---
title: "Cómo reducir costos de API de LLM: lista de 10 pasos"
description: "Reduzca su factura de API de LLM en orden: medir, cachear el prefijo, recortar prompts, limitar la salida, elegir modelo y saber cuándo gana la tarifa plana."
url: https://broadrouter.com/es/blog/how-to-reduce-llm-api-costs/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/how-to-reduce-llm-api-costs/) (actualizado el 2026-11-15).

# Cómo reducir los costos de una API de LLM: 10 pasos, en orden

Por el equipo de BroadNet Inference · 8 min de lectura · Publicado 2026-11-15

Para reducir los costos de una API de LLM, registre primero los tokens por solicitud y siga este orden: mantenga estable el prefijo del prompt para que se cachee, recorte prompts, limite salida y razonamiento, use el modelo más pequeño que pase sus pruebas, agrupe o posponga lo que puede esperar, cachee respuestas repetidas, acote los reintentos y pase a tarifa plana al superar el punto de equilibrio.

## Puntos clave

-   Mida antes de recortar. Registre prompt\_tokens, cached\_tokens y completion\_tokens por funcionalidad; si no, no sabrá qué paso funcionó.
-   La caché suele ser la palanca más grande para la entrada. En DeepSeek V4.1 Flash, la entrada en caché cuesta $0.0055 por 1M frente a $0.175 de la entrada nueva.
-   La salida cuesta más que la entrada en todos los modelos de chat de BroadNet, y el razonamiento se factura como salida. Póngale un límite.
-   OpenAI y Anthropic hacen un 50 % de descuento en los trabajos por lotes, y DeepSeek reduce sus precios a la mitad fuera de las horas pico. BroadNet no tiene Batch API.
-   A partir de unos 917 millones de tokens de entrada y 46 millones de de salida al mes en DeepSeek V4.1 Flash, el plan Luna Llena de $60 cuesta menos que la facturación por token.

**En esta página**

1.  ¿Qué determina la factura de una API de LLM?
2.  La lista de un vistazo
3.  1\. ¿Por qué medir antes de recortar nada?
4.  2\. ¿Cómo reduce costos el prompt caching?
5.  3\. ¿Qué recortes del prompt son seguros?
6.  4\. ¿Cómo se limitan la salida y el razonamiento?
7.  5\. ¿Cómo elegir un modelo más barato sin perder calidad?
8.  6\. ¿Se puede agrupar o posponer el trabajo que puede esperar?
9.  7\. ¿Cuándo conviene cachear respuestas completas?
10.  8\. ¿Cómo desperdician dinero los reintentos y los bucles?
11.  9\. ¿Cómo evitar que la factura se descontrole?
12.  10\. ¿Cuándo gana un plan de tarifa plana al precio por token?
13.  ¿Qué pasos conviene evitar?
14.  Dónde encaja BroadNet Inference

La mayoría de las listas del tipo «reduzca su factura de LLM en un 70 %» mezclan buenos consejos con cifras que nadie midió. Esta lista está ordenada según lo que conviene hacer primero, y cada cifra sale de un archivo de precios o de la documentación del propio proveedor. Cuando un paso tiene un artículo más detallado en este sitio, se enlaza. Los precios de BroadNet que verá abajo provienen de su [archivo de precios](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-how-to-reduce-llm-api-costs&utm_content=body), sincronizado el 2026-11-14.

## ¿Qué determina la factura de una API de LLM?

Cuatro números deciden casi cualquier factura:

1.  **Tokens de entrada nuevos.** El prompt, menos la parte que se lee de la caché.
2.  **Tokens de entrada en caché.** El prefijo repetido, facturado a una tarifa menor.
3.  **Tokens de salida.** La respuesta, más los [tokens de razonamiento](https://broadrouter.com/es/glossary/reasoning-tokens/) en los modelos que piensan.
4.  **Número de solicitudes.** Cada llamada, incluido cada reintento, se factura por separado.

