Herramientas

Interactivo

¿Cuánto será la factura cloud?

Parte de una configuración típica y cambia los tamaños. Obtienes una estimación mensual a precios de lista de Azure, dividida por lo que la genera, y la palanca para la parte más grande.

• Cómputo1679 US$ · 53%
• Logs909 US$ · 29%
• Base de datos310 US$ · 10%
• Transferencia165 US$ · 5%
• Discos108 US$ · 3%
• Almacenamiento9,80 US$ · 0%

Azure West Europe, precios de lista pay-as-you-go en USD a 8 de noviembre de 2026 (Azure Retail Prices API): cómputo a D4s v5 Linux, discos a Premium SSD P10, base de datos a PostgreSQL flexible server General Purpose (solo cómputo), transferencia por la red de Microsoft tras 100 GB gratis, logs a Log Analytics (Analytics logs). No incluye: reservas, licencias, copias de seguridad, soporte, impuestos.

Azure Retail Prices API

Interactivo

¿Cuánto cuesta al mes una función de IA?

Introduce tu tráfico y el tamaño de los prompts. Verás la factura mensual en tu modelo, en todos los modelos actuales, y cuánto ahorran el caché de prompts y enviar las peticiones simples a un modelo pequeño.

El mismo tráfico en cada modelo (con tu caché, sin enrutado)

• Claude Haiku 5.5 Anthropic27 US$
• GPT-6 Luna OpenAI27 US$
• Gemini 3.5 Flash-Lite Google112 US$
• GPT-6.1 Terra OpenAI274 US$
• Gemini 3.8 Flash Google410 US$
• Claude Sonnet 5.5 Anthropic547 US$
• GPT-6.1 Sol OpenAI547 US$
• Claude Opus 5.5 Anthropic1094 US$
• Gemini 4 Argon Google1094 US$
• Claude Fable 5.1 Anthropic2736 US$
• GPT-6 Astra OpenAI2736 US$

Precios de lista estándar por millón de tokens a 8 de noviembre de 2026. No incluye: escrituras en caché, recargos de contexto largo, herramientas y búsqueda, impuestos. Gemini 4 Argon y 3.8 Flash con su precio normal; los descuentos de lanzamiento duran hasta el 30 de noviembre y el 31 de diciembre de 2026. Los precios cambian: revisa las páginas de precios antes de presupuestar.

Anthropic · OpenAI · Google

Interactivo

¿Compensa el compromiso?

Una reserva o un savings plan es más barato por hora, pero lo pagas lo uses o no. Aquí ves a partir de qué uso compensa y cuánto queda a lo largo del plazo.

Mi regla: comprar después del ajuste de tamaño, y solo para la base que lleva meses estable. Por debajo del equilibrio pagas capacidad que no usas.

Interactivo

¿Cuánto cuestan tus logs?

Volumen y retención de logs, con precios de Azure, AWS y Google Cloud. Casi siempre la factura viene de lo que escribes, no de cuánto tiempo lo guardas.

Escribir supone aquí el 87–95 % del coste: registrar menos (nivel debug, health checks, servicios ruidosos) ahorra más que acortar la retención.

Precios de lista en USD a 8 de noviembre de 2026: Azure Log Analytics (Analytics logs, West Europe, 31 días incluidos), AWS CloudWatch Logs (Standard, Fráncfort; el almacenamiento se cobra comprimido, así que es un máximo), Google Cloud Logging (30 días incluidos, primeros 50 GiB por proyecto y mes gratis; GiB contados como GB). No incluye los gratuitos de Azure y AWS, niveles de log más baratos ni archivo.

Azure Retail Prices API · Azure Monitor Logs · AWS CloudWatch · Google Cloud

Interactivo

¿Cuántos nodos necesitan de verdad tus requests?

Mueve los controles a tus cifras. Las requests deciden dónde caben los pods, así que unas requests infladas compran nodos que nadie usa.

Solo CPU, alrededor del 90 % de un nodo es asignable, mínimo 2 nodos por disponibilidad. Revisa la memoria igual antes de quitar un nodo.

Interactivo

¿Qué equipo para un LLM local?

Elige un modelo y cómo lo vas a usar. Verás cuánta memoria necesita y las máquinas más pequeñas que lo soportan, desde un mini PC hasta un servidor con GPU.

Todas las opciones, aproximadamente de menor a mayor inversión

• PC con GeForce RTX 5090Se queda corto

  Rápida para modelos que caben en 32 GB. Tarjeta de consumo: ruidosa, caliente, sin memoria ECC, 575 W de potencia gráfica total.

