Cómo reducir tu factura de la API de Claude (Opus 4.8 y Fable 5)

Tu factura de Claude se compone principalmente de tokens de entrada, no de salida. La API es sin estado, por lo que en cada turno reenvías el historial completo de la conversación: el prompt del sistema, las definiciones de herramientas, los documentos que pegaste y cada mensaje anterior. En un ciclo largo de agente o una sesión de Claude Code, ese contexto reenviado se acumula rápidamente, y pagas por ello en cada solicitud. La salida es la parte pequeña de la factura.

Así que las palancas que realmente mueven tu factura son las que reducen lo que envías, bajan la tarifa por token o evitan que reenvíes contexto muerto. Esta guía detalla las concretas, primero las propias, luego un proxy de terceros (pxpipe) que adopta un ángulo diferente, y finalmente dónde encaja una API simulada mientras sigues construyendo.

Si primero quieres los fundamentos de precios (cómo funciona el medidor, qué es un token, cómo se factura el almacenamiento en caché y el procesamiento por lotes), nuestra explicación del costo de la API de Claude cubre ese terreno. Esta publicación se centra en reducir la factura, por lo que no repetiremos la teoría de precios en detalle.

button

Palanca 1: Almacenamiento en caché de prompts

El almacenamiento en caché de prompts es el cambio de mayor rendimiento para la mayoría de las cargas de trabajo de agente. Marcas un prefijo estable (prompt del sistema, definiciones de herramientas, documentos de referencia largos) como almacenable en caché, y Claude lo guarda. En la siguiente solicitud que comience con los mismos bytes, lees de la caché en lugar de pagar el precio completo de entrada para reprocesarlo.

La economía es sólida. Las lecturas de caché cuestan aproximadamente 0.1x la tarifa de entrada base, por lo que ahorras hasta un ~90% en la parte almacenada en caché. Las escrituras de caché cuestan más que un token de entrada normal: 1.25x para el TTL de 5 minutos, o 2x para el TTL de 1 hora. Esa prima de escritura es la razón por la que el almacenamiento en caché solo vale la pena cuando reutilizas el prefijo. El punto de equilibrio es aproximadamente 2 solicitudes para la caché de 5 minutos y unas 3 para la caché de 1 hora. Si un prefijo se usa una vez y se desecha, el almacenamiento en caché te cuesta dinero; si se usa docenas de veces, es casi gratis después de la primera escritura.

El problema es que el almacenamiento en caché es una coincidencia de prefijo a nivel de byte. Cualquier cambio dentro de la región almacenada en caché la invalida y fuerza una escritura nueva y a precio completo. El culpable habitual es una variable que se cuela en la parte "estable": una marca de tiempo en el prompt del sistema, un ID de sesión, un contador de solicitudes, una lista de herramientas reordenada. Te parece estable a ti y se lee como nuevos bytes para la caché.

Verifica que el almacenamiento en caché realmente funciona. Lee usage.cache_read_input_tokens en tus respuestas. En solicitudes repetidas que comparten un prefijo, ese número debería ser grande y no cero. Si se queda en cero, algo en tu prefijo está cambiando en cada llamada, y estás pagando el precio completo creyendo que estás usando la caché. Para conocer la mecánica de lo que se almacena en caché y por qué, consulta qué es el almacenamiento en caché de prompts y cómo funciona.

Palanca 2: Ajusta el tamaño del modelo

El despilfarro más común es ejecutar un modelo más grande de lo que la tarea necesita. Claude te ofrece una clara escala de precios, y el enrutamiento por tarea en lugar de por defecto a un solo modelo suele ser la mayor reducción en la factura que obtendrás.

Aquí está la tabla actual de precios por 1M de tokens:

Modelo	Model ID	Entrada	Salida	Ventana de contexto
Fable 5	`claude-fable-5`	$10	$50	1M
Opus 4.8	`claude-opus-4-8`	$5	$25	1M
Sonnet 5	`claude-sonnet-5`	$3 ($2 intro)	$15 ($10 intro)	1M
Haiku 4.5	`claude-haiku-4-5`	$1	$5	200K

Algunas cosas a interpretar de esa tabla. Fable 5 cuesta el doble que Opus 4.8 tanto en entrada como en salida, lo que lo convierte en el modelo de lanzamiento amplio más caro. Opus 4.8 tiene una ventana de contexto completa de 1M de tokens sin prima por contexto largo, por lo que no pagas extra por alimentarle un gran codebase. Sonnet 5 funciona a un precio introductorio de $2/$10 hasta el 31/08/2026, luego pasa a $3/$15. Haiku 4.5 es el mínimo con $1/$5, con una ventana más pequeña de 200K.