La salida es la unidad cara. En los modelos de chat de BroadNet, por 1M de tokens:

| Modelo | Entrada | Entrada en caché | Salida |
| --- | --- | --- | --- |
| DeepSeek V4.1 Flash | $0.175 | $0.0055 | $0.52 |
| Qwen3.8 27B | $0.175 | $0.0435 | $2.17 |
| GLM 5.3 | $0.78 | $0.173 | $3.46 |
| Gemma 4 VL 26B | $0.10 | no publicado | $0.22 |

Así que las palancas son: enviar menos tokens nuevos, leer más de la caché, generar menos y hacer menos llamadas. [Cómo funcionan los precios de las API de LLM](https://broadrouter.com/es/blog/llm-api-pricing-explained/) explica cada unidad en detalle.

## La lista de un vistazo

| Paso | Qué cambia | Qué reduce | Esfuerzo |
| --- | --- | --- | --- |
| 1\. Medir | Solo el registro | Nada todavía; muestra dónde recortar | Bajo |
| 2\. Cachear el prefijo | El orden del prompt | El precio de la entrada | Bajo |
| 3\. Recortar el prompt | El contenido del prompt | Los tokens de entrada | Medio |
| 4\. Limitar salida y razonamiento | La configuración de la solicitud | Los tokens de salida | Bajo |
| 5\. Elegir el modelo adecuado | La elección del modelo | Todos los precios | Medio |
| 6\. Agrupar o posponer trabajo | La programación | El precio por token, donde se ofrece | Medio |
| 7\. Cachear respuestas | El código de la aplicación | Solicitudes completas | Medio |
| 8\. Acotar reintentos y bucles | El código de la aplicación | Solicitudes desperdiciadas | Bajo |
| 9\. Fijar límites de gasto | La cuenta y las claves | Facturas descontroladas | Bajo |
| 10\. Calcular el equilibrio con tarifa plana | El modelo de facturación | La factura total a gran volumen | Bajo |

## 1\. ¿Por qué medir antes de recortar nada?

Porque la factura oculta la causa. Dos solicitudes que parecen iguales pueden diferir diez veces en tokens. Cada chat completion devuelve un bloque `usage` con `prompt_tokens`, `completion_tokens` y, cuando el proveedor lo reporta, los tokens en caché. Registre esos valores por funcionalidad y por usuario, sin el texto del prompt. Al cabo de una semana sabrá qué funcionalidad gasta más y si el problema es la entrada, los fallos de caché o la salida.

[Registro de uso con datos personales ocultos](https://broadrouter.com/es/blog/llm-api-usage-logging/) muestra un esquema de registro. Para dimensionar una funcionalidad antes de lanzarla, use la [calculadora de costos de API de LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) o el método de [estimar el costo antes del lanzamiento](https://broadrouter.com/es/blog/estimate-llm-api-cost-before-launch/).

## 2\. ¿Cómo reduce costos el prompt caching?

Los proveedores guardan en caché el inicio de un prompt que se repite exactamente. La siguiente llamada lee ese prefijo al precio de caché. OpenAI activa la caché por defecto en los modelos compatibles a partir de 1,024 tokens y dice que la entrada en caché tiene un “discounted up to 95%” (Traducción: «descuento de hasta el 95 %») (consultado el 2026-11-15). En BroadNet, DeepSeek V4.1 Flash factura la entrada en caché a $0.0055 por 1M, frente a $0.175 de la entrada nueva.

La regla: contenido estático primero, contenido cambiante al final. Prompt del sistema, luego esquemas de herramientas, luego documentos compartidos, luego historial y, por último, la pregunta nueva. Una marca de tiempo o una lista de herramientas desordenada al principio rompe la caché para todo lo que viene después.

-   [Tokens de entrada en caché, explicados](https://broadrouter.com/es/blog/cached-input-tokens-explained/), con cómo leerlos en la respuesta.
-   [Cómo estructurar los prompts para que el prefijo se cachee](https://broadrouter.com/es/blog/prompt-structure-for-caching/).
-   Modele su propia tasa de aciertos en la [calculadora de prompt caching](https://broadrouter.com/tools/prompt-caching-calculator/).

