Ilustración conceptual original creada con ayuda de IA para SPKE. Las ramas representan la reutilización y la caducidad, no un rendimiento medido.
Empezar por la carga de trabajo
Una aplicación hace diez preguntas sobre el mismo documento. Su desarrollador ve una tarifa baja para los tokens de entrada en caché y espera una reducción similar en la factura. Esa expectativa pasa por alto las preguntas importantes: ¿se escribió realmente el prefijo reutilizable en la caché?, ¿coincidió cada solicitud con él?, ¿se reutilizó antes de que caducara?
Nuestra conclusión es que hay que comparar el coste por tarea aceptada con una secuencia temporal realista de solicitudes, no el mayor descuento anunciado para la caché. Este análisis se basa en documentación oficial revisada el 22 de octubre de 2026 e incluye un cálculo expresamente hipotético. SPKE no realizó pruebas comparativas de los proveedores. Esta documentación sin fecha se actualiza continuamente; la fecha de revisión no es una fecha de publicación, de anuncio ni de entrada en vigor.
Una comparación útil entre China y Estados Unidos
Los proveedores estadounidenses OpenAI y Anthropic y el proveedor chino DeepSeek ofrecen distintos controles. Su país de origen no permite predecir cuál es la configuración adecuada para una aplicación. Hay que comparar el modelo exacto, la API, la duración de la caché y la carga de trabajo.
La guía actual de OpenAI distingue GPT-5.6 y los modelos posteriores de los anteriores: los modelos más recientes tienen tarifas superiores para las escrituras en caché y límites específicos en los que se permite buscar coincidencias. La antigua suposición general de que escribir en la caché de OpenAI no tiene coste adicional ya no es segura. Guía de OpenAI
Anthropic indica tarifas de escritura distintas para una duración de la caché de cinco minutos y de una hora, mientras que las tarifas de lectura varían según el modelo. Por tanto, un único descuento para todo el proveedor no basta para preparar un presupuesto. Precios de Anthropic
El ejemplo de DeepSeek muestra que, tras A+B, A+C no encuentra una coincidencia en caché, antes de que un prefijo común A ya almacenado pueda servir para A+D. Repetir el texto, por sí solo, no basta. Caché de DeepSeek
Estas diferencias sugieren una pregunta de compra más útil que «¿qué país tiene la IA más barata?»: ¿qué implementación reutiliza de forma fiable nuestras solicitudes reales y ofrece la calidad que necesitamos? Es una comparación de ingeniería, no una clasificación de capacidades nacionales.
Un descuento no equivale a una reducción de la factura
Veamos un cálculo simplificado, no una oferta de precios. Consideremos únicamente un prefijo idéntico y apto para caché. Sea n el número total de solicitudes, incluida la primera escritura; w, el multiplicador del precio de escritura; y r, el multiplicador del precio de lectura, ambos respecto al precio de la entrada ordinaria. Supongamos una escritura y n−1 lecturas completas satisfactorias, sin caducidad ni reescrituras.
Coste sin caché, en unidades normalizadas: n. Coste con caché: w + (n−1) × r. Para 0 ≤ r < 1, la caché es más barata cuando n > (w−r)/(1−r).
Con los valores hipotéticos w = 1.25 y r = 0.1, diez solicitudes cuestan 2.15 unidades en lugar de 10. El ahorro en el prefijo es del 78.5%, aunque cada lectura sea un 90% más barata. Con w = 2 y r = 0.1, hacen falta al menos tres solicitudes en total para ahorrar; con w = 1.25, bastan dos.
Este es un umbral ideal que solo considera el prefijo. Las entradas dinámicas, las salidas generadas, las herramientas, los reintentos y las escrituras repetidas pueden cambiar el resultado por tarea. Una configuración que reduce la factura del prefijo, pero exige más trabajo de corrección, puede salir perdiendo en el balance total. Sustituya los multiplicadores hipotéticos por las tarifas actuales del modelo exacto antes de elaborar un presupuesto.
Tres formas de reutilización
Primero, una conversación secuencial amplía un historial conservado. Segundo, varias preguntas independientes parten de un documento compartido. Tercero, un lote paralelo arranca con la caché fría, antes de que haya una caché reutilizable disponible. Un mismo volumen de tokens repetidos no convierte estos casos en cargas de trabajo equivalentes.
En Anthropic, la caché está disponible después de que empiece la primera respuesta, y la ventana de cinco minutos comienza al iniciar la solicitud. Por eso importan tanto el momento de lanzamiento como las respuestas largas. Caché de Anthropic
Nuestra recomendación de diseño es separar el material de referencia estable de las preguntas cambiantes, mantener límites coherentes y probar la secuencia real de solicitudes. No inserte marcas de tiempo ni identificadores de solicitud antes del contenido estable sin comprobar su efecto. Tampoco añada llamadas de calentamiento a ciegas: consumen recursos y es posible que el usuario nunca llegue a hacer la siguiente solicitud.
Un plan de aceptación antes del despliegue
Utilice el mismo conjunto de tareas con requisitos de calidad definidos en cuatro condiciones: arranque en frío, reutilización con la caché caliente, pausas realistas y tráfico concurrente. Es una propuesta de plan de pruebas, no un experimento que hayamos realizado.
- Registre el modelo y su versión, la API, la estructura de las solicitudes, la configuración de la caché y el nivel de servicio. Mantenga comparables el contenido y los criterios de calidad.
- Normalice los campos de uso del proveedor en entrada ordinaria, escrituras en caché y lecturas de caché. Compruebe qué incluye cada campo antes de sumarlos para evitar la doble contabilización. Si un proveedor solo informa de entradas con o sin acierto en caché, no invente un cargo de escritura independiente.
- Calcule el coste total por tarea aceptada, incluidos los intentos fallidos, las salidas y las herramientas. Informe también de las tareas rechazadas, para que unos fallos más baratos no mejoren la cifra principal.
- Mida la latencia hasta el primer token y de extremo a extremo, incluidos los casos lentos, por ejemplo mediante el p95. Presente por separado los resultados en frío y en caliente.
- Cambie un solo factor cada vez: el límite del prefijo, la pausa o la concurrencia. Conserve una referencia y documente la causa de las ausencias de coincidencia en caché.
Qué comprar y qué no se puede deducir
Elija una configuración que cumpla los requisitos de calidad y latencia con el menor coste medido por tarea. Una tasa elevada de aciertos en caché no es, por sí sola, un criterio de éxito: un prompt repetido demasiado grande puede mejorar esa tasa y, al mismo tiempo, encarecer innecesariamente cada tarea.
Para los equipos que comparan API chinas y estadounidenses, lo aprovechable en otras evaluaciones es una carga de trabajo reproducible y un registro de costes normalizado. Ni un precio bajo para los tokens en caché ni un acierto en caché demuestran que las respuestas sean mejores. Este artículo establece un método de decisión; no declara ganador a ningún proveedor.