LLM Token Cost Calculator — Applied Agentic AI for Organizational Transformation

Workload presets:Perfiles de carga: i

Input tokens per requestTokens de entrada por petición i 2,000

Output tokens per requestTokens de salida por petición i 500

Requests per monthPeticiones por mes i 10,000

Cache hit rateTasa de acierto de caché i 20%

Or size it from a real interaction — both sliders follow your text O calcula desde una interacción real — ambos deslizadores siguen tu texto i

Popular prompts:Prompts populares:

Input — the promptEntrada — el prompt

Paste a prompt or pick a sample above.Pega un prompt o elige un ejemplo arriba.

Output — the model's answerSalida — la respuesta del modelo

Paste an answer or pick a sample above.Pega una respuesta o elige un ejemplo arriba.

CheapestMás económico

—

Most expensiveMás costoso

—

Price spreadDiferencial de precio

—

cheapest vs. priciest for this workloadmás económico vs. más costoso para esta carga

Best value, adjustedMejor valor, ajustado

—

Largest contextMayor contexto

—

FastestMás rápido

—

Model comparisonComparación de modelos

Rank by:Ordenar por: i

ModelModelo	ContextContexto i	Input $/1MEntrada $/1M i	Cached $/1MCaché $/1M i	Output $/1MSalida $/1M i	Speed (t/s)Velocidad (t/s) i	OverheadOverhead i	Cost / monthCosto / mes i

Cheapest per token is not cheapest per task. Reasoning models spend output tokens "thinking," and some spend far more than others to finish the same work: Claude Opus 5.5 generated ~260M output tokens on the Artificial Analysis Intelligence Index v4.3 versus GPT-5.6 Sol's ~90M reference on the same evaluation (2.9× thinking overhead) ^{[49] [54]}. The efficiency-adjusted ranking multiplies each model's output tokens by its thinking overhead — watch how the gap between "cheap" and "expensive" models narrows or flips.

Lo más económico por token no es lo más económico por tarea. Los modelos de razonamiento consumen tokens de salida "pensando", y algunos gastan mucho más que otros para finalizar el mismo trabajo: Claude Opus 5.5 generó ~260M de tokens de salida en el Índice de Inteligencia v4.3 de Artificial Analysis frente a los ~90M de referencia de GPT-5.6 Sol en la misma evaluación (2.9× de overhead de razonamiento) ^{[49] [54]}. La clasificación ajustada por eficiencia multiplica los tokens de salida de cada modelo por su overhead de pensamiento — observa cómo la brecha entre modelos "económicos" y "costosos" se reduce o se invierte.

Why Meta is now included: Meta has published per-token API pricing for its Muse Spark family since Muse Spark 1.1's July 2026 launch — $1.25 / $4.25 per million input/output tokens, $0.15 cached — and kept those rates for Muse Spark 1.3 in October 2026 ^{[16] [57] [58]}. Muse Spark 1.3 scores 48 on the Artificial Analysis Intelligence Index v4.3 ^[57], ahead of Kimi K3 (44) ^[28], and costs less at every rate with faster output, so it takes Kimi K3's place. Selection rule: a mix of the highest-capability and best-value models with published per-token pricing, maximum two per company.

Por qué ahora se incluye Meta: Meta ha publicado precios de API por token para su familia Muse Spark desde el lanzamiento de Muse Spark 1.1 en julio de 2026 — $1.25 / $4.25 por millón de tokens de entrada/salida, $0.15 en caché — y mantuvo esas tarifas para Muse Spark 1.3 en octubre de 2026 ^{[16] [57] [58]}. Muse Spark 1.3 obtiene 48 en el Índice de Inteligencia v4.3 de Artificial Analysis ^[57], por encima de Kimi K3 (44) ^[28], y cuesta menos en todas las tarifas con salida más rápida, por lo que ocupa el lugar de Kimi K3. Regla de selección: una combinación de modelos de máxima capacidad y mejor relación calidad-precio con precios publicados por token, máximo dos por empresa.

Roster update, October 19, 2026: GPT-6 Astra replaces GPT-5.5 Pro. It is OpenAI's current flagship at $10 / $50 per million tokens with a $1 cache-read rate — a third of GPT-5.5 Pro's $30 / $180, which had no cache discount — and scores 53 on the Artificial Analysis Intelligence Index (#7) ^{[59] [60] [61]}. Gemini 4 Argon replaces Gemini 3.1 Pro: Google's new frontier model scores 53 (#8) at an introductory $2 / $10 per million ($0.10 cached) through November 30, 2026; from December 1 the list price doubles to $4 / $20 ($0.20 cached) ^{[62] [63]}. Prompts above 272K input tokens on GPT-6 Astra bill at 2× input and 1.5× output ^[59]. Artificial Analysis has not yet published an output speed for Argon; the figure shown is OpenRouter's P50 throughput on Google's own endpoints ^[64].