## 3\. ¿Qué recortes del prompt son seguros?

Recorte lo que el modelo no usa. Ahorros habituales: prompts del sistema largos escritos en prosa, más ejemplos few-shot de los que la tarea necesita, esquemas de herramientas que el paso nunca llama, JSON verboso donde bastaría una tabla compacta e historial completo del chat donde bastaría un resumen. La recuperación también se desvía: enviar diez fragmentos cuando dos responden la pregunta es un problema de costo y de calidad.

Pruebe cada recorte con un conjunto fijo de entradas, para que un prompt más barato no estropee las respuestas sin que usted lo note. [Reducir los tokens del prompt](https://broadrouter.com/es/blog/reduce-prompt-tokens/) incluye recortes medidos para cada uno de estos casos. El idioma también importa: el texto en árabe usa más tokens por palabra que el inglés en la mayoría de los tokenizadores; consulte [tokens por palabra en árabe frente a inglés](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/).

## 4\. ¿Cómo se limitan la salida y el razonamiento?

Pida menos y póngale un tope. Pida campos JSON en lugar de prosa, un límite de palabras en lugar de «explique» y que no se repita la pregunta. Después configure `max_tokens` para que una respuesta desbocada se detenga.

Los modelos que piensan requieren cuidado. La documentación de BroadNet indica que el razonamiento cuenta para `max_tokens`, así que un límite bajo puede devolver una respuesta vacía. Mantenga 1,000 tokens o más y configure `reasoning_effort` en `low` en los pasos sencillos. Con claves de pago por token, el razonamiento se factura como salida. [Tokens de razonamiento: por qué paga más de lo que ve](https://broadrouter.com/es/blog/reasoning-tokens-cost/) y [la solución a la respuesta vacía](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/) cubren ambos lados.

## 5\. ¿Cómo elegir un modelo más barato sin perder calidad?

Compare el costo por tarea exitosa, no el precio por token. Prepare de 50 a 100 entradas reales con sus salidas esperadas, ejecute cada candidato y divida el gasto entre los aciertos. Un modelo más barato por token que falla un tercio de las veces puede salir más caro cuando se cuentan los reintentos y la revisión humana.

Revise primero las funcionalidades. En BroadNet, las herramientas y la salida estructurada están documentadas solo para GLM 5.3 y Qwen3.8 27B. Gemma 4 VL 26B es el modelo más pequeño de BroadNet para texto e imágenes; consulte su precio en la tabla de arriba para tareas sencillas. Muchas aplicaciones usan un modelo pequeño para los pasos fáciles y uno más grande para los difíciles; usted elige el modelo en su propio código. [Cómo evaluar un LLM antes de cambiar](https://broadrouter.com/es/blog/evaluate-llm-before-switching/) ofrece un plan de pruebas.

No espere a que su modelo actual baje de precio. Los proveedores rara vez rebajan el precio de un modelo existente; el ahorro suele llegar con una versión nueva. Consulte [la historia de precios de las API de OpenAI, Anthropic y Google](https://broadrouter.com/es/blog/openai-anthropic-google-api-price-history/) y [las mayores rebajas de precios de API de LLM](https://broadrouter.com/es/blog/llm-api-price-cuts-2023-2026/).

## 6\. ¿Se puede agrupar o posponer el trabajo que puede esperar?

Donde el proveedor lo ofrece, sí, y los descuentos son grandes. Todo consultado el 2026-11-15:

| Proveedor | Descuento | Condición |
| --- | --- | --- |
| Batch API de OpenAI | 50 % frente a las llamadas síncronas | Se completa en 24 horas; límites de frecuencia separados |
| Message Batches API de Anthropic | 50 % | Asíncrona; la mayoría de los lotes termina en menos de una hora |
| API de DeepSeek, fuera de horas pico | Las tarifas fuera de horas pico son la mitad de las de horas pico | Horas pico de 01:00 a 04:00 y de 06:00 a 10:00 UTC, de lunes a viernes |

BroadNet Inference no tiene Batch API ni precios fuera de horas pico. Para los trabajos nocturnos en BroadNet, ejecútelos con un ejecutor reanudable sobre el endpoint normal, dentro de los límites de su clave. [Procesamiento por lotes con LLM sin Batch API](https://broadrouter.com/es/blog/llm-batch-processing-without-batch-api/) incluye el código. Si el trabajo dura horas, una sesión de tarifa plana puede costar menos que los tokens (paso 10).