Asigna el modelo a la tarea:

Fable 5 para el razonamiento más difícil a largo plazo donde la capacidad extra realmente cambia el resultado. Usar Fable por defecto cuando Opus habría servido es la forma más común en que los equipos duplican su factura sin motivo.
Opus 4.8 para la mayoría de trabajos de agente y codificación. Es el valor por defecto sensato para Claude Code y bucles con muchas herramientas.
Sonnet 5 para tráfico de producción de alto volumen donde necesitas buena calidad a una tarifa más baja.
Haiku 4.5 para tareas simples o críticas por velocidad: clasificación, extracción, enrutamiento, respuestas cortas.

Un detalle de facturación en Fable 5: si un clasificador de seguridad rechaza una solicitud, el parámetro beta fallbacks puede redirigir ese turno a Opus 4.8, y el turno redirigido se factura a tarifas de Opus. Esto suele ser un descuento, no un cargo sorpresa, pero vale la pena saber que tu tráfico de Fable puede mostrar líneas con precios de Opus.

Para desgloses de costos más profundos en los dos niveles más caros, consulta precios de Opus 4.8, precios de Fable 5, y la comparación directa en Fable 5 vs Opus 4.8 para saber cuándo vale la pena el factor 2x. Si quieres probar los niveles superiores a bajo o ningún costo mientras evalúas, cubrimos usar Opus 4.8 gratis y llamar a la API de Fable 5 directamente.

Palanca 3: API por lotes (50% de descuento)

Si tu trabajo no necesita una respuesta en tiempo real, la API por lotes reduce a la mitad el costo de cada token. Envías trabajos a /v1/messages/batches, se ejecutan asincrónicamente y recibes los resultados. La mayoría de los lotes terminan en una hora; el límite máximo es de 24 horas. El descuento del 50% se aplica a todo el uso de tokens en el lote, tanto de entrada como de salida.

El encaje es limitado pero valioso. El procesamiento por lotes es para trabajos que pueden esperar:

Ejecución de evaluaciones en un conjunto de pruebas.
Clasificación o extracción masiva sobre un backlog.
Relleno de resúmenes, etiquetas o metadatos adyacentes a incrustaciones para registros existentes.
Cualquier trabajo grande fuera de línea donde unos minutos de latencia no te cuestan nada.

Si la mitad de tu gasto en Claude es procesamiento nocturno que actualmente ejecutas a través del endpoint síncrono, moverlo a lotes es un recorte directo del 50% en esa mitad sin cambio de calidad. Es la victoria más barata en esta lista de considerar, porque la única contrapartida es la latencia que de todos modos no estabas usando.

Palanca 4: Ajusta el esfuerzo, max_tokens y count_tokens

Tres configuraciones controlan cuánto puede gastar una sola solicitud, y establecerlas deliberadamente evita que los costos aumenten.

Esfuerzo (Effort). El parámetro output_config.effort toma los valores low, medium, high, xhigh o max. Gobierna cuánto "piensa" el modelo antes de responder, y los tokens de pensamiento se facturan. Un esfuerzo menor significa menos tokens de pensamiento y de salida. Muchas tareas que se ejecutan en high por costumbre producen la misma respuesta en medium o low por menos dinero. Prueba a bajar uno o dos pasos y comprueba si la calidad se mantiene.

max_tokens. Es un límite estricto para la salida. No reducirá el costo de una respuesta que iba a ser corta, pero limita el caso descontrolado: un modelo que decide emitir un ensayo de 4.000 tokens cuando querías un objeto JSON. Establécelo en un límite razonable para la tarea para que una sola respuesta verbosa no infle una partida.

count_tokens. Estima el costo antes de enviar. El endpoint count_tokens te dice exactamente cuántos tokens de entrada facturará una solicitud, usando el propio tokenizador de Claude. No uses tiktoken para esto. Tiktoken es el tokenizador de OpenAI y subestima a Claude en aproximadamente un 15 a 20%, por lo que presupuestar con él significa que tu factura real será significativamente más alta que tu estimación. Si estás cerca de un presupuesto por solicitud, count_tokens es la forma de detectar un prompt sobredimensionado antes de que te cueste.

Palanca 5: Recorta el contexto que reenvías

Dado que la API es sin estado, un ciclo de agente largo reenvía todo su historial en cada turno, y la mayor parte de ese historial es peso muerto en el turno 30: salidas de herramientas en las que ya actuaste, exploración que ya superaste, archivos que leíste una vez. Sigues pagando el precio completo de entrada para reenviar todo eso.