Actualización de la lista, 19 de octubre de 2026: GPT-6 Astra sustituye a GPT-5.5 Pro. Es el modelo insignia actual de OpenAI a $10 / $50 por millón de tokens con lectura de caché a $1 — una tercera parte de los $30 / $180 de GPT-5.5 Pro, que no tenía descuento de caché — y obtiene 53 en el Índice de Inteligencia de Artificial Analysis (#7) ^{[59] [60] [61]}. Gemini 4 Argon sustituye a Gemini 3.1 Pro: el nuevo modelo frontera de Google obtiene 53 (#8) a un precio introductorio de $2 / $10 por millón ($0.10 en caché) hasta el 30 de noviembre de 2026; desde el 1 de diciembre el precio de lista sube al doble, $4 / $20 ($0.20 en caché) ^{[62] [63]}. En GPT-6 Astra, los prompts con más de 272K tokens de entrada se cobran a 2× la entrada y 1.5× la salida ^[59]. Artificial Analysis aún no publica velocidad de salida para Argon; la cifra mostrada es el rendimiento P50 de OpenRouter en los endpoints de Google ^[64].

Assignment 1.1 — Evaluating the cost of AI systemsTarea 1.1 — Evaluación del costo de sistemas de IA

A fraction of a cent per interaction sounds harmless — until you multiply it by a million users. This lab replicates the two tools from the assignment on one page: a tokenizer (like OpenAI's Tokenizer) and a multi-model pricing calculator (like GPT for Work). Work through the four steps, experiment with the scenarios, then write your 150–300 word reflection. Token counts here are close estimates — use the official tokenizer for the exact numbers in your submission.

Una fracción de centavo por interacción parece inofensiva — hasta que la multiplicas por un millón de usuarios. Este laboratorio replica las dos herramientas de la tarea en una sola página: un tokenizador (como el Tokenizador de OpenAI) y una calculadora de precios multi-modelo (como GPT for Work). Avanza por los cuatro pasos, experimenta con los escenarios y luego redacta tu reflexión de 150–300 palabras. Los conteos de tokens aquí son estimaciones cercanas — utiliza el tokenizador oficial para los números exactos de tu entrega.

1 Run a transactionEjecutar una transacción

Pick a business question a client might ask your bot — customer service, HR, sales, or IT. Every interaction has an input (the question, plus any hidden system instructions) and an output (the model's answer). Load a sample or paste your own real exchange below.

Elige una consulta de negocio que un cliente le haría a tu bot (atención a clientes, RRHH, ventas o TI). Cada interacción tiene una entrada (la pregunta más instrucciones del sistema) y una salida (la respuesta del modelo). Carga un ejemplo o pega tu propio intercambio real debajo.

Samples:Ejemplos:

2 Count the tokensContar los tokens

Models don't read words — they read tokens. In English, one token is roughly 4 characters or ¾ of a word; punctuation and spaces count, and other languages (including Spanish) often need more tokens per word. You pay for every token in, and every token out. i

Los modelos no leen palabras — leen tokens. En inglés, un token equivale aprox. a 4 caracteres o ¾ de palabra; la puntuación y espacios cuentan, y otros idiomas (incluyendo español) suelen requerir más tokens por palabra. Pagas por cada token de entrada y cada token de salida. i

Input — the client's questionEntrada — la pregunta del cliente

—

Illustrative token boundaries — the real tokenizer splits on learned subwords, not every 4 characters.Límites ilustrativos de tokens — el tokenizador real divide en subpalabras aprendidas, no cada 4 caracteres.

Output — the model's answerSalida — la respuesta del modelo

—

3 Scale itEscalar a producción

One interaction costs a fraction of a cent. Now imagine your bot in production. How many of these conversations happen per month?

Una sola interacción cuesta una fracción de centavo. Ahora imagina tu bot en producción. ¿Cuántas de estas conversaciones ocurren al mes?

API calls per month:Llamadas por mes:

—

ModelModelo	$ / interaction$ / interacción	$ / month at scale$ / mes a escala	RelativeRelativo

List prices, same 10 models as the calculator tab. No caching or thinking-overhead adjustments here — switch to the Cost calculator tab to model those effects. Precios de lista, los mismos 10 modelos que en la pestaña de calculadora. Sin ajustes de caché ni de overhead aquí — cambia a la pestaña de Calculadora de costos para modelar esos efectos.

4 Write your reflection (150–300 words)Escribe tu reflexión (150–300 palabras)

Your submission (Word or PDF) should explain:

Tu entrega (Word o PDF) debe explicar:

How exactly you had imagined implementing AI
Exactamente cómo habías imaginado implementar la IA
Which specific parameters you experimented with
Con cuáles parámetros específicos experimentaste
What the results were
Cuáles fueron los resultados
What information you would need to make your final decisions
Qué información necesitarías para tomar tus decisiones finales

Experiment first: what if questions are short? What if answers are long? What happens between 10,000 and 1,000,000 queries per month? Then copy your numbers into your document.

Experimenta primero: ¿qué pasa si las preguntas son cortas? ¿Y si las respuestas son largas? ¿Qué ocurre entre 10,000 y 1,000,000 de consultas al mes? Luego copia tus números en tu documento.

ReferencesReferencias

Los títulos de las fuentes se citan en su idioma original.