Modelos de IA pequeños comparados: costos y calidad para el trabajo rutinario

Muchas tareas rutinarias de las empresas pueden resolverse con modelos de IA pequeños: categorizar correos electrónicos, revisar órdenes de fabricación, clasificar acciones en un sitio web o supervisar un estado las 24 horas del día. En los precios de lista, los proveedores están muy próximos entre sí. Los modelos se diferencian claramente en la frecuencia con la que adivinan, en la fiabilidad con la que utilizan herramientas y en la cantidad de tokens de razonamiento que consumen. Los datos proceden de las listas de precios de los proveedores, de benchmarks independientes y de una prueba práctica propia en Hawk IVO Force, con datos del 20 de octubre de 2026.

Aquí los costos se muestran como índice de costos en lugar de en dólares. Los precios de lista cambian con frecuencia, y los precios de los proveedores no son precios de Hawk IVO Force. El índice muestra lo caro que es un modelo en relación con los demás y sigue siendo fácil de leer aunque cambien los precios.

Qué modelos se comparan

OpenAI, Anthropic, Google y Amazon no indican el tamaño de sus modelos pequeños. Aquí, pequeño significa el nivel actual más económico de una familia de modelos, diseñado para la velocidad y el volumen.

• GPT-6 Luna de OpenAI, disponible desde el 22 de septiembre de 2026: el nivel más pequeño de la familia GPT-6, junto a Sol y Astra. Según OpenAI, su predecesor GPT-5.6 Luna correspondía a la antigua clase Nano. Disponible directamente en OpenAI y a través de Microsoft Azure y Amazon Bedrock.
• Claude Haiku 5.5 de Anthropic, disponible desde el 7 de octubre de 2026: sucesor de Claude Haiku 4.5, disponible a través de Claude Platform, Amazon Web Services, Google Cloud y Microsoft Azure.
• Gemini 3.5 Flash-Lite de Google, disponible desde el 21 de julio de 2026: el nivel actual más pequeño de Gemini. Como referencia se incluye Gemini 3.8 Flash, el siguiente nivel en tamaño.
• Amazon Nova 2 Lite y Amazon Nova Micro, ambos solo en Amazon Bedrock: Nova 2 Lite desde diciembre de 2025, y Nova Micro, como modelo exclusivamente de texto, desde diciembre de 2024.
• Modelos chinos: DeepSeek V4.1 Flash, Qwen3.8 Flash de Alibaba, GLM-5.3-Flash de Z.ai y MiniMax M3.1 Flash. Kimi K2.6 de Moonshot AI cuesta varias veces más y sirve como referencia en la prueba práctica.

Comparación de costos: el índice de costos

El índice de costos valora la tarea estándar a precios de lista de los proveedores, y el nivel de costo lo resume a grandes rasgos.

Modelo	Índice de costos ↓, más bajo es mejor	Nivel de costo ↓, más bajo es mejor	Recargo con prompts largos
Amazon Nova Micro	24	1	ninguno conocido
GPT-6 Luna	76	2	por encima de 272.000 tokens: entrada ×2, salida ×1,5
Claude Haiku 5.5	76	2	por encima de 100.000 tokens: entrada ×5, salida ×5
Qwen3.8 Flash	94	2	ninguno conocido
GLM-5.3-Flash	97	2	ninguno conocido
MiniMax M3.1 Flash	103	2	ninguno conocido
DeepSeek V4.1 Flash	207	3	ninguno
Gemini 3.5 Flash-Lite	297	3	ninguno
Amazon Nova 2 Lite	297	3	ninguno conocido
Gemini 3.8 Flash	569	4	ninguno, a partir del 1 de enero de 2027, el doble del precio base
Claude Sonnet 5.5 (como referencia)	1517	5	ninguno
Claude Opus 5.5 (como referencia)	3034	5	ninguno

Amazon Nova Micro cuesta una cuarta parte de la mediana, GPT-6 Luna y Claude Haiku 5.5, alrededor de tres cuartas partes, y Gemini 3.8 Flash, casi seis veces la mediana. Los modelos grandes Claude Sonnet 5.5 y Claude Opus 5.5 se sitúan entre 15 y 30 veces la mediana.

