_dec = coste_dec(N)
solo_llm = coste_llm(N)
cascada = coste_dec(N) + coste_llm(N * DERIVACION)
print(f"Modelo de decisión:     {solo_dec:8.2f} USD")
print(f"LLM:                    {solo_llm:8.2f} USD")
print(f"Cascada ({DERIVACION:.0%} al LLM): {cascada:8.2f} USD")
print(f"Ahorro de la cascada:   {solo_llm - cascada:8.2f} USD ({1 - cascada / solo_llm:.0%})")

La forma más sencilla de medir los tokens es enviar entre 50 y 100 consultas reales y leer el campo usage de la respuesta de la API. OpenRouter también devuelve ahí el coste en USD.

Costes ocultos que conviene tener en cuenta

• Ejemplos etiquetados. Para fijar un umbral de confianza necesitas varios cientos de solicitudes con la respuesta correcta. Eso supone unas horas de trabajo humano.
• Calibración en polaco. En mi prueba, los modelos se equivocaron al estimar la urgencia cuando las probabilidades rondaban el 0,5; con un umbral de 0,5, Microsoft-Decision-1 generó 8 falsas alarmas. Por lo general, 0,5 no es un buen umbral.
• Modelos demasiado confiados. Según AA, todos los modelos de decisión declaran una confianza superior a la que corresponde a su precisión, sobre todo en preguntas de conocimiento. En clasificación el resultado es mejor, pero compruébalo con tus datos.
• Datos personales. Jev procesa datos en EE. UU.; OpenAI y Microsoft ofrecen procesamiento en la UE (OpenAI aplica un suplemento del 10 %). Puedes ejecutar modelos abiertos (Decider, Clef, d1-3B) por tu cuenta, aunque tendrás que pagar un servidor con GPU.
• Dos sistemas en vez de uno. Una cascada implica código adicional, monitorización y dos facturas. A pequeña escala, la sencillez de un único LLM puede compensar más que el ahorro.

Cuándo seguir usando un LLM

• Necesitas una respuesta redactada o una explicación de la decisión (salvo Celeris-1 Decision, que ofrece una explicación de una frase).
• La decisión depende de conocimiento general que no aparece en la consulta.
• La lista de opciones cambia constantemente o es muy larga y poco definida.
• Hay pocas decisiones: para 1.000 al mes, Claude Haiku 5.5 cuesta unos 0,09 € (0,10 USD).

Preguntas frecuentes

¿Cuánto cuesta clasificar un millón de elementos con un modelo de decisión?

Según Artificial Analysis, entre 10,81 € (12,1 USD) y 20,38 € (22,8 USD) con los mejores modelos de decisión (Decider v1.1 27B, Microsoft-Decision-1, Mercury Decide y Jev 1.13), frente a 81,73 € (91,5 USD) con Claude Haiku 5.5 (low). En mi prueba con solicitudes breves en polaco: entre 3,66 € (4,1 USD) y 24,39 € (27,3 USD), frente a 90,07 € (100,8 USD).

¿Un modelo de decisión es tan preciso como un LLM?

En tareas de clasificación y selección de herramientas, los mejores modelos de decisión igualan o superan a los LLM pequeños. En preguntas de conocimiento y tareas de razonamiento difíciles, quedan claramente por detrás.

¿Qué es una cascada de modelos?

Es una configuración en la que un modelo de decisión barato resuelve los casos con mucha confianza y deriva el resto a un modelo más caro o a una persona. En mi prueba, Microsoft-Decision-1 con Claude Haiku 5.5 para el 6 % de los casos igualó la precisión de Haiku por el 18 % de su coste.

¿A partir de cuántas decisiones al día compensa cambiar a un modelo de decisión?

No hay un umbral único. Con los costes de mi prueba, el ahorro por cada millón de solicitudes es de unos 65,22-86,85 € (73-97 USD). Con 50.000 decisiones al día (1,5 millones al mes), serían unos 98-129,52 € (110-145 USD) al mes. También se obtiene un tiempo de respuesta varias veces menor.

Transparencia: ya conocía Jev por una investigación anterior; en septiembre escribí un cliente sencillo para su API. TypeSafe no encargó ni pagó este artículo, y todos los modelos recibieron las mismas tareas en la prueba.

Fuentes

• Artificial Analysis Decision Index v1.0 (13.10.2026)
• Artificial Analysis: WildGuardTest, resultados y costes (datos consultados el 13.10.2026)
• OpenRouter: Decisions API
• Perplexity: límites de Decisions API
• Prueba propia: 13.10.2026, 50 solicitudes y 10 decisiones sobre herramientas, 11 modelos a través de OpenRouter desde Polonia, coste: 0,020 € (0,022 USD).

Nota sobre las conversiones: importes aproximados calculados con el tipo de referencia del BCE del 14.10.2026 (1 EUR = 1,1195 USD). Fuente: BCE. Son estimaciones, no precios locales de compra.

// sigue leyendoOpus 5.5 crea un juego con una sola frase: coste y resultadosRevistaIA gratis: qué ofrecen las versiones sin coste y cuándo pagarHerramientas de IARanking de IA musical de Artificial Analysis: Suno v6 y Mureka V9.5Benchmarks

Kinetyra