Dos funciones del lado del servidor lo podan por ti:

Edición de contexto (clear_tool_uses_20250919) elimina los resultados de herramientas obsoletos del contexto que se reenvía, de modo que las llamadas a herramientas antiguas dejan de facturarse en cada turno posterior.
Compactación (compact_20260112) resume el historial anterior en un formato más corto, de modo que una conversación larga deja de llevar su transcripción completa y original.

Ambas se ejecutan en el servidor, lo que significa que no tienes que crear un resumidor manualmente ni cortar arreglos de mensajes. Específicamente para sesiones de Claude Code de larga duración, esta es la misma presión detrás de alcanzar los límites de contexto a mitad de la tarea; nuestra guía sobre la ventana de tokens de Claude Code y los reinicios cubre cómo se desarrolla eso en el editor. La conclusión sobre la facturación es simple: deja de pagar por reenviar contexto que el modelo ya no necesita.

Yendo más allá: renderiza el contexto como imágenes con pxpipe

Todas las palancas de primera parte reducen o re-evalúan los tokens que envías. pxpipe ataca el mismo coste de token de entrada desde una dirección diferente: renderiza el contexto voluminoso y estable como imágenes para que se tokenice más barato.

Qué es. pxpipe es un proxy local (con licencia MIT, escrito en TypeScript) que se sitúa entre tu cliente y la API de Anthropic. Apuntas ANTHROPIC_BASE_URL hacia él, e inspecciona cada solicitud en su salida.

Cómo reduce el coste. El texto denso es caro por token. pxpipe reescribe las partes voluminosas y estables de una solicitud (prompt del sistema, documentos de herramientas, historial antiguo) en imágenes PNG compactas antes de que la solicitud salga de tu máquina. El contenido denso tiene aproximadamente 3.1 caracteres por token de imagen frente a aproximadamente 1 carácter por token de texto, por lo que la imagen de ese contenido puede reducir sus tokens de entrada en un gran margen. El proyecto informa que un ejemplo de prompt del sistema más documentos de herramientas de ~48k caracteres se traduce en aproximadamente 2.7k tokens de imagen frente a aproximadamente 25k como texto. Críticamente, utiliza puertas de rentabilidad: solo imagen el contenido donde las matemáticas de tokens realmente ganan, y la prosa dispersa pasa como texto sin cambios.

Instalar y ejecutar. Dos comandos:

npx pxpipe-proxy

Eso inicia el proxy en 127.0.0.1:47821. Luego apunta Claude Code a él:

ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude

Soporte de modelos. Por defecto, pxpipe renderiza imágenes para solicitudes de claude-fable-5 y GPT 5.6. Opus 4.7/4.8 y GPT 5.5 son opcionales, porque el proyecto informa que leen el contexto en imágenes notablemente peor. Los habilitas con la variable de entorno PXPIPE_MODELS (o el panel de control en la URL del proxy). Todo lo demás pasa sin cambios.

Ahorros reportados. Estos son los números reportados y de referencia del propio proyecto, no cifras que hayamos verificado independientemente. pxpipe informa de una instantánea de producción de 59% de ahorro, una factura de $100 que se reduce a aproximadamente $41 en 13,709 solicitudes, y un piloto de SWE-bench Lite con una reducción del 65% en el tamaño de las solicitudes. Trátalos como puntos de referencia del proveedor y confírmalos con tu propio tráfico.

Las contrapartidas honestas. La imaginería no es dinero gratis.

Interactúa con el almacenamiento en caché de prompts. La imagen cambia los bytes de la solicitud, y tu prefijo en caché es una coincidencia de bytes. El almacenamiento en caché y la imaginería apuntan al mismo costo de tokens de entrada, por lo que pueden contrarrestarse entre sí: el cambio que hace que la imaginería gane puede ser el cambio que altera tu región en caché. Qué enfoque ahorra más depende de tu prefijo específico y patrón de reutilización. Mide ambos en tu propia carga de trabajo en lugar de asumir que se acumulan.
El modelo lee el contexto en imágenes a través de la visión. El propio proyecto señala que las cadenas densas (IDs hexadecimales largos, tokens exactos) pueden leerse mal, y los errores son silenciosos, no fallos. Verifica la calidad de la salida en tus propias tareas antes de confiar en los ahorros.
Es un proxy de terceros que maneja tu tráfico. Se ejecuta localmente, lo cual es bueno, pero sigue estando en tu ruta de solicitud. Evalúalo frente a tu propia postura de seguridad antes de pasarle tráfico de producción.

Vale la pena probar pxpipe si tu contexto está dominado por bloques grandes, estables y densos y puedes validar la calidad. Para cargas de trabajo dispersas o altamente amigables con la caché, las palancas de primera parte ya pueden capturar la mayor parte de la ganancia.