El salto de precio de Claude Haiku 5.5

En Claude Haiku 5.5, la longitud de cada solicitud individual determina la tarifa. A partir de 100 000 tokens en el prompt, toda la solicitud cuesta el quíntuple. Las partes del prompt almacenadas en caché también cuentan para la longitud. Por eso, quien carga todas las órdenes abiertas en un único prompt paga la tarifa alta, y quien las divide en bloques de menos de 100 000 tokens paga la baja. GPT-6 Luna tiene un umbral similar en 272 000 tokens, con un recargo menor. Gemini Flash y Flash-Lite no tienen un umbral de este tipo, como tampoco los modelos Claude más grandes a partir de la generación 4.6.

• Gemini Flash y Flash-Lite
• GPT-6 Luna
• Claude Haiku 5.5

Factor de precio sobre el precio base de entrada ↓

Longitud del prompt en tokens

El recargo se aplica en cada caso a toda la solicitud. En GPT-6 Luna, la salida sube a 1,5 veces. Fuente: OpenAI, Anthropic, Google, datos del 20 de octubre de 2026.

Datos del gráfico

Modelo	Recargo con prompts largos
GPT-6 Luna	por encima de 272.000 tokens: entrada ×2, salida ×1,5
Claude Haiku 5.5	por encima de 100.000 tokens: entrada ×5, salida ×5
Gemini 3.5 Flash-Lite	ninguno
Gemini 3.8 Flash	ninguno, a partir del 1 de enero de 2027, el doble del precio base
Amazon Nova 2 Lite	ninguno conocido
Amazon Nova Micro	ninguno conocido
DeepSeek V4.1 Flash	ninguno
Qwen3.8 Flash	ninguno conocido
GLM-5.3-Flash	ninguno conocido
MiniMax M3.1 Flash	ninguno conocido

El mismo precio en todas las nubes, recargo por residencia de datos

En las grandes nubes, los precios están muy próximos entre sí. GPT-6 Luna cuesta lo mismo en Microsoft Azure y Amazon Bedrock con procesamiento global que directamente en OpenAI. Microsoft Foundry factura los modelos Claude a los precios de lista de Anthropic. Amazon Bedrock y Google Cloud tienen sus propias listas de precios, y para sus endpoints regionales Anthropic indica un recargo del 10 % respecto a los globales. Lo que sí cuesta más es, sobre todo, el procesamiento en una región fija: GPT-6 Luna en la zona de datos de la UE de Azure cuesta alrededor de un 20 % más, Gemini en la multirregión de la UE de Google Cloud, alrededor de un 10 % más, y Nova 2 Lite por la ruta de la UE en Fráncfort, alrededor de un 40 % más que en el procesamiento global en Estados Unidos.

Qué ahorra o encarece además

• Lotes (batch): quien no necesita los resultados de inmediato paga la mitad en OpenAI, Anthropic, Google y Amazon con el procesamiento por lotes. DeepSeek reduce el precio a la mitad fuera de sus horas punta, que en días laborables, sin embargo, abarcan gran parte de la mañana en horario de Alemania.
• Caché: las partes recurrentes del prompt, como instrucciones, categorías y ejemplos, pueden almacenarse en caché. Leídas desde la caché, cuestan en OpenAI, Anthropic y Google alrededor de una décima parte del precio de entrada, y en Amazon Nova, una cuarta parte.
• Los tokens no tienen el mismo tamaño en todas partes: Claude Haiku 5.5 cuenta el mismo texto con alrededor de un 30 % más de tokens que su predecesor. Por eso, el mismo precio por token no significa exactamente el mismo costo por correo electrónico.
• Cambios de modelo: el 8 de octubre de 2026, poco menos de ocho semanas después de su disponibilidad general, Google anunció la retirada de Gemini 3.7 Flash y redirige las solicitudes a Gemini 3.8 Flash. Su precio se duplica el 1 de enero de 2027. Por eso, los precios y las versiones de los modelos deben formar parte de toda planificación operativa.

