Cómo analizar tu archivo de uso de LLM

De dónde exportar el uso

Empieza donde el proveedor guarda los números. OpenAI expone el uso en dos sitios: la página de uso de la consola del proveedor, que resume la actividad por día y modelo del periodo de facturación en curso, y la API de uso, que devuelve los mismos datos como JSON: intervalos de tiempo, cada uno con resultados por modelo, con tokens de contexto, tokens generados y conteos de solicitudes. Merece la pena conocer esa forma JSON porque es la que puedes archivar, comparar y alimentar a herramientas sin capturas de pantalla. Un hábito que vale la pena empezar hoy: extrae la respuesta de la API una vez al mes y guárdala. Los proveedores conservan solo una ventana limitada de historial en la consola; tu propio archivo es el único registro completo de lo que gastaste de verdad, mes a mes.

Anthropic expone los informes de uso y coste a través de su consola y sus API de informes con el mismo espíritu: agregados por día y modelo, exportables como datos tabulares. Otros proveedores varían en pulido pero no en clase: una descarga CSV desde una página de uso o facturación, o un endpoint de API que devuelve filas con fecha. La forma genérica es todo lo que cualquier análisis necesita: una fecha, un nombre de modelo, tokens de entrada, tokens de salida y, con suerte, tokens en caché, conteos de solicitudes y una columna de coste. Si tu proveedor ofrece varios exports, quédate con el más granular: diario por modelo gana a mensual por proyecto, porque la agregación que haces tú siempre puede deshacerse, y la que hizo el proveedor no.

Qué contiene en realidad el archivo

Una fila de uso es una afirmación pequeña y densa: en esta fecha, este modelo atendió tantas solicitudes, leyó tantos tokens de entrada —de los cuales tantos estaban en caché— y escribió tantos tokens de salida. Lee un archivo con esas columnas y podrás reconstruir casi todo sobre la forma de una carga: si los mensajes son largos o cortos, si las respuestas son verbosas, si el tráfico es estable o a ráfagas, y qué modelos hacen el trabajo real. Lo que el archivo deliberadamente no contiene importa igual: ningún texto de mensajes, ninguna finalización, ningún contenido de usuario. Son conteos y nombres, y por eso puede manejarse con más libertad que el tráfico que describe — aunque, como argumenta la última sección, «con más libertad» no es «en cualquier sitio».

Dos columnas merecen sospecha antes de cualquier análisis. La primera es el coste: algunos exports traen el coste facturado, otros una estimación a precio de lista, y otros ninguno, y el archivo rara vez etiqueta cuál. Trata una columna de coste como la cifra del proveedor, pero verifica el intervalo de fechas y las filas omitidas o parciales antes de fiarte de un total. La segunda es la columna de tokens en caché, que los proveedores nombran de al menos cinco maneras distintas y a veces pliegan dentro del conteo de entrada en lugar de desglosarla. Si los tokens de entrada parecen inverosímilmente baratos o caros para el modelo, los encabezados son el primer sitio donde mirar — y por eso el analizador te muestra su asignación de columnas, detectada desde los encabezados, y te deja corregirla antes de que se calcule nada.

Qué buscar: tres patrones

Primero, la proporción de tokens en caché. Divide la entrada en caché entre la entrada total, por modelo. Las cargas con cualquier estructura repetida —un mensaje de sistema, un prefijo de documento, un esquema fijo de herramientas— deberían almacenar en caché una gran parte de su entrada, porque ese prefijo es idéntico en cada llamada. Una proporción cercana a cero en una carga así significa que la caché está desactivada, que la caché caduca entre llamadas, o que algo en el prefijo cambia en cada solicitud —una marca de tiempo, un id aleatorio, un campo reordenado— y la derrota en silencio. Corregir ese único número vale habitualmente más que renegociar el modelo, porque la entrada en caché se factura a una fracción de la tarifa completa en cada proveedor importante.

Segundo, la mezcla de modelos. Ordena los modelos por coste, no por solicitudes: la mezcla es sana cuando la cuota de coste del nivel caro coincide aproximadamente con la parte del trabajo que de verdad lo necesita. La deriva a vigilar es la cuota de coste de un modelo insignia que sube mes a mes mientras su cuota de solicitudes se mantiene plana: mensajes más largos, salidas más largas, o tráfico nuevo enrutado en silencio al modelo grande por un valor por defecto que nadie recuerda haber fijado. Tercero, la concentración y los picos: una clave de API, proyecto o modelo que domina el archivo es un dato de radio de explosión tanto como de coste, y un pico diario —sobre todo en fin de semana o de noche, cuando nadie trabajaba— es la firma de un bucle de reintentos, un agente descontrolado o una clave filtrada en uso. La tabla diaria existe para que ese pico sea imposible de pasar por alto.

Valorar un archivo que no trae costes

Muchos exports no tienen ninguna columna de coste, y entonces el análisis tiene que valorar el archivo por sí mismo. El analizador lo hace de la manera transparente: cada fila se valora desde la tabla de precios de LLM de este sitio —las tarifas de lista verificadas que también usa la calculadora de costes— con la propia fórmula del proveedor: entrada sin caché a la tarifa de entrada, entrada en caché a la tarifa de caché cuando existe, salida a la tarifa de salida. Los nombres de modelo se emparejan con rigor: exactamente, tras quitar un prefijo de proveedor, o tras eliminar un sufijo final de fecha o «latest». Ese rigor es el punto. Un emparejamiento más laxo y difuso acabaría valorando un ajuste fino como su modelo base o un avance como la versión final, y el total ganaría una confianza que no se ha ganado.

Por eso los modelos que no coinciden con nada se listan, no se adivinan. Sus tokens y solicitudes siguen contando —puedes ver su volumen y juzgar si el hueco importa—, pero su coste se deja en blanco, y el resultado se etiqueta con el origen de su dinero: el propio archivo, calculado desde la tabla, una mezcla, o ninguno. Sostén cualquier total calculado con ese estándar al leerlo: es aritmética a precio de lista sin conocimiento de tus descuentos, créditos, tarifas por lotes ni precios por niveles de contexto largo, así que no conciliará al céntimo con una factura. Lo que sí hace con fiabilidad es ordenar: qué modelos, qué días, qué patrones dominan la factura. En el trabajo de costes, el orden suele ser la parte relevante para decidir.

Privacidad, y una rutina mensual

Un archivo de uso no contiene texto de mensajes, pero sigue siendo operativamente sensible: nombra cada modelo que ejecutas, tus volúmenes por día, tu curva de crecimiento y tu gasto — una huella competitiva y relevante para la seguridad de cómo está construido un sistema. Por eso el analizador de uso de LLM analiza el archivo localmente en tu navegador y nunca lo sube. La regla general viaja mucho más allá de esta herramienta: cuanto más resume un archivo tu infraestructura, peor idea es pegarlo en un chat alojado o en un conversor desconocido, incluso cuando el archivo no contiene secretos en sentido literal. Los agregados también se filtran, solo que más en silencio.

Cierra con una rutina lo bastante pequeña para que ocurra de verdad. Una vez al mes: exporta el archivo, analízalo y anota cuatro números —el coste total y su fuente, la cuota de coste del modelo principal, la proporción de tokens en caché y el día individual más grande. Compáralos con los cuatro números del mes pasado. Esa diferencia de cinco minutos atrapa la deriva, el pico y la caché derrotada mientras aún son baratos, y en un año construye el archivo que ninguna consola de proveedor guardará por ti. Las facturas sorprenden a quien solo lee facturas. Rara vez sorprenden a quien lee el uso.

Preguntas frecuentes