## 7\. ¿Cuándo conviene cachear respuestas completas?

Cuando la misma pregunta vuelve a llegar con las mismas entradas. Los bots de preguntas frecuentes, la clasificación de elementos repetidos y las nuevas ejecuciones de un pipeline tras una caída repiten trabajo. Una caché de coincidencia exacta, con clave por modelo, prompt y configuración, devuelve la respuesta guardada y se salta la llamada. Defina una caducidad para que las respuestas no queden obsoletas. [Cachear respuestas de LLM en Python](https://broadrouter.com/es/blog/cache-llm-responses-cut-cost/) muestra una implementación pequeña.

## 8\. ¿Cómo desperdician dinero los reintentos y los bucles?

Una solicitud reintentada es una inferencia nueva y se vuelve a facturar con claves de pago por token. Reintente solo ante errores 429 y 5xx, con backoff exponencial y jitter, y limite los intentos. Nunca reintente un 400: la misma solicitud errónea falla de la misma forma.

Los agentes añaden un segundo riesgo: un bucle que sigue llamando al modelo. Limite los pasos por tarea y deténgase cuando se repita la misma llamada a herramienta. [Cómo manejar los errores 429](https://broadrouter.com/es/blog/handle-llm-api-429-rate-limits/) y [10 formas de reducir el costo de los agentes de programación](https://broadrouter.com/es/blog/cut-coding-agent-llm-costs/) cubren ambos casos.

## 9\. ¿Cómo evitar que la factura se descontrole?

Las alertas avisan cuando ya pasó. Los límites lo impiden. Use un saldo prepagado, una clave por aplicación para poder revocar una sin detener las demás y una lista de IP permitidas en las claves de servidor. En el código, fije un presupuesto por trabajo y deténgase cuando se agote. [Control del gasto en API de LLM](https://broadrouter.com/es/blog/llm-api-spend-control/) expone las capas, desde la cuenta hasta la solicitud.

## 10\. ¿Cuándo gana un plan de tarifa plana al precio por token?

Cuando un agente trabaja la mayor parte del día. BroadNet vende DeepSeek V4.1 Flash por token o por sesión: Luna Llena (Full Moon) a $60 al mes, Órbita (Orbit) a $15 a la semana o Meteoro (Meteor) a $1 la hora, sin medidor de tokens. Cada sesión ejecuta una solicitud a la vez.

Escenarios calculados por BroadNet con facturación por token:

| Carga de trabajo | Por token al mes | Opción más barata |
| --- | --- | --- |
| Proyecto personal | $14.23 | el pago por uso |
| Asistente diario | $42.67 | el pago por uso |
| Agente de programación a tiempo completo | $65.40 | Luna Llena |
| Agente siempre activo | $196.20 | Luna Llena |

Con un 80 % de aciertos de caché y 20 tokens de entrada por cada token de salida, el punto de equilibrio está en unos 917 millones de tokens de entrada y 46 millones de de salida al mes. El uso ligero sigue siendo más barato por token. Vea [el cálculo completo del punto de equilibrio](https://broadrouter.com/es/blog/flat-rate-vs-pay-per-token-llm-api/) o pruebe sus volúmenes en la [calculadora de tarifa plana frente a pago por token](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/).

## ¿Qué pasos conviene evitar?

Algunos consejos populares cuestan más de lo que ahorran:

-   **Comprimir los prompts hasta romperlos.** El ahorro en entrada se pierde si baja la calidad de las respuestas y los usuarios vuelven a intentarlo.
-   **Resumir el historial en cada turno.** Cada resumen es una llamada adicional y cambia el prefijo, así que la caché falla. Resuma rara vez y añada el resto al final.
-   **Perseguir solo el precio por token más bajo.** Los límites de frecuencia, las funcionalidades que faltan y las tasas de fallo suman costo.
-   **Autoalojar para una carga pequeña.** Las GPU se facturan por hora, estén ocupadas o no. [Autoalojamiento frente a costo de API](https://broadrouter.com/es/blog/self-hosting-llm-vs-api-cost/) muestra dónde está el punto de equilibrio.