Tokens de razonamiento: el factor de costo invisible

Casi todos los modelos pequeños actuales pueden razonar antes de responder. Estos tokens de razonamiento no aparecen en la respuesta, pero se facturan como salida, y la salida cuesta, según el modelo, de tres a ocho veces lo que cuesta la entrada. Cuánto razona un modelo suele poder ajustarse:

• GPT-6 Luna: de none a max, por defecto medium
• Claude Haiku 5.5: de low a max, por defecto medium
• Gemini 3.5 Flash-Lite: de minimal a high, por defecto minimal
• Amazon Nova 2 Lite: desactivado o de low a high, por defecto desactivado
• DeepSeek V4.1 Flash: con o sin razonamiento, por defecto con razonamiento
• GLM-5.3-Flash: el razonamiento no se puede desactivar

La diferencia es considerable. Para el conjunto completo de benchmarks de Artificial Analysis, GPT-6 Luna costó en el nivel más alto algo más de seis veces lo que costó sin razonamiento, y Claude Haiku 5.5, en el nivel más alto, casi diez veces lo que costó en el nivel bajo. En nuestra prueba práctica, Kimi K2.6 generó entre 3100 y 7300 tokens de salida para las mismas tareas, mientras que Gemini 3.7 Flash generó entre 360 y 580. También aumenta el tiempo de espera: sin razonamiento, GPT-6 Luna entrega el primer token de la respuesta tras unos 0,8 segundos, y en el nivel más alto, tras unos 90 segundos.

Para la clasificación y la extracción suele bastar el nivel más bajo. Para Gemini 3.5 Flash-Lite, Google recomienda expresamente minimal en clasificación, enrutamiento y extracción a JSON, pero medium o high para subagentes con uso de herramientas en varios pasos, porque de lo contrario el modelo interrumpe demasiado pronto las cadenas de herramientas. La forma más fiable de encontrar el valor adecuado es una prueba con datos propios.

• GPT-6 Luna
• Claude Haiku 5.5
• otros modelos pequeños

Intelligence Index ↑

Índice de costos de la ejecución de prueba completa, logarítmico ↓

Las líneas unen el nivel de razonamiento más bajo y el más alto medidos del mismo modelo. El índice de costos incluye los tokens de razonamiento realmente consumidos. Mediana de los puntos mostrados = 100. Para Amazon Nova no hay costos de la ejecución de prueba. Fuente: Artificial Analysis, datos del 20 de octubre de 2026.

Datos del gráfico

Modelo	Nivel de razonamiento	Índice de costos de la ejecución de prueba ↓, más bajo es mejor	Intelligence Index ↑, más alto es mejor
GPT-6 Luna	none	6,0	18,5
Claude Haiku 5.5	low	11	29,5
GPT-6 Luna	max	38	38,1
MiniMax M3.1 Flash	default	89	42,7
GLM-5.3-Flash	max	96	41,8
Claude Haiku 5.5	max	104	43,4
Qwen3.8 Flash	default	114	39,8
Gemini 3.5 Flash-Lite	default	115	22,2
DeepSeek V4.1 Flash	max	140	45,1
Gemini 3.8 Flash	high	510	40,9

Alucinación: preguntas de conocimiento o trabajo con una fuente

Cuánto alucina un modelo depende de la tarea. Hay que distinguir dos preguntas: ¿adivina el modelo cuando no sabe algo? ¿Y se atiene a los datos que se le proporcionan?

Preguntas de conocimiento sin fuente

Con AA-Omniscience, Artificial Analysis mide con qué frecuencia un modelo da una respuesta incorrecta a preguntas especializadas en lugar de admitir que no conoce la respuesta. La tasa de alucinación es la proporción de respuestas incorrectas sobre todas las preguntas no respondidas correctamente. Cuanto más baja, mejor.

