Gasté $12.47 por hacer cuatro preguntas a un PDF usando el asistente gestionado de OpenAI. No fue por mes, ni por mil peticiones, fue solo por cuatro preguntas. Miré el panel de uso y vi cómo subían los tokens: 1.2 millones de tokens consumidos en dos hilos de conversación. Sesiones de Code Interpreter, $0.03 cada una. File Search, $0.10 por GB al día. Lo que comenzó como una implementación RAG sencilla se transformó en una hemorragia de costes. Ahí me di cuenta de algo crucial: no estaba construyendo un asistente IA, estaba alquilando uno y el contador nunca deja de correr.
La buena noticia es que la industria se mueve. Recientemente la Linux Foundation oficializó el Model Context Protocol MCP con respaldo de Anthropic, OpenAI, Google, Microsoft, AWS y Cloudflare. Las mismas empresas que cobran tarifas premium por soluciones gestionadas ahora respaldan un protocolo abierto que permite construir tu propia infraestructura de asistentes y recuperaciones de contexto con control total de costes.
Por qué muchos elegimos Assistants API y por qué es comprensible. La experiencia de desarrollo es excelente: RAG incorporado, hilos de conversación persistentes, llamadas automáticas a herramientas, subida de archivos y consultas instantáneas. En pocas horas tienes un prototipo funcional. Para equipos que priorizan velocidad de entrega, prototipado rápido o tienen créditos OpenAI, esa comodidad puede ser decisiva.
Pero la estructura real de costes puede ser brutalmente distinta a la que muestran las tablas públicas. En mi caso la cuenta fue así: PDF de 10 páginas ~5K tokens; el sistema gestionado lo troceó automáticamente y lo almacenó como 50K tokens; cada consulta de recuperación añadió decenas de miles de tokens por consulta; el historial de conversación infló el contexto; llamadas a herramientas añadieron overhead. Resultado aproximado por pregunta 81K tokens = $0.81. Cuatro preguntas: coste total $12.47 entre modelo, sesiones de Code Interpreter, almacenamiento y costes de recuperación ocultos.
Principales razones del aumento de costes
1. Multiplicación de tokens
Los servicios gestionados hacen chunking automático sin control del desarrollador. Un PDF pequeño puede convertirse en muchos más tokens almacenados y procesados en cada recuperación.
2. Hinchamiento del contexto
Cada pregunta de seguimiento recarga el historial completo. El coste por petición crece a medida que la conversación se alarga.
3. Tarifas de almacenamiento diarias
El coste por GB al día se acumula. 1 GB documentado puede ser $3 al mes solo en almacenamiento si el cargo es $0.10/GB/día.
4. Costes de recuperación ocultos
La herramienta de búsqueda no solo devuelve fragmentos, también amplía el prompt con esos fragmentos y obliga a pagar por generación de embeddings, búsquedas de similaridad y tokens recuperados que se suman al contexto.
Proyección real a escala: un bot de atención al cliente con 1000 conversaciones diarias y 5 mensajes por conversación, usando una base de conocimiento volumétrica, puede costar miles de dólares al mes en la ruta gestionada sin optimización. Incluso una app de análisis documental con 100 usuarios activos podría generar facturas inesperadas altas si no se controla el diseño.
La alternativa que me cambió la arquitectura se llama Model Context Protocol MCP. Qué es MCP y por qué importa: MCP es un estándar abierto para conectar modelos con fuentes de datos y herramientas, una especie de USB para IA. Permite controlar chunking, caching, selección de modelo y despliegue en el edge. Al convertirse en infraestructura oficial y abierta, facilita construir soluciones multi modelo y evitar el vendor lock in.
Beneficios clave de adoptar MCP
Control de costes
Decides cómo trocear documentos, cuántos fragmentos recuperar, qué modelo usar para cada tarea y cuándo servir inferencias desde capas más económicas o locales.
Soporte multi modelo
Un mismo servidor MCP puede llamar a modelos de Anthropic, Groq, Google, OpenAI o incluso modelos locales. Eso permite elegir el mejor coste rendimiento por tarea.