## Dónde encaja BroadNet Inference

BroadRouter es el sitio web de la propia BroadNet, así que valore esta sección teniendo eso en cuenta. BroadNet Inference es una API compatible con OpenAI con cuatro modelos de chat con precio por token, entrada en caché en tres de ellos y un plan de tarifa plana para DeepSeek V4.1 Flash pensado para el uso constante de agentes. No ofrece Batch API ni tarifas fuera de horas pico, así que, para trabajos grandes que pueden esperar, los descuentos por lotes de OpenAI o Anthropic, o las horas fuera de pico de DeepSeek, pueden costar menos. Las cuentas nuevas reciben $5 de crédito inicial, que cubre Gemma 4 VL 26B, los dos modelos Transcribe y las claves por hora de Gemma; DeepSeek, GLM y Qwen requieren una recarga. El autoservicio no tiene SLA. [Vea los precios](https://broadrouter.com/es/pricing/) o [compare los planes](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-how-to-reduce-llm-api-costs&utm_content=body).

Herramientas gratuitas sobre este tema (en inglés)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/)

Los tokens de entrada en caché son tokens del prompt que un proveedor de LLM procesó recientemente y puede reutilizar desde un caché en lugar de calcularlos de nuevo; normalmente son un prefijo repetido, como un prompt de sistema o un documento. Los proveedores los cobran a una tarifa menor que los tokens de entrada nuevos.

[Tokens de entrada y de salida (input and output tokens)](https://broadrouter.com/es/glossary/input-and-output-tokens/)

Los tokens de entrada son los que un modelo de lenguaje lee en una solicitud, incluidos el prompt de sistema, el historial de la conversación, las definiciones de herramientas y las imágenes. Los tokens de salida son los que genera en la respuesta, incluido el razonamiento. Las APIs de LLM suelen cobrarlos por separado, y la salida suele costar más.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

[Batch API (API de procesamiento por lotes)](https://broadrouter.com/es/glossary/batch-api/)

Una Batch API es un endpoint asíncrono de LLM que acepta muchas solicitudes a la vez, normalmente en un archivo, las procesa dentro de un plazo fijado en lugar de inmediatamente y devuelve los resultados juntos. Proveedores como OpenAI y Anthropic cobran las solicitudes por lotes con descuento respecto de sus APIs estándar.

[Plan de LLM con tarifa plana (flat-rate LLM plan)](https://broadrouter.com/es/glossary/flat-rate-llm-plan/)

Un plan de LLM con tarifa plana cobra un precio fijo por un periodo, como un mes, por acceder a la API de un modelo de lenguaje, en lugar de facturar por token. Estos planes suelen limitar otra cosa, como la concurrencia, la velocidad, los modelos o las ventanas de uso, así que los topes importan tanto como el precio.

[Backoff exponencial (exponential backoff)](https://broadrouter.com/es/glossary/exponential-backoff/)

El backoff exponencial es una estrategia de reintento en la que el cliente espera más tiempo tras cada intento fallido, normalmente duplicando la espera hasta un tope, antes de volver a intentarlo. Añadir jitter aleatorio a cada espera dispersa los reintentos de muchos clientes para que no lleguen al servidor en el mismo instante.

## Preguntas frecuentes

### ¿Cuál es la forma más rápida de reducir los costos de una API de LLM?

Empiece por el prompt caching. Ponga primero el prompt del sistema, los esquemas de herramientas y los documentos compartidos, y manténgalos idénticos byte a byte entre llamadas. La entrada en caché se factura a una fracción del precio de la entrada nueva, sin cambiar de modelo ni de funcionalidad. Después limite la salida, porque los tokens de salida cuestan más que los de entrada.

### ¿De verdad una Batch API reduce el precio a la mitad?

En OpenAI y Anthropic, sí. La Batch API de OpenAI ofrece un 50 % de descuento con una ventana de finalización de 24 horas, y la Message Batches API de Anthropic reduce el costo en un 50 por ciento (ambas consultadas el 2026-11-15). BroadNet Inference no tiene Batch API, así que ejecute los trabajos con un ejecutor reanudable sobre los endpoints normales.