Modelo	Respondidas correctamente en % ↑, más alto es mejor	Tasa de alucinación en % ↓, más bajo es mejor
GLM-5.3-Flash	28	28
Gemini 3.5 Flash-Lite	30	34
Claude Haiku 5.5	33 a 36	40 a 45
Qwen3.8 Flash	25	45
Gemini 3.8 Flash	55	55
Amazon Nova Micro	10	65
DeepSeek V4.1 Flash	43	67
GPT-6 Luna	32 a 44	77 a 85
Amazon Nova 2 Lite	14 a 19	86 a 91
MiniMax M3.1 Flash	56	93

Tasa de alucinación en porcentaje ↓

Proporción de respuestas incorrectas sobre todas las preguntas no respondidas correctamente (AA-Omniscience). La parte clara de una barra muestra el rango entre los niveles de razonamiento. Fuente: Artificial Analysis, AA-Omniscience, datos del 20 de octubre de 2026.

GLM-5.3-Flash, Gemini 3.5 Flash-Lite y Claude Haiku 5.5 admiten con relativa frecuencia que no conocen una respuesta. GPT-6 Luna, Nova 2 Lite y MiniMax M3.1 Flash, en cambio, suelen adivinar. MiniMax responde correctamente la mayoría de las preguntas, pero en las demás casi siempre falla con una respuesta inventada.

Trabajo con datos proporcionados

En el trabajo rutinario suele importar la segunda pregunta, porque el modelo tiene delante el correo, la orden o el ticket. Aquí el panorama es distinto. En la prueba de grounding de la clasificación FACTS de Google DeepMind, que comprueba si las respuestas están respaldadas por un documento proporcionado, GPT-6 Luna obtiene 81 de 100 puntos, Gemini 3.8 Flash, 73, y Gemini 3.5 Flash-Lite, 71. Otros proveedores no figuran en esta clasificación, que gestiona la propia Google. En la prueba de resúmenes de Vectara, Amazon Nova 2 Lite y Nova Micro solo añaden algo que no figura en el texto original en alrededor del 5 % de los resúmenes, aunque adivinan con especial frecuencia en las preguntas de conocimiento. Kimi K2.6 llega allí a alrededor del 11 %, y los demás modelos actuales de la comparativa aún no se han medido.

Por eso, los modelos pequeños deberían trabajar con una fuente proporcionada, no de memoria. Si reciben los datos, se les permite expresamente responder «desconocido» o null y sus respuestas se validan contra un esquema fijo, el riesgo de datos inventados puede limitarse bien. En nuestra prueba práctica, ningún modelo inventó un dato que faltaba.

Uso de herramientas en varios pasos

Para los agentes es decisivo que un modelo llame correctamente a las herramientas a lo largo de varios pasos. Las mediciones independientes de los modelos pequeños actuales todavía presentan lagunas. Con AutomationBench-AA, Artificial Analysis comprueba si un modelo completa procesos de negocio realistas a través de varias aplicaciones simuladas, como correo electrónico, hojas de cálculo, CRM y sistema de tickets, y con Terminal-Bench 4.0 evalúa el trabajo en una línea de comandos. Las mediciones se hicieron principalmente en el nivel de razonamiento alto o máximo, y los valores son porcentajes de tareas resueltas.

Modelo	AutomationBench-AA en % ↑, más alto es mejor	Terminal-Bench 4.0 en % ↑, más alto es mejor
MiniMax M3.1 Flash	73	26
DeepSeek V4.1 Flash	67	34
GLM-5.3-Flash	60	33
Gemini 3.8 Flash	60	20
Qwen3.8 Flash	56	25
GPT-6 Luna	53	13
Claude Haiku 5.5	35	33
Gemini 3.5 Flash-Lite	25	1
Amazon Nova 2 Lite	no medido	no medido

AutomationBench-AA, tareas resueltas en porcentaje ↑

Procesos realistas a través de varias aplicaciones simuladas, como correo electrónico, hojas de cálculo, CRM y sistema de tickets, medidos principalmente en el nivel de razonamiento alto o máximo. Amazon Nova 2 Lite no se midió. Fuente: Artificial Analysis, AutomationBench-AA, datos del 20 de octubre de 2026.

