Claude Sonnet a 1M tokens/día: cuánto cuesta de verdad

TL;DR

Correr Claude Sonnet a 1M tokens por día sin optimizar cuesta alrededor de $27k/mes: $4.5k en input y $22.5k en output. Con prompt caching y batch API combinados, ese número baja a menos de $11k. El diferencial no está en elegir otro modelo, sino en cómo estructuras los tokens antes de enviarlos.

La factura que nadie muestra

1 millón de tokens al día suena abstracto hasta que llega el corte de mes.

A las tarifas actuales de Anthropic para Claude Sonnet, el desglose sin ninguna optimización es el siguiente: $4.500 en input y $22.500 en output, para un total de $27k/mes. Son números reales, no proyecciones teóricas. Varias pymes que usan la API directamente para flujos de atención al cliente, procesamiento de documentos o asistentes internos ya están viendo facturas en ese rango.

El problema no es el modelo. El problema es que la mayoría de los equipos despliega Claude como si fuera un chat de usuario final, sin pensar en la economía de tokens.

Entender por qué la factura llega a ese número, y qué mecanismos existen para reducirla, es el primer paso antes de tomar cualquier decisión sobre qué modelo usar o si seguir con la API directa. Los tres factores que más impactan el costo mensual son la proporción de output frente a input, la repetición de contexto en cada llamada, y la urgencia real de cada solicitud. Los tres tienen solución técnica sin cambiar de proveedor.

Por qué el output siempre pesa más

La asimetría entre input y output no es casualidad. Generar texto cuesta más computacionalmente que leerlo, y Anthropic lo refleja en su pricing.

En la factura de referencia, el output representa el 83% del costo total. Eso significa que cada instrucción que le pides al modelo sobre cómo responder tiene un impacto directo en tu billetera. Un prompt que genera respuestas de 400 palabras cuando necesitas 80 palabras te está costando 5 veces más de lo necesario, sin ningún beneficio operativo.

El primer ajuste que hace diferencia es simple: definir explícitamente el largo máximo de respuesta en el prompt del sistema, y medir si la calidad cae. En la mayoría de los casos de uso internos (resúmenes, clasificaciones, extracción de datos), no cae.

Este ajuste no requiere cambiar la arquitectura del flujo. Solo requiere revisar el prompt de sistema y agregar una instrucción de longitud máxima. En equipos que ya tienen logs de producción, el impacto se puede medir en menos de 48 horas comparando el promedio de tokens de output antes y después del cambio.

La razón por la que pocos equipos lo hacen es que al momento de construir el primer prototipo, el costo no es visible. El prompt se escribe para que el modelo “suene bien” en demos, no para que sea eficiente a escala. Cuando el volumen sube, el problema ya está en producción y cambiarlo requiere coordinación entre equipos.

Prompt caching: el 60% que deja dinero sobre la mesa

Anthropic lanzó prompt caching para reducir el costo de contextos repetidos. Si tu aplicación envía el mismo bloque de instrucciones o documentos de referencia en cada llamada, puedes marcar ese prefijo como cacheable y pagar una fracción del precio estándar en las llamadas subsiguientes.

El ahorro documentado es de hasta un 60% en el costo de input para cargas de trabajo con contexto repetitivo. En términos concretos, esos $4.500/mes de input pueden bajar a $1.800 si la estructura de tus prompts lo permite.

Las condiciones para que el caching funcione bien son claras: el prefijo cacheado debe tener al menos 1.024 tokens, y la misma entrada se debe usar en múltiples requests. Flujos de atención al cliente con un prompt de sistema largo, o pipelines de análisis que siempre adjuntan el mismo documento base, son los candidatos ideales.

Lo que no funciona para caching: prompts dinámicos donde el contexto cambia en cada llamada. Ahí el caching no aplica y hay que buscar el ahorro por otro lado.

Implementar el caching en un flujo existente que ya usa la API de Anthropic toma menos de una hora si el prompt de sistema está bien delimitado. La documentación oficial incluye ejemplos de código en Python y TypeScript que muestran exactamente cómo marcar el prefijo cacheable. El retorno es inmediato desde la primera semana de producción con volumen sostenido.

Batch API: el 50% para lo que no necesita respuesta inmediata

La batch API de Anthropic procesa solicitudes de forma asíncrona y cobra a la mitad del precio estándar. Es un descuento del 50% sobre input y output, sin cambios en los límites de tokens ni en la calidad del modelo.

El requisito es aceptar latencia. Las respuestas pueden tardar minutos u horas en lugar de segundos. Para un chatbot de usuario final, eso es inviable. Para un pipeline que clasifica tickets, genera borradores de contratos, procesa facturas o analiza transcripciones de ventas, la latencia no importa.

Un equipo de operaciones que corre 1M tokens/día en tareas no urgentes puede mover toda esa carga a batch y pasar de $27k/mes a $13.5k/mes sin tocar el modelo ni los prompts.

La separación práctica entre solicitudes urgentes y no urgentes es el primer ejercicio que vale la pena hacer antes de implementar batch. En la mayoría de los flujos de back office, entre el 60% y el 80% de las llamadas no necesitan respuesta en tiempo real. Clasificar tickets de soporte, generar reportes diarios, procesar documentos cargados manualmente, analizar logs de conversaciones: ninguna de esas tareas necesita respuesta en menos de 10 segundos.