Despliegue en el edge
Con Workers en Cloudflare o infra similar se logra latencia baja, escalado automático y reducción de costes operativos. Además, algunas plataformas ofrecen cuotas gratuitas generosas para prototipos.
Transparencia y predictibilidad
Con control propio puedes simular costes antes de enviar peticiones y aplicar estrategias de degradación o enrutado hacia modelos más baratos si se excede un umbral.
En mi implementación, migrar a MCP ejecutado en Cloudflare Workers y usar vector storage optimizado redujo el coste de las mismas cuatro preguntas de $12.47 a aproximadamente $0.001. A escala, la diferencia es abismal: cientos o miles de dólares mensuales frente a decenas. El punto de equilibrio suele alcanzarse después de unas pocas decenas o centenares de peticiones, dependiendo del caso.
Qué opciones elegir según el caso de uso
Usa Assistants API cuando
necesitas prototipado ultrarrápido, el presupuesto no es determinante o el proyecto es temporal. Es ideal para demos y validaciones rápidas.
Usa MCP cuando
te preocupa el coste, planeas escalar, necesitas libertad para escoger modelos o quieres evitar vendor lock in. Es la elección para proyectos de producción optimizados en coste y rendimiento.
En Q2BSTUDIO como empresa de desarrollo de software ofrecemos acompañamiento para elegir y ejecutar la mejor arquitectura. Somos especialistas en aplicaciones a medida y software a medida, con experiencia implementando soluciones basadas en inteligencia artificial, ciberseguridad y servicios cloud aws y azure. Si necesitas migrar un asistente IA gestionado a una arquitectura abierta y rentable o crear agentes IA optimizados para tu negocio, en Q2BSTUDIO diseñamos la estrategia técnica y la implementamos.
Ofrecemos servicios integrales que incluyen diseño e implementación de soluciones de ia para empresas y servicios de inteligencia de negocio con Power BI para transformar datos en decisiones. Para casos que requieren integraciones cloud multicloud y despliegues edge podemos apoyarte con consultoría en servicios cloud aws y azure y arquitectura escalable.
Si tu prioridad es seguridad, nuestro equipo también cubre ciberseguridad y pentesting para proteger modelos, datos y pipelines de inferencia. Y si buscas desarrollar una aplicación que integre RAG, agentes IA o capacidades conversacionales a medida, podemos construir el producto desde cero o modernizar tu stack existente.
Ejemplo práctico: migración de prototipo a solución productiva. Evaluamos volumen de consultas, tamaño de corpus, patrones de uso y escogemos la combinación de modelo y despliegue que minimice coste total de propiedad. Normalmente combinamos vectorizar en el edge, cachés LRU para consultas frecuentes y enrutado dinámico a modelos de baja latencia para respuestas rápidas y modelos más potentes para análisis largos.
Lecciones aprendidas y recomendaciones rápidas
1 Proyecta costes antes de desarrollar características dependientes de RAG. 2 Controla el chunking y el tamaño del contexto. 3 Usa modelos distintos según la tarea. 4 Aprovecha despliegue en edge y cachés para reducir solicitudes repetidas.
Si quieres que te ayudemos a evaluar la arquitectura actual, realizar una prueba de coste o migrar a una solución MCP con control total de gastos y flexibilidad multi modelo, en Q2BSTUDIO estamos listos para colaborar. Consulta más sobre nuestras soluciones de inteligencia artificial y cómo las aplicamos en empresas en Inteligencia Artificial para empresas. También podemos asesorarte en integración con Power BI y servicios de inteligencia de negocio para que tus datos impulsen procesos y decisiones.
Este episodio de los $12 fue la llamada de atención que me obligó a repensar la arquitectura. Hoy priorizo control, portabilidad y previsibilidad. Si tu objetivo es construir asistentes IA escalables sin sorpresas en la factura, existe un camino práctico y probado. En Q2BSTUDIO acompañamos desde el diseño hasta la puesta en producción, integrando seguridad, rendimiento y costes previsibles para que tus proyectos de IA sean viables y sostenibles.
.jpg)