Los datos de los fabricantes completan el panorama. Anthropic indica para Claude Haiku 5.5 alrededor de un 72 % en OSWorld 2.1, una prueba de manejo de interfaces gráficas, y alrededor de un 49 % para GPT-6 Luna. Amazon indica para Nova 2 Lite un 60 % en el Berkeley Function Calling Leaderboard, mientras que la propia clasificación registra un 27 % y solo un 2 % en llamadas de varios pasos. Los modelos Flash chinos resuelven bien las tareas con herramientas, pero consumen muchos tokens de razonamiento. Un detalle técnico para desarrolladores: en GPT-6 Luna, las llamadas a herramientas con razonamiento solo funcionan a través de la Responses API, y a través de Chat Completions, solo sin razonamiento.

JSON y clasificación

Para el trabajo rutinario, un modelo debería responder en un formato fijo. Varios proveedores imponen un esquema JSON ya durante la generación de la respuesta:

• GPT-6 Luna: según OpenAI, con un esquema JSON estricto la respuesta siempre cumple el esquema, salvo en caso de rechazo o de respuesta truncada.
• Claude Haiku 5.5: los Structured Outputs también imponen el esquema, en Amazon Bedrock a través del endpoint bedrock-runtime.
• Gemini 3.5 Flash-Lite y 3.8 Flash: admiten esquemas JSON, pero Google recomienda comprobar siempre los valores. Los esquemas muy grandes pueden ser rechazados.
• Amazon Nova 2 Lite y Nova Micro: la función Structured Outputs de Bedrock no está disponible. La alternativa pasa por un esquema de herramienta con dos niveles como máximo.
• DeepSeek, Qwen y GLM: según los proveedores, admiten salida en JSON. Para MiniMax M3.1 Flash no hay información.

Un esquema válido no garantiza valores correctos. Para la clasificación no existe ninguna prueba comparativa independiente de los modelos pequeños actuales. La precisión depende mucho de las categorías propias y solo puede medirse con ejemplos propios.

Prueba práctica en Hawk IVO Force

El 20 de octubre de 2026 probamos en Hawk IVO Force cuatro modelos con dos tareas rutinarias típicas. Cada modelo se ejecutó en un agente propio, sin acceso a conocimiento ni herramientas y con la misma instrucción breve. Cada tarea se ejecutó dos veces.

• Triaje de correos electrónicos: doce correos en alemán de una empresa de fabricación, entre ellos una reclamación, dos correos de phishing, una respuesta automática de ausencia y notificaciones de estado automáticas. Se pedían la categoría, la prioridad, si hacía falta responder y el número de pedido, solo si aparecía literalmente. Como trampas se usaron números de artículo, de factura y de ticket. Se evaluaron la categoría, la necesidad de respuesta y el número de pedido, en total 72 valores.
• Órdenes de fabricación: cuatro órdenes de una exportación del ERP y una nota del departamento de planificación de la producción. Se pedían campos, riesgo y justificación en JSON. Faltaban a propósito cuatro datos, entre ellos una fecha de entrega, una máquina y una capacidad en horas. Una orden no podía terminarse a tiempo porque el material llega después de la fecha de entrega.

Modelo	Triaje de correos	Órdenes de fabricación	Tokens de salida por ejecución ↓
GPT-6 Luna	sin errores	sin errores	760 a 1330
Gemini 3.7 Flash	sin errores	sin errores, una vez «Gehaeuse» en lugar de «Gehäuse» (la ä alemana escrita como ae)	360 a 580
Kimi K2.6	sin errores	una vez incumplió el esquema, riesgo no evaluado	3100 a 7300
GPT-4.1 mini, generación anterior	7 de 72 valores incorrectos	sin errores	300 a 480

GPT-4.1 mini habría respondido a los dos correos de phishing y habría tomado números de factura y de ticket como número de pedido. La generación actual ya no comete estos errores. En una ejecución, Kimi K2.6 aplicó también a la evaluación del riesgo la instrucción de poner a null los datos que faltaban. Por correo, en la prueba y a precios de lista, Gemini Flash costó unas cinco veces lo que GPT-6 Luna, y Kimi K2.6, debido a los numerosos tokens de razonamiento, unas treinta veces.

La prueba es una muestra con dos ejecuciones, no un benchmark. Claude Haiku 5.5 y Amazon Nova no estaban disponibles en nuestro entorno de pruebas. Entretanto se ha anunciado la retirada de Gemini 3.7 Flash, y Google redirige las solicitudes a Gemini 3.8 Flash.

