Calculadora de costes de embeddings

Las API de embeddings cobran por token de entrada, es decir, por el texto que envías para convertirlo en vector. A diferencia de las API de LLM, no hay coste de salida separado. El coste total es: (tokens totales ÷ 1.000.000) × precio por millón de tokens. Por ejemplo, vectorizar 10.000 documentos de 500 tokens de media = 5 M de tokens. A 0,020 $/1 M (text-embedding-3-small), la ingesta cuesta 0,10 $.

El coste de ingesta es el gasto único de vectorizar todo el corpus cuando construyes la base de conocimiento por primera vez. El coste de consulta es el gasto continuo de vectorizar cada búsqueda en tiempo de ejecución: suele ser muy corto (10-50 tokens), pero con volúmenes altos se acumula. En la mayoría de proyectos, la ingesta es un pico puntual y las consultas son un gasto continuo pequeño.

Para RAG y búsqueda semántica en inglés, text-embedding-3-small (0,020 $/1 M) y voyage-3-lite (0,020 $/1 M) ofrecen la mejor relación coste-calidad. text-embedding-3-large y voyage-3-large justifican su precio en tareas de recuperación complejas o corpus multilingües. text-embedding-004 de Google (0,025 $/1 M) es una opción económica sólida para stacks nativos de Google. Compara siempre con tus datos reales antes de decidir.

Es el porcentaje de tu corpus total de documentos que se añade o actualiza cada mes y que requiere re-vectorización. Una tasa del 5 % en un corpus de 10.000 documentos implica re-vectorizar 500 documentos al mes. En una base de conocimiento estática es casi 0 %. En una base viva, como un archivo de noticias o una documentación en crecimiento, puede ser del 10-30 % mensual.

No: la calculadora solo cubre los costes de la API de embeddings. El almacenamiento y las consultas de la base de datos vectorial (Pinecone, Weaviate, Qdrant, pgvector, etc.) son aparte y dependen del proveedor elegido. La calculadora sí muestra el tamaño bruto de almacenamiento vectorial en bytes para que puedas estimar tus necesidades.

Se calcula como: número de documentos × dimensiones del vector × 4 bytes (codificación float32). Por ejemplo, 100.000 documentos vectorizados con text-embedding-3-large (3.072 dimensiones) = ~1,23 GB de almacenamiento vectorial bruto. Los modelos de más dimensiones exigen mucho más espacio: un compromiso clave en despliegues a gran escala.

Sí. La calculadora funciona íntegramente en el lado del cliente, en tu navegador. El número de documentos, las estimaciones de tokens, la selección de modelos y las proyecciones de coste se calculan localmente en tu dispositivo y nunca se envían a ningún servidor. No hace falta cuenta y no se almacena nada. Los datos de planificación de tu pipeline permanecen 100 % privados.