Mover ese porcentaje a batch no requiere cambiar la lógica de negocio. Requiere separar la cola de solicitudes en dos rutas y usar el endpoint de batch para la ruta que tolera espera. El ahorro es proporcional al volumen que se puede mover.

Combinando las 2 palancas: la tabla real

Configuración	Costo input/mes	Costo output/mes	Total/mes
Sin optimización	$4.500	$22.500	$27.000
Solo prompt caching (60% input)	$1.800	$22.500	$24.300
Solo batch API (50% todo)	$2.250	$11.250	$13.500
Caching + batch combinados	$900	$11.250	$12.150
+ prompt engineering output (30% menos)	$900	$7.875	$8.775

La fila final requiere los 3 cambios simultáneos: caching activado, carga movida a batch, y prompts reescritos para producir outputs más cortos. Pasar de $27k a $8.775/mes es un ahorro del 67%, sin cambiar de modelo ni sacrificar funcionalidad.

Esta tabla asume un perfil de uso donde el contexto se repite en al menos el 70% de las llamadas y donde la mayoría de las tareas toleran latencia. Si tu caso tiene más variabilidad en el contexto o requiere respuesta en tiempo real en una proporción alta de solicitudes, los ahorros serán menores, pero la dirección es la misma.

Prompt engineering para costo, no para calidad

Este concepto merece su propia sección porque se confunde frecuentemente con degradar el modelo.

Reducir el costo vía prompts significa eliminar tokens innecesarios, no reducir la precisión del output. Algunos ejemplos concretos: borrar ejemplos redundantes del few-shot cuando el modelo ya los aprendió, eliminar frases de cortesía del prompt de sistema, y usar formatos de output estructurado (JSON, listas numeradas) en lugar de prosa cuando solo necesitas datos.

Una auditoría de prompts en un flujo real de 50k tokens por llamada generalmente encuentra entre un 15% y un 25% de tokens que no aportan nada a la calidad del output. Eso es dinero directo.

Lo que sí puede afectar calidad: forzar outputs de 50 tokens cuando la tarea necesita razonamiento. Antes de cortar output, mide la tasa de errores del modelo con distintos límites. El costo de un output malo (un contrato mal redactado, una clasificación incorrecta) suele superar el ahorro de tokens.

La forma más ordenada de hacer esta auditoría es tomar una muestra de 100 a 200 llamadas reales de producción, exportar el prompt completo y el output de cada una, y revisar manualmente cuántos tokens del prompt nunca aparecen referenciados en el output. Esos tokens candidatos a eliminar. El proceso tarda entre 2 y 4 horas y genera una lista concreta de cambios con impacto estimable antes de tocar producción.

Qué hacer esta semana si ya usas la API

Si tu equipo ya tiene un flujo con Claude Sonnet a escala, hay 3 acciones con retorno inmediato.

Primero, audita tus logs de la semana pasada y calcula la proporción real de input vs output en tus llamadas. Si el output supera el 75% del costo, los prompts son el primer punto de ataque.

Segundo, revisa si tu prompt de sistema tiene más de 1.024 tokens y si se repite en cada llamada. Si es así, la documentación oficial de Anthropic sobre prompt caching tiene el código exacto para activarlo en menos de 30 minutos.

Tercero, mapea qué porcentaje de tus requests necesita respuesta en menos de 10 segundos. Todo lo que tolera espera se puede mover a batch esta misma semana.

Estos tres pasos no requieren aprobación de arquitectura ni cambios de infraestructura. Son ajustes a nivel de código de llamada a la API que cualquier desarrollador del equipo puede implementar en paralelo con el trabajo regular. El resultado es visible en la factura del mes siguiente.

Si el equipo no tiene tiempo para hacer la auditoría esta semana, el mínimo viable es activar el prompt caching en el flujo de mayor volumen. Es el cambio con mayor retorno por hora de implementación, y el riesgo de romper algo en producción es prácticamente nulo.

Conclusion

$27k/mes no es el precio de correr Claude Sonnet a escala: es el precio de no optimizarlo. Con caching, batch API y prompt engineering para tokens, la misma carga baja a menos de $9k. Para una pyme latina que ya decidió apostar por IA en sus operaciones, esa diferencia de $18k mensuales puede ser la que determina si el proyecto es sostenible o no.

La optimización de costos en APIs de LLMs no es un tema de nicho para equipos de infraestructura. Es una decisión de negocio que impacta directamente la viabilidad del proyecto. Los tres mecanismos descritos en este artículo (caching, batch, prompt engineering para tokens) están disponibles hoy, están documentados por Anthropic, y no requieren cambiar de modelo ni de proveedor. Solo requieren tiempo de implementación y voluntad de medir antes de escalar.

Necesitas ayuda para construir esto

Kreante acompaña a PyMEs y founders en LatAm que quieren reemplazar SaaS caro con IA personalizada. Hemos shipped 265+ proyectos (60% LowCode/AI, 70% B2B) en US, Europa y LatAm.

Agenda una llamada de 30 minutos con Kreante