Cuánto cuesta el trabajo rutinario al mes

Cuatro casos de uso típicos con estos supuestos:

• Oficina: 80 correos por día laborable durante 22 días laborables, entre ellos notificaciones de estado. Por correo, 3000 tokens de entrada para instrucciones, categorías, ejemplos y el correo con su historial, y 500 tokens de salida para la clasificación y un breve borrador de respuesta.
• Producción: 500 órdenes de fabricación abiertas, evaluadas de nuevo en cada uno de los tres turnos, durante 30 días. Por evaluación, 4000 tokens de entrada para la orden, la hoja de ruta, el material y la capacidad, y 600 tokens de salida para el riesgo, el cuello de botella y la recomendación.
• Sitio web: 1500 visitas al día con un agente que observa las acciones, las clasifica y da una recomendación. Por visita, seis clasificaciones y una recomendación, en total 16 000 tokens de entrada y 1000 tokens de salida.
• Tarea continua: un agente comprueba un estado cada cinco minutos, las 24 horas, por ejemplo la entrada de tickets, los avisos de máquinas o el estado de las entregas. Por comprobación, 5000 tokens de entrada y 300 tokens de salida.

El volumen de costos muestra cuánto costo de modelo genera un caso de uso al mes en relación con el caso de oficina, medido con la mediana de los modelos pequeños:

Caso de uso	Operaciones al mes	Tokens por operación, entrada / salida	Volumen de costos, oficina = 1 ↓, más bajo es mejor
Oficina	1760	3000 / 500	×1
Producción	45.000	4000 / 600	×33
Sitio web	45.000	16.000 / 1000	×104
Tarea continua	8640	5000 / 300	×6

Con 80 correos al día, el costo del modelo prácticamente no tiene importancia, incluso con un modelo grande como Claude Opus 5.5. Lo que sale caro aquí es un error, como una reclamación pasada por alto o un correo de phishing respondido. Por eso, la fiabilidad importa más que el precio. En producción, en el sitio web y en las tareas continuas, en cambio, los volúmenes crecen rápidamente. Entre un modelo pequeño y uno grande hay entonces un factor de 20 a 40, y entre GPT-6 Luna y Gemini 3.8 Flash, un factor de alrededor de 7. Más tokens de razonamiento aumentan el costo de salida. La caché reduce el costo de entrada, sobre todo en el sitio web, donde el contexto de la página es el mismo en cada solicitud.

Un único prompt con todas las órdenes abiertas es la variante más cara. Con Claude Haiku 5.5, una solicitud de 300 000 tokens cuesta el quíntuple que la misma cantidad dividida en bloques por debajo del umbral. Al mismo tiempo, con contextos muy largos disminuye la tasa de aciertos: según Google, Gemini 3.5 Flash-Lite alcanza en la prueba de contexto largo MRCR un 72 % con 128 000 tokens y un 21 % con un millón de tokens. Es mejor una evaluación por orden o por grupo.

Modelos pequeños como subagentes

Los modelos pequeños son especialmente adecuados como subagentes. Un modelo más grande planifica la tarea, la descompone y delega subtareas claramente delimitadas en modelos pequeños, por ejemplo leer documentos, extraer datos, clasificar entradas o resumir resultados de búsqueda. Cada subagente trabaja con un contexto pequeño y nuevo y devuelve un resultado conciso, que el modelo más grande revisa y combina. Anthropic posiciona expresamente Claude Haiku 5.5 para este papel.

Esto aporta ventajas en varios aspectos:

• Costos: en Claude Haiku 5.5, un token de entrada cuesta una cuadragésima parte de lo que cobra Claude Opus 5.5. Así, precisamente la lectura, que consume la mayoría de los tokens, resulta económica.
• Velocidad: muchos subagentes trabajan en paralelo.
• Visión de conjunto: el modelo que planifica solo ve resultados condensados en lugar de miles de páginas de material en bruto.
• Umbrales de precio: las subtareas pequeñas se mantienen por debajo del umbral de 100 000 tokens de Claude Haiku 5.5.