Reduce los tokens de desarrollo y prueba que desperdicias mientras construyes

Nada de lo anterior cambia el hecho de que quemas tokens reales y pagados mientras sigues construyendo la integración. Apidog no reducirá tu factura de producción de Claude, y no pretende hacerlo. Donde te ahorra dinero es en el ciclo de desarrollo y prueba.

Cada vez que ejecutas tu integración contra la API en vivo de Anthropic durante el desarrollo, cada iteración cuesta tokens reales: la ejecución fallida, el reintento, el trabajo de CI que se activa en cada push. Ese gasto se acumula mientras iteras en la forma del prompt, la lógica de análisis y el manejo de errores, ninguno de los cuales necesita un modelo real para validarse.

En su lugar, simula la respuesta de Anthropic en Apidog. Define el contrato de solicitud y respuesta para el endpoint de Claude al que estás llamando, luego apunta tus pruebas y CI al mock. Tu ciclo se ejecuta contra un falso determinista que devuelve la forma que esperas, y gastas cero tokens validando la fontanería. También puedes diseñar y documentar ese contrato de solicitud/respuesta en el mismo lugar, para que tu equipo se ponga de acuerdo en la interfaz antes de que nadie gaste un token en ella. Esto reduce los tokens de desarrollo y prueba que desperdicias mientras construyes, no tu factura de producción. Ese es el alcance honesto.

Apila las palancas

Estas no son opciones excluyentes. Los mayores recortes provienen de apilarlas:

Almacena en caché el prefijo estable. Prompt del sistema, herramientas, documentos. Verifica que cache_read_input_tokens no sea cero.
Enruta por tarea. Opus 4.8 como valor predeterminado, Fable 5 solo donde cambia el resultado, Sonnet 5 para volumen, Haiku 4.5 para trabajos sencillos.
Procesa el trabajo offline por lotes. Cualquier cosa que no sea sensible a la latencia va a /v1/messages/batches para un 50% de descuento.
Limita cada solicitud. Ajusta el effort, limita max_tokens, estima con count_tokens.
Recorta el reenvío. Edición de contexto y compactación para que los bucles largos dejen de pagar por el historial muerto.
Prueba si la imagen ayuda. Si tu contexto es grande y denso, compara pxpipe con el almacenamiento en caché en tu propio prefijo.
Simula mientras construyes. Mantén el ciclo de desarrollo y prueba fuera del medidor pagado.

Comienza con el almacenamiento en caché y el enrutamiento de modelos, ya que esos dos suelen representar la mayor parte de la reducción. Mide después de cada cambio, porque el único número que importa es tu factura real.

Preguntas frecuentes

¿Los tokens de entrada o de salida cuestan más en mi factura de Claude? Por token, la salida cuesta más que la entrada en todos los modelos. Pero para cargas de trabajo de agente y codificación, el lado de entrada suele ser la factura más grande, porque la API sin estado te hace reenviar el historial completo de la conversación en cada turno. Por eso las palancas más importantes apuntan a los tokens de entrada.

¿El almacenamiento en caché de prompts o la API por lotes supone un mayor ahorro? Depende de tu carga de trabajo. El almacenamiento en caché ahorra hasta un ~90% en el prefijo repetido del tráfico interactivo, por lo que es mejor para chats y ciclos de agente que reutilizan un prompt del sistema. El procesamiento por lotes recorta el 50% de todo, pero solo para el trabajo que puedes ejecutar de forma asíncrona. Muchos equipos utilizan ambos: almacenan en caché la ruta interactiva y procesan los trabajos fuera de línea por lotes.

¿Debería establecer todo en Fable 5 por defecto? No. Fable 5 cuesta el doble que Opus 4.8 y está diseñado para el razonamiento más difícil a largo plazo. Para la mayoría de los trabajos de agente y codificación, Opus 4.8 te da el mismo resultado a la mitad de la tasa de entrada y salida. Poner Fable por defecto cuando Opus serviría es el despilfarro más común.

¿Se acumula pxpipe con el almacenamiento en caché de prompts? No de forma limpia. La imagen cambia los bytes de la solicitud, y el almacenamiento en caché es una coincidencia de prefijo a nivel de bytes, por lo que ambos apuntan al mismo costo de tokens de entrada y pueden contrarrestarse entre sí. Prueba ambos en tu prefijo real y mide cuál ahorra más; no asumas que se suman.

¿Apidog reduce mis costos de producción de Claude? No. Apidog simula la API de Anthropic para que tus pruebas y CI golpeen un falso en lugar de quemar tokens pagados mientras construyes. Eso reduce tu gasto de desarrollo y prueba, no tu factura de producción.