En resumen
- Con 100,000 llamadas al mes y un prompt de 3,000 tokens, el prompt largo en gpt-6.1-sol cuesta unos 860 dólares al mes y el modelo ajustado gpt-4.1-mini, unos 104.
- Entrenar con 500 ejemplos de 600 tokens y 3 épocas cuesta unos 4.50 dólares, y ese entrenamiento se paga con unas 595 llamadas.
- En 12 meses, ese ejemplo ahorra unos 9,067.50 dólares con el modelo ajustado: 10,320 con prompt largo frente a 1,252.50.
- El fine-tuning no siempre gana: con un modelo base barato como gpt-6-luna, el prompt largo sale más barato que gpt-4.1 ajustado.
¿Qué sale más barato: fine-tuning o prompt largo?
Depende de cuántas llamadas hagas. Con 100,000 llamadas al mes y un prompt de 3,000 tokens, el prompt largo cuesta unos 860 dólares al mes y el modelo ajustado, unos 104. El entrenamiento cuesta unos 4.50 dólares una sola vez.
El prompt largo se paga en cada llamada: las instrucciones y los ejemplos viajan siempre contigo. El fine-tuning (ajuste fino) enseña esas instrucciones al modelo con ejemplos. Pagas el entrenamiento una vez y después mandas un prompt corto.
El resultado es un punto de cruce: las llamadas a partir de las cuales el modelo ajustado ya habrá recuperado lo que costó entrenarlo.
Cómo se calcula
Los precios son por millón de tokens, así que cada producto se divide entre 1,000,000.
llamada con prompt largo = (prompt largo + consulta) × entrada + respuesta × salida llamada ajustada = (prompt corto + consulta) × entrada ajustado + respuesta × salida ajustado entrenamiento = ejemplos × tokens por ejemplo × épocas × precio de entrenamiento punto de cruce = entrenamiento / (llamada larga − llamada ajustada)
- Un modelo ajustado cobra más por token que el mismo modelo sin ajustar, pero necesita menos tokens por llamada.
- La consulta y la respuesta se suponen iguales en las dos opciones.
- Si pones una parte del prompt en caché, esa parte se cobra al precio de entrada en caché.
Estos son los precios de la página oficial de precios de OpenAI, en dólares por millón de tokens:
| Modelo | Entrada | Salida | Entrada en caché |
|---|---|---|---|
| gpt-6-astra | 10.00 | 50.00 | 1.00 |
| gpt-6.1-sol | 2.00 | 10.00 | 0.10 |
| gpt-6.1-terra | 1.00 | 5.00 | 0.05 |
| gpt-6-luna | 0.10 | 0.50 | 0.01 |
Y estos son los de los modelos ajustados, con el precio de entrenamiento:
| Modelo ajustado | Entrenamiento | Entrada | Salida |
|---|---|---|---|
| gpt-4.1 | 25.00 | 3.00 | 12.00 |
| gpt-4.1-mini | 5.00 | 0.80 | 3.20 |
Cómo usar la calculadora
- Llamadas al mes. Cuántas peticiones haces.
- Tokens del prompt largo. Lo que mandas hoy en cada llamada además de la consulta.
- Consulta y respuesta. Su tamaño medio en tokens.
- Modelo para el prompt largo y modelo ajustado. Elige uno de cada.
- Ejemplos de entrenamiento. Cuántos usarás para ajustar el modelo.
En las opciones avanzadas puedes cambiar el prompt corto que queda tras ajustar, los tokens por ejemplo, las épocas, los meses y la parte del prompt largo que lees de caché.
Ejemplo
Una empresa clasifica mensajes de clientes. Hace 100,000 llamadas al mes con un prompt de 3,000 tokens, consultas de 300 y respuestas de 200. Compara gpt-6.1-sol con prompt largo y gpt-4.1-mini ajustado con 500 ejemplos de 600 tokens y 3 épocas:
| Concepto | Resultado |
|---|---|
| Prompt largo al mes | $860.00 |
| Modelo ajustado al mes | $104.00 |
| Ahorro al mes | $756.00 |
| Entrenamiento (una vez) | $4.50 |
| Punto de cruce | 595 llamadas |
| Total en 12 meses con prompt largo | $10,320.00 |
| Total en 12 meses con modelo ajustado | $1,252.50 |
| Ahorro en 12 meses | $9,067.50 |
El entrenamiento se paga con unas 595 llamadas, mucho menos de un mes de uso. Con tan pocas llamadas como 1,000 al mes, el mismo ejemplo seguiría compensando, pero el ahorro mensual sería de apenas unos 7.56 dólares.
Cuándo no compensa
- Prompt corto. Si tu prompt ya tiene pocos tokens, no hay mucho que ahorrar.
- Pocas llamadas. El entrenamiento tarda más en pagarse.
- Modelo base muy barato. Con gpt-6-luna, el prompt largo cuesta menos que un gpt-4.1 ajustado, porque cada token del modelo ajustado es más caro.
- Cambios frecuentes. Si tus instrucciones cambian cada semana, tendrías que entrenar de nuevo.
Lo que el precio no dice
El precio no mide la calidad. Un modelo ajustado de una generación anterior puede responder peor que un modelo nuevo con un buen prompt. Compara resultados con ejemplos tuyos antes de decidir.
La página de precios de OpenAI indica que la plataforma de fine-tuning ya no está disponible para usuarios nuevos y que la están cerrando. Los usuarios actuales pueden crear trabajos de entrenamiento durante unos meses, y los modelos ajustados siguen disponibles hasta que se retire su modelo base. Revisa esa página antes de planificar.
Tampoco entran en la cuenta preparar y revisar los ejemplos, las pruebas ni el modo Batch. Es una estimación con los precios estándar.
Preguntas frecuentes
¿Cuántas llamadas necesito para que compense el fine-tuning?
Las que resulten de dividir el coste del entrenamiento entre lo que ahorras en cada llamada. En el ejemplo son unas 595 llamadas. Con menos ahorro por llamada, hacen falta muchas más.
¿Por qué un modelo ajustado cobra más por token?
OpenAI cobra el uso de un modelo ajustado a un precio por token mayor que el del modelo sin ajustar. Aun así puede salir más barato, porque el prompt es mucho más corto.
¿Qué es una época de entrenamiento?
Es una pasada completa por todos tus ejemplos. Con 3 épocas, el modelo recorre tres veces los 500 ejemplos y pagas por los tokens de las tres pasadas.
¿Puedo combinar el prompt largo con la caché?
Sí. Si la parte fija de tu prompt se lee de caché, esa parte cuesta mucho menos y el ahorro del fine-tuning baja. Escribe el porcentaje en la opción de caché para verlo.
¿El resultado incluye impuestos o la preparación de datos?
No. Solo cuenta tokens de entrenamiento, entrada y salida con los precios estándar de OpenAI.