Para que esto funcione, cada subtarea necesita un formato de salida fijo, idealmente un esquema JSON. El subagente solo recibe los datos y las herramientas que requiere su subtarea. Para el trabajo con herramientas en varios pasos es adecuado un nivel de razonamiento medio, y para la simple clasificación, el más bajo. Antes de que se modifique algo en los sistemas conectados, el modelo que planifica o una persona revisa el resultado, como se describe en Introducir agentes con aprobaciones.

En Hawk IVO Force, el modelo es un ajuste de cada agente. Así, un agente de planificación y coordinación puede trabajar con un modelo grande, mientras que los agentes de triaje, extracción o supervisión utilizan uno pequeño.

Modelos chinos: económicos, abiertos y con dudas sobre la protección de datos

Los modelos Flash chinos son económicos y resuelven bien las tareas con herramientas. GLM-5.3-Flash es, de todos los modelos comparados, el que menos adivina. DeepSeek V4.1 Flash y GLM-5.3-Flash están disponibles como pesos abiertos con licencia MIT, y Qwen3.8, en varias variantes abiertas. Para las empresas en Alemania, lo que más importa es dónde se procesan los datos:

• Según su política de privacidad, DeepSeek procesa y almacena en China los datos de su propia API. DeepSeek V4.1 Flash también está disponible en la zona de datos de la UE de Microsoft Azure, allí con un recargo de alrededor del 20 % respecto al precio global.
• Alibaba ofrece en Fráncfort dos ámbitos de aplicación. Solo el ámbito de la UE mantiene el procesamiento en la región, y Qwen3.8 Flash figura allí actualmente solo en el ámbito global.
• Según sus propios datos, Z.ai procesa los datos por lo general en Singapur, y MiniMax los almacena en Estados Unidos.
• Los pesos abiertos permiten la operación propia. Con varios cientos de miles de millones de parámetros, esto resulta exigente para DeepSeek y GLM. Más realista es el modelo más pequeño Qwen3.8-27B, con licencia Apache 2.0.

El instituto estadounidense NIST examinó versiones anteriores de DeepSeek y Kimi y constató una cercanía a posiciones del Partido Comunista de China, así como una mayor vulnerabilidad a la manipulación. Estas características residen en el propio modelo y se mantienen en la operación propia. Para las versiones actuales falta una evaluación de este tipo. En la clasificación en categorías fijas, esto probablemente pese menos que en textos redactados libremente. La ficha del modelo GLM-5.3-Flash no menciona el alemán, por lo que las pruebas con textos en alemán son especialmente importantes.

Qué modelo para qué tarea

De los precios, las mediciones y la prueba práctica se desprende esta valoración:

• Triaje de correos electrónicos y clasificación con categorías fijas: GPT-6 Luna o Claude Haiku 5.5 con un nivel de razonamiento bajo. Ambos cuestan igual de poco. GPT-6 Luna se ciñó estrechamente a la fuente en la prueba práctica y en la prueba de grounding, mientras que Claude Haiku 5.5 adivina con menos frecuencia ante lagunas de conocimiento.
• Revisión de órdenes de fabricación y extracción de documentos: los mismos modelos, con una evaluación por orden o por grupo en lugar de un prompt muy largo, con esquema JSON y null permitido.
• Agente de sitio web con reacción en tiempo real: un modelo sin razonamiento o con razonamiento mínimo, por ejemplo GPT-6 Luna, con el primer token tras unos 0,8 segundos, o Nova 2 Lite sin razonamiento, tras unos 1,1 segundos. En Artificial Analysis, Gemini 3.5 Flash-Lite necesitó unos 8 segundos hasta el primer token.
• Tareas continuas y subagentes con herramientas: Gemini 3.8 Flash, GLM-5.3-Flash o DeepSeek V4.1 Flash para procesos de negocio de varios pasos, y Claude Haiku 5.5 para la línea de comandos y el manejo de interfaces gráficas, en cada caso con un nivel de razonamiento medio.
• Volúmenes muy grandes de textos muy sencillos: con un índice de costos de 24, Amazon Nova Micro es el modelo más económico de la comparativa, pero sabe poco y procesa como máximo 128 000 tokens. Solo es adecuado con un esquema fijo y tras una prueba propia.
• Datos personales: elegir el procesamiento en la UE, por ejemplo la zona de datos de la UE en Azure, la multirregión de la UE en Google Cloud o una ruta de la UE en Amazon Bedrock, y prever para ello un recargo de entre el 10 % y alrededor del 40 %.