• Mini PC con AMD Ryzen AI Max+ 395Cabe · 128 GB

  La vía más barata a mucha memoria: hasta 128 GB de LPDDR5x-8000 de 256 bits (unos 256 GB/s) compartidos con la gráfica Radeon 8060S, de 45 a 120 W. Funciona con llama.cpp, LM Studio y Ollama.

  ≤ 7 tokens/s, límite superior para un usuario en esa máquina

• NVIDIA DGX SparkCabe · 128 GB

  Superchip GB10 con 128 GB de memoria unificada y toda la pila CUDA. 273 GB/s limitan los modelos densos grandes; brilla con mixture-of-experts, desarrollo y pruebas de fine-tuning.

  ≤ 8 tokens/s, límite superior para un usuario en esa máquina

• Mac Studio M5 MaxCabe · 128 GB

  Hasta 128 GB de memoria unificada a 460–614 GB/s, y silencioso. MLX, llama.cpp, Ollama y LM Studio funcionan bien.

  ≤ 13–18 tokens/s, límite superior para un usuario en esa máquina

• Workstation o servidor con RTX PRO 6000 Blackwell (1–2)Cabe · 96 GB

  96 GB ECC GDDR7 a 1.792 GB/s y 600 W por tarjeta: la más rápida por usuario. Una o dos con vLLM forman un servidor para un equipo.

  ≤ 51 tokens/s, límite superior para un usuario en esa máquina

• Servidor en rack con 2× L40SCabe · 96 GB

  Dos GPUs de centro de datos de 48 GB con vLLM delante: la otra configuración de equipo del artículo para modelos de 30B a 70B.

• Mac Studio M5 UltraCabe · 512 GB

  Hasta 512 GB de memoria unificada a 1,2 TB/s, con 480 W continuos como máximo: la forma más sencilla de tener un modelo muy grande en el escritorio.

  ≤ 34 tokens/s, límite superior para un usuario en esa máquina

• NVIDIA DGX Station (GB300)Cabe · 748 GB

  Una máquina de sobremesa con el superchip GB300 y 748 GB de memoria coherente, 252 GB de ellos HBM3e.

• Servidor con H200 (hasta 8)Cabe · 141 GB

  141 GB HBM3e a 4,8 TB/s y hasta 700 W por GPU; ocho superan el terabyte. vLLM reparte el modelo entre las GPUs.

• NVIDIA DGX B200Cabe · 1440 GB

  Ocho GPUs B200 con 1.440 GB HBM3e y 64 TB/s en total, unos 14,3 kW el sistema. Energía, refrigeración y operación pasan a ser el proyecto mayor.

Estimación para planificar, no un benchmark. Memoria = parámetros × bytes por parámetro, más un 20 % para la caché KV (documentos largos o pocas personas: +50 %, un equipo: +100 %, factores aproximados). Las máquinas con memoria unificada reservan un 10 % para el sistema. El límite de velocidad es el ancho de banda de memoria dividido entre los pesos leídos por token (solo los activos en mixture-of-experts); las cifras reales son menores. Datos de equipos de las fichas técnicas de los fabricantes, enlazadas en el artículo (ancho de banda del Ryzen calculado a partir de su LPDDR5x-8000 de 256 bits). Antes de comprar, prueba tu modelo y tus prompts dos semanas en GPUs alquiladas.

Interactivo

¿Qué GPU necesita tu modelo?

Elige tamaño del modelo y precisión. Los pesos ocupan parámetros × bytes por parámetro; un 20 % más cubre la caché KV con contextos normales.

• 1× 24 GB (RTX 4090)
• 1× 32 GB (RTX 5090)
• 1× 48 GB (L40S)
• 1× 80 GB (H100)
• 1× 96 GB (RTX PRO 6000 Blackwell)
• 1× 141 GB (H200)

Regla práctica para planificar, no un benchmark. Contextos largos y muchos usuarios en paralelo necesitan más caché KV; 4 bits cuesta algo de calidad.

Interactivo

¿Cuánto cuesta alojar un modelo mixture-of-experts?

Todos los expertos deben estar en la memoria de la GPU, pero cada token solo pasa por los activos. La memoria escala con los parámetros totales y la velocidad con los activos.

Estimación para planificar: pesos más un 15 % para caché KV y ejecución. El rendimiento real depende del tamaño de lote, la interconexión y el motor de serving.

Interactivo

¿Tu air gap es algo más que una regla de firewall?

Marca lo que ya tiene tu enclave. En los huecos suelen empezar los hallazgos de auditoría y las caídas.