### ¿Los tokens de razonamiento forman parte de mi factura?

Sí, con claves de pago por token. El razonamiento se reporta dentro de los completion tokens y se factura al precio de salida. Configure reasoning\_effort en low para los pasos sencillos, pero mantenga max\_tokens en 1,000 o más para que la respuesta no se corte.

### ¿Un modelo más pequeño siempre es más barato?

Por token, normalmente sí. Por tarea, no siempre. Un modelo más pequeño que necesita dos reintentos o un prompt más largo puede costar más que uno más grande que acierta a la primera. Compare el costo por tarea exitosa en su propio conjunto de pruebas.

### ¿Cuándo es más barato un plan de tarifa plana que pagar por token?

Cuando el uso es alto y constante. En BroadNet, una sesión de Luna Llena cuesta $60 al mes para DeepSeek V4.1 Flash. Con un 80 % de aciertos de caché, el punto de equilibrio está en unos 917 millones de tokens de entrada y 46 millones de de salida al mes. Por debajo de eso, pagar por token es más barato.

### ¿Los reintentos cuestan dinero?

Sí. Una solicitud reintentada es una inferencia nueva y se vuelve a facturar con claves de pago por token. Reintente solo ante errores 429 y 5xx, con backoff, y limite el número de intentos.

## Siga leyendo

-   [10 formas de reducir el costo de LLM de un agente de programación](https://broadrouter.com/es/blog/cut-coding-agent-llm-costs/)
-   [Tokens de entrada en caché: cómo reducir la factura de una API de LLM](https://broadrouter.com/es/blog/cached-input-tokens-explained/)
-   [Reducir tokens del prompt: recortes medidos en sistema, tools y datos](https://broadrouter.com/es/blog/reduce-prompt-tokens/)
-   [API de LLM con tarifa plana o pago por token: el punto de equilibrio](https://broadrouter.com/es/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Control de gasto en APIs de LLM: presupuestos, límites y bucles](https://broadrouter.com/es/blog/llm-api-spend-control/)
-   [Precios de API de LLM en octubre de 2026: 3 subidas, ninguna rebaja](https://broadrouter.com/es/blog/llm-api-price-changes-october-2026/)
-   [¿Cada cuánto cambian los precios de las API de LLM? 3 años de archivo](https://broadrouter.com/es/blog/how-often-llm-api-prices-change/)
-   [Guía: ¿Por qué un modelo de razonamiento devuelve una respuesta vacía?](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/)
-   [Guía: Códigos de error de BroadNet Inference y cuándo reintentar](https://broadrouter.com/es/guides/errors-and-retries/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-how-to-reduce-llm-api-costs&utm_content=page-cta) ·

**Fuentes**

-   [Precios de BroadNet Inference en formato legible por máquina, pricing.json (consultado el 2026-11-15) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-how-to-reduce-llm-api-costs&utm_content=sources)
-   [Planes de BroadNet Inference: una solicitud a la vez por sesión, sin medidor de tokens (consultado el 2026-11-15)](https://inference.broadnet.ai/es/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-how-to-reduce-llm-api-costs&utm_content=sources)
-   [Referencia de la API de BroadNet Inference: endpoints, razonamiento y max\_tokens (consultado el 2026-11-15) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-how-to-reduce-llm-api-costs&utm_content=sources)
-   [Guía de la Batch API de OpenAI: 50 % de descuento, ventana de finalización de 24 horas (consultado el 2026-11-15)](https://developers.openai.com/api/docs/guides/batch)
-   [Guía de prompt caching de OpenAI: activado por defecto, mínimo de 1,024 tokens, entrada en caché con descuento de hasta el 95 % (consultado el 2026-11-15)](https://developers.openai.com/api/docs/guides/prompt-caching)
-   [Message Batches API de Anthropic: 50 % menos de costo, la mayoría de los lotes termina en menos de una hora (consultado el 2026-11-15)](https://platform.claude.com/docs/en/build-with-claude/batch-processing)
-   [Precios de la API de DeepSeek: las tarifas fuera de horas pico son la mitad de las de horas pico, horario pico en UTC (consultado el 2026-11-15)](https://api-docs.deepseek.com/quick_start/pricing)