Probar con datos propios antes de decidir

En este mercado, las versiones de los modelos y los precios cambian cada pocas semanas. Antes de decidir, merece la pena una prueba breve con entre 50 y 100 ejemplos propios. Muestra la precisión, la fidelidad al formato y el consumo real de tokens por operación. Le ayudamos a delimitar una tarea adecuada, a comparar modelos con sus datos y a configurar agentes en Hawk IVO Force. Hable con nosotros si tiene en mente una tarea de este tipo.

Precios de lista y cálculo

Precios de lista y cálculo (datos del 20 de octubre de 2026)

Precios de lista públicos de los proveedores en la tarifa estándar con procesamiento global, en dólares estadounidenses por millón de tokens. No son precios de Hawk IVO Force. Los precios cambian con frecuencia. La referencia vinculante son las páginas de precios enlazadas de los proveedores.

Precios de lista en dólares estadounidenses por millón de tokens

Modelo	Entrada	Salida	Recargo con prompts largos
GPT-6 Luna	0,10	0,50	por encima de 272.000 tokens: entrada ×2, salida ×1,5
Claude Haiku 5.5	0,10	0,50	por encima de 100.000 tokens: entrada ×5, salida ×5
Gemini 3.5 Flash-Lite	0,30	2,50	ninguno
Gemini 3.8 Flash	0,75	3,75	ninguno, a partir del 1 de enero de 2027, el doble del precio base
Amazon Nova 2 Lite	0,30	2,50	ninguno conocido
Amazon Nova Micro	0,035	0,14	ninguno conocido
DeepSeek V4.1 Flash	0,30	1,20	ninguno
Qwen3.8 Flash	0,15	0,47	ninguno conocido
GLM-5.3-Flash	0,15	0,50	ninguno conocido
MiniMax M3.1 Flash	0,15	0,60	ninguno conocido
Claude Sonnet 5.5 (como referencia)	2,00	10,00	ninguno
Claude Opus 5.5 (como referencia)	4,00	20,00	ninguno

Con procesamiento global, los modelos suelen costar lo mismo en Microsoft Azure, Amazon Bedrock y Google Cloud que directamente en el proveedor. El procesamiento regional, por ejemplo en la UE, cuesta entre un 10 % y alrededor de un 40 % más.

Costo del modelo en dólares estadounidenses al mes para los casos de uso del artículo, redondeado, sin caché, procesamiento por lotes ni residencia de datos

Modelo	Oficina	Producción	Sitio web	Tarea continua
GPT-6 Luna	0,97	32	95	6
Claude Haiku 5.5	0,97	32	95	6
Gemini 3.5 Flash-Lite	4	120	330	19
Gemini 3.8 Flash	7	240	710	42
Amazon Nova 2 Lite	4	120	330	19
Amazon Nova Micro	0,31	10	32	2
DeepSeek V4.1 Flash	3	86	270	16
Qwen3.8 Flash	1	40	130	8
GLM-5.3-Flash	1	41	130	8
MiniMax M3.1 Flash	1	43	140	8
Claude Sonnet 5.5 (como referencia)	19	630	1890	110
Claude Opus 5.5 (como referencia)	39	1260	3780	220

Páginas de precios de los proveedores

• developers.openai.com (se abre en una pestaña nueva) (openai)
• platform.claude.com (se abre en una pestaña nueva) (anthropic)
• ai.google.dev (se abre en una pestaña nueva) (google)
• aws.amazon.com (se abre en una pestaña nueva) (aws)
• api-docs.deepseek.com (se abre en una pestaña nueva) (deepseek)
• www.alibabacloud.com (se abre en una pestaña nueva) (alibaba)
• docs.z.ai (se abre en una pestaña nueva) (zai)
• platform.minimax.io (se abre en una pestaña nueva) (minimax)