• Un modelo de amenazas escrito: qué no debe salir nunca y qué no debe entrar
• Una vía de transferencia definida con escaneo, checksum y verificación de firma
• Un registro privado espejo que solo acepta imágenes firmadas
• Un SBOM de todo lo que se importa
• GitOps desde un servidor Git dentro del enclave
• Una fuente de hora dentro del enclave
• Monitorización, logs y alertas se quedan dentro
• Un ritmo fijo de parches con paquetes de actualización probados
• Acceso de emergencia documentado y ensayado
• Se ha probado una restauración dentro del enclave

Interactivo

¿Tu app hecha con IA está lista para producción?

Marca lo que ya se cumple. Lo que queda es tu lista de tareas, en orden.

• El código vive en Git; los cambios pasan por pull requests
• Ninguna clave secreta en el frontend; las del servidor, solo en el servidor
• Seguridad a nivel de fila (o equivalente) en cada tabla
• Cambios de base de datos como migraciones versionadas
• Un entorno de staging separado con sus propios datos
• Tests automáticos antes de cada merge
• Prueba rápida tras cada despliegue y vuelta atrás con un clic
• Copias cifradas fuera del proveedor de hosting
• Se ha probado de verdad una restauración
• Comprobaciones de disponibilidad y negocio que avisan a una persona
• Alertas de presupuesto en las facturas de cloud e IA
• Privacidad básica: mapa de datos, borrado bajo petición, contratos de encargo

Interactivo

¿Qué modo encaja con tu tarea?

Responde tres preguntas sobre la tarea que quieres que el agente te quite de encima.

1. 1.¿Tiene una meta que una máquina pueda comprobar (tests en verde, archivo creado, métrica alcanzada)?

   SíNo

2. 2.¿Debe repetirse cada cierto tiempo o vigilar algo?

   SíNo

3. 3.¿Debe funcionar con tu portátil apagado, o arrancar por horario, llamada a una API o evento de GitHub?

   SíNo

Interactivo

¿Qué ajustes de Codex encajan con tu tarea?

Elige la situación. Obtienes el modo sandbox, la política de aprobación y la configuración para copiar, con los nombres de la documentación de Codex (noviembre de 2026).

El preset de automatización de menor riesgo de la documentación: edita en el workspace y pregunta antes de lo demás.

# ~/.codex/config.toml
sandbox_mode = "workspace-write"
approval_policy = "on-request"

[sandbox_workspace_write]
network_access = false

Interactivo

Los tres, lado a lado

Elige lo que más te importa. Datos de noviembre de 2026, de la documentación y los changelogs de cada proveedor (ver fuentes).

Interactivo

¿Qué plan de Claude encaja con tu forma de trabajar?

Elige la descripción que más se parezca a ti. Planes y precios tras el cambio del 30 de octubre de 2026 (USD), según la página de precios y el centro de ayuda de Anthropic.

Interactivo

¿Qué tan preparada está tu marca para las respuestas de IA?

Marca lo que ya se cumple. Lo que queda es tu lista GEO, lo más importante primero.

• Los datos de marca son idénticos en la web, Perfil de Empresa de Google, LinkedIn y directorios
• Las páginas clave responden la pregunta principal en el primer párrafo
• Datos estructurados Organization o LocalBusiness en las páginas clave
• Una decisión escrita en robots.txt para GPTBot, PerplexityBot y Google-Extended
• El contenido clave está en el HTML, no solo tras ejecutar JavaScript
• Páginas de FAQ y comparativas sobre lo que de verdad pregunta la gente
• Fichas y reseñas cuidadas en los portales de tu sector
• Datos propios o conocimiento que otros puedan citar
• Visitas llegadas desde IA medidas aparte en la analítica
• Cuota de respuestas de IA medida para tus preguntas clave (Semrush, Peec AI)

Interactivo

¿Qué le preguntan tus clientes a una IA?

Elige un sector y las intenciones que te interesan. Los ejemplos salen de plantillas en tu navegador; la investigación real genera cientos por página con un modelo abierto a partir de tu sitemap.

1. ¿Cuál es el mejor restaurante de Munich?
2. ¿Qué restaurante de Munich recomienda la gente de allí?
3. Compara las tres mejores opciones de restaurante en Munich por precio y reseñas
4. ¿Tu marca u otro restaurante en Munich: qué es mejor para un equipo pequeño?
5. ¿Dónde puedo reservar un restaurante en Munich para este fin de semana?
6. Encuentra un restaurante en Munich con disponibilidad mañana