¿Va a bajar la precisión?

No: el sistema de evaluación es el filtro. No reducimos el tamaño de un modelo hasta que la evaluación demuestra que el modelo más pequeño iguala o supera al grande con tus datos reales. Si un caso de uso no se puede reducir, lo dejamos como está.

¿Con qué proveedores trabajáis?

OpenAI, Anthropic, AWS Bedrock, Google Vertex, Azure OpenAI y modelos open source a través de vLLM o together.ai. Somos independientes: la capa de enrutamiento puede combinar proveedores, y buena parte de nuestros mayores ahorros viene de ejecutar cada modelo en el proveedor adecuado.

¿Con qué rapidez se nota el ahorro?

Normalmente, un recorte del 20–30 % en la semana 3 solo con la caché de prompts: es lo más fácil de conseguir y a menudo la palanca más potente. La reducción completa del 40–70 % suele llegar entre las semanas 6 y 8, una vez desplegados el enrutamiento y la reducción de modelo validada por evaluación.

¿Es una colaboración puntual o continua?

Las dos cosas. La mayoría de los clientes contrata una implantación a precio cerrado y, después, una revisión trimestral para detectar la deriva: nuevas funcionalidades, nuevos modelos, prompts que se van desviando. El coste de los LLM es un objetivo vivo; una limpieza puntual no dura para siempre.

Optimización de costes de LLM

Optimización de costes de LLM: reduce tu factura un 40–70 %

Si tu factura de OpenAI o Anthropic crece más rápido que tu uso real, estás pagando por desperdicio. Auditamos tu gasto en LLM, enrutamos cada petición al modelo del tamaño adecuado, aplicamos caché de forma agresiva y ajustamos los prompts: normalmente recortamos la factura un 40–70 % sin perder precisión.

¿No sabes si tu empresa está lista? Haz gratis la evaluación de preparación para la IA (12 preguntas)

De dónde sale el ahorro

≈ 55 % menos factura (típico)

Composición a partir de auditorías recientes: la mezcla exacta varía según la carga de trabajo.

Caché de prompts - 35%: Caché de Anthropic, OpenAI o Bedrock para los prompts de sistema y las definiciones de herramientas.
Ajuste del tamaño del modelo - 30%: Enruta el 80 % de peticiones sencillas a Haiku o 4o-mini tras validarlo con evaluación.
Reducción y compresión de prompts - 20%: Recorta los prompts de sistema, elimina definiciones de herramientas sin usar y comprime el contexto.
Streaming y procesamiento por lotes - 10%: Streaming donde importa la experiencia de usuario, procesamiento por lotes donde no.
Limpieza de la recuperación - 5%: Fragmentos más pequeños, un k más inteligente y menos contexto innecesario.

Son cifras típicas, no un presupuesto cerrado. La auditoría te da la proyección real para tu carga de trabajo.

Qué obtienes

Auditoría del gasto por modelo, prompt y funcionalidad: la mayoría de los clientes no tiene hoy esa visibilidad

Sistema de evaluación que demuestra que un modelo más pequeño y barato es suficiente para cada caso de uso antes de cambiarlo

Capa de enrutamiento de modelos: GPT-4 para las peticiones complejas, GPT-4o-mini o Haiku para el 80 % que no las necesita

Estrategia de caché de prompts (prompt caching de Anthropic, caché de OpenAI, caché de Bedrock): para muchos equipos, la palanca más potente de todas

Compresión de prompts y refactorización de plantillas: el precio es por token, así que recortar tokens se amortiza al instante

Perfil de latencia: reducción de p50/p95, streaming donde importa y procesamiento por lotes donde no

Panel de coste mensual para que el ahorro se mantenga en vez de diluirse con el tiempo

Cuándo encaja

El gasto mensual en LLM ya duele ($20k+/mes) o crece rápido
La latencia es un problema real de producto: los usuarios esperan, la conversión cae y salta la alarma de guardia
Tienes señal de evaluación (o estás dispuesto a crearla) para que podamos reducir el tamaño de los modelos con garantías
Alguien es responsable de la factura: finanzas, la dirección de ingeniería o el equipo de plataforma

Cuándo no

El gasto es realmente pequeño: optimizar demasiado pronto cuesta más de lo que ahorra
No puedes medir la calidad, así que no podemos demostrar que el modelo más barato es suficiente
El nivel mínimo de precisión viene marcado por la regulación: a veces el modelo caro es obligatorio, y te lo diremos

Proceso

Semana 1: auditoría del gasto por modelo, funcionalidad y prompt, y revisión de la cobertura de evaluación. Semanas 2–3: construcción del sistema de evaluación para los 3–5 casos de uso principales. Semanas 4–6: implantación del enrutamiento de modelos, la caché y la reducción de tokens detrás de feature flags. Semana 7: despliegue y traspaso del panel. La mayoría de los clientes ve el primer recorte, en torno al 25 %, en la semana 3.

Proceso de entrega completo

Precios

Auditoría a precio cerrado ($10–20k) que entrega una proyección de ahorro y se descuenta del coste de la implantación. La implantación cuesta $40–120k según el alcance. Precio por resultados disponible cuando el gasto actual es lo bastante alto como para que los números compensen a las dos partes.

Ver modelos de colaboración

Casos de éxito

Recursos humanos y selección de personal

Sistema ATS con IA

ATS integral con matching por IA, análisis automático de CV y comunicación en tiempo real con reclutadores, para más de 10.000 candidatos al mes.

Preguntas frecuentes

¿Va a bajar la precisión?: No: el sistema de evaluación es el filtro. No reducimos el tamaño de un modelo hasta que la evaluación demuestra que el modelo más pequeño iguala o supera al grande con tus datos reales. Si un caso de uso no se puede reducir, lo dejamos como está.
¿Con qué proveedores trabajáis?: OpenAI, Anthropic, AWS Bedrock, Google Vertex, Azure OpenAI y modelos open source a través de vLLM o together.ai. Somos independientes: la capa de enrutamiento puede combinar proveedores, y buena parte de nuestros mayores ahorros viene de ejecutar cada modelo en el proveedor adecuado.
¿Con qué rapidez se nota el ahorro?: Normalmente, un recorte del 20–30 % en la semana 3 solo con la caché de prompts: es lo más fácil de conseguir y a menudo la palanca más potente. La reducción completa del 40–70 % suele llegar entre las semanas 6 y 8, una vez desplegados el enrutamiento y la reducción de modelo validada por evaluación.
¿Es una colaboración puntual o continua?: Las dos cosas. La mayoría de los clientes contrata una implantación a precio cerrado y, después, una revisión trimestral para detectar la deriva: nuevas funcionalidades, nuevos modelos, prompts que se van desviando. El coste de los LLM es un objetivo vivo; una limpieza puntual no dura para siempre.

Manos sobre un teclado mecánico frente a un portátil y un monitor con código — Un martes cualquiera en uno de nuestros puestos de trabajo.

Quién lo construye

Nuestro propio equipo, que trabaja desde nuestra oficina en Istočno Sarajevo, Bosnia y Herzegovina. Los ingenieros de tu llamada para definir el alcance son quienes lo construyen.

Conoce al equipo

Optimización de costes de LLM: ¿hablamos?

Llamada de 30 minutos para definir el alcance. Sin compromiso ni presión comercial.