es una factura que usted paga. ¿Cuánto dinero está desperdiciando en el re-razonamiento de la IA ? La mayoría de los flujos de trabajo orquestados por modelos de lenguaje de gran tamaño (LLM) tienen un defecto: improvisan cada paso, a costa del cliente, a gran escala y sin garantías. Pega fija la lógica desde el principio, durante la fase de diseño, lo que garantiza resultados controlados por una fracción del costo. Calcule su exposiciónDescubra cómo funciona El costo oculto del re-razonamiento Los flujos de trabajo de LLM no se limitan a llamar a los agentes. Lo replantean todo, cada vez. Para comprender cómo se acumulan los costos, veamos cómo funcionan hoy en día la mayoría de los flujos de trabajo basados en agentes, y cuáles son sus limitaciones. 5 - 20 × Los flujos de trabajo orquestados por LLM cuestan entre 5 y 20 veces más por ejecución que la ejecución dirigida por Pega. Y la brecha se agrava con cada paso adicional del flujo de trabajo , a medida que las ventanas de contexto se amplían y el uso de tokens se acelera. Agentes sin ataduras Donde los costos se acumulan La mayoría de las orquestaciones de IA se basan en LLM para gestionar los flujos de trabajo en la fase de ejecución. Cada paso requiere inferencia para interpretar el contexto y decidir qué sigue, incluso cuando la lógica no ha cambiado. A medida que los flujos de trabajo se vuelven más complejos, la inferencia repetida aumenta el uso de tokens y los costos. El enfoque predecible de Pega Eficiente y predecible por su diseño En la plataforma Pega , la orquestación determinista ejecuta el flujo de trabajo, llamando agentes de IA en cualquier plataforma para realizar tareas específicas, como procesar documentos, realizar investigaciones o sintetizar contenido. La lógica se define una sola vez, en la fase de diseño. Los flujos de trabajo se ejecutan de forma eficiente, siempre.
Rediseñe su flujo de trabajo ahora con Pega Blueprint. Pruébelo Diagnóstico real de sus costos de IA ¿Cuánto está
gastando hoy? Configure su flujo de trabajo a continuación para obtener una estimación rápida, o cambie a la opción Avanzada para un control más detallado de los tokens y los precios. Estimación simple Opciones avanzadas Experto Empiece con un escenario, o cree el suyo propio a continuación. Flujos de trabajo por mes flujos de trabajo Pasos totales por flujo de trabajo pasos Pasos del agente de IA pasos del agente Mostrar mis ahorros anuales Recalcular mis ahorros Configuración del flujo de trabajo Pasos del agente de IA Pasos del flujo de trabajo completo Volumen mensual (casos) Por llamada del agente: paso dirigido de Pega Tokens de entrada (Paso de Pega ) Tokens de salida (Paso de Pega ) Por paso — Orquestación LLM Crecimiento del contexto / paso Tokens de salida / paso Precio de los tokens (€ por millón de tokens) Precio del token de entrada Precio del token de salida Costo de la plataforma Pega Precio por caso (€) Calcular ahorros Recalcular Su presupuesto Esto es lo que Pega
le ahorra. Sin Pega : gasto anual Todos los pasos se envían a Claude Sonnet (€2,58/€12,92 por 1mill.) Con Pega : gasto anual Incluye {platformCost}/ costo por caso de la plataforma Pega El costo de la plataforma Pega se establece en €0; solo se aplican los costos de los tokens. Ahorros anuales estimados Basado en {volume} flujos de trabajo/mes · {totalSteps} pasos totales · {agentSteps} pasos del agente % ahorrado Hable con un experto Ver los datos Las estimaciones utilizan el mismo modelo subyacente tanto en el modo Simple como en el modo Avanzado: costo de Pega = (pasos del agente × costo del token con alcance) + tarifa de la plataforma; costo nativo de IA = Σ(paso i) [2000 + i × crecimiento del contexto por paso] tokens de entrada + tokens de salida en cada paso. Precios predeterminados: Claude Sonnet €2,58/mill. de entrada · €12,92/mill. de salida. Tarifa de la plataforma Pega : €0,76 por caso. Este precio se basa en un contrato de 3 años con 1 millón de casos al año. Todas las suposiciones son ajustables en el modo avanzado. Las estimaciones son meramente ilustrativas. Re-razonamiento a lo largo del tiempo ¿Por qué la orquestación nativa de IA?
Los costos crecen de forma cuadrática. Los costos de la orquestación aumentan en cada etapa, y este aumento se acelera a medida que el contexto se amplía. El enfoque determinista de Pega para el desarrollo y la orquestación de flujo de trabajo no conlleva esa sobrecarga, lo que se traduce en un importante potencial de ahorro a largo plazo. Costo acumulado por ejecución del flujo de trabajo: paso a paso 1000 casos mensuales · precios de Claude Sonnet · los costos aumentan a medida que crece el contexto Pega (agentes deterministas y dirigidos) IA nativa (recalcula el razonamiento en cada paso) Paso Pega (agentes dirigidos) Orquestado por LLM Cómo calculamos esto: supuestos y metodología completos. Modelo completo: supuestos, cálculos de tokens y metodología de fórmulas. Todos los valores reflejan los datos introducidos actualmente en la calculadora. Se actualiza dinámicamente a medida que ajusta la configuración anterior. Descargar CSV Imprimir / Guardar PDF Supuestos de entrada Resultados calculados Comparación por ejecución. Multiplicar por el volumen mensual para obtener el costo total. Metodología de fórmulas Complete la calculadora de arriba y haga clic en "Mostrar mis ahorros anuales" para ver su estimación. Los precios de los tokens se obtuvieron de la documentación de la API del proveedor, en abril de 2026. El precio predeterminado refleja el modelo de Claude Sonnet (€2,58/mill. de entrada · €12,92/mill. de salida). Los modelos de costos de orquestación nativos de IA consideran la acumulación de contexto como una serie aritmética: el factor determinante del costo es cuadrático con respecto a la duración del flujo de trabajo , no lineal. El costo de Pega refleja únicamente las llamadas dirigidas a LLM en los pasos designados del agente, más una tarifa de plataforma opcional. Todas las suposiciones son ajustables. Las estimaciones son meramente ilustrativas.
Esta calculadora de retorno de la inversión proporciona únicamente estimaciones y está diseñada para ayudarle a explorar los resultados potenciales basándose en información de muestra. Los cálculos se basan en suposiciones y promedios que pueden diferir significativamente de su experiencia real. Los resultados no sustituyen el análisis profesional, y Pega no ofrece garantías, expresas ni implícitas, sobre la exactitud, la integridad o la fiabilidad de los resultados. Los costes o el rendimiento pasados o estimados no son un indicador fiable de los resultados futuros. ¿Qué se considera un flujo de trabajo?
Un proceso de principio a fin que gestiona su IA : un caso de servicio al cliente , una solicitud de préstamo, una solicitud de incorporación , una revisión de reclamaciones.
Estimación rápida: Si su equipo gestiona unos 200 casos al día, eso supone aproximadamente 4000 al mes. Pasos totales de principio a fin
Cada acción en el flujo de trabajo cuenta: búsquedas de datos, decisiones, actualizaciones de estado, esperas asíncronas y llamadas a agentes de IA . En un sistema nativo de IA, el orquestador vuelve a leer el historial completo en cada uno de estos puntos.
Rango típico: Proceso simple ≈ 10–20 · Caso empresarial ≈ 30–60 Pasos que requieren el juicio de la IA
De todos los pasos de su flujo de trabajo , ¿cuántos requieren realmente un LLM (clasificación, análisis de documentos, redacción, toma de decisiones)? El resto lo gestiona Pega de forma determinista con un costo de tokens prácticamente nulo.
Guía rápida: Normalmente entre el 20 % y el 40 % del total de pasos · Un flujo de trabajo de 40 pasos podría tener entre 10 y 15 pasos de agente de IA reales. ¿Qué son los pasos de un agente de IA ? El número de pasos dentro de su flujo de trabajo donde se llama realmente a un LLM: decisiones, clasificaciones, redacción. Los pasos que no implican IA , como las consultas a bases de datos o las comprobaciones de reglas, no cuentan.
Consejo: Si 28 de los 40 pasos de su flujo de trabajo implican razonamiento de IA , establezca este valor en 28. Pasos totales frente a pasos del agente. La duración completa de su flujo de trabajo de principio a fin, incluidos los pasos que no son de IA , como la recuperación de datos, la evaluación de reglas y las llamadas al sistema.
Ejemplo: Un flujo de trabajo de reclamaciones podría tener un total de 40 pasos, pero solo 28 de ellos llaman a un LLM. ¿Cuántos casos por mes? El número total de veces que se ejecuta este flujo de trabajo en un mes para todos los usuarios o clientes.
Estimación rápida: 200 casos/día × 22 días laborables ≈ 4400/mes. Tokens de entrada por llamada al agente Pega El número de tokens enviados al modelo para cada paso del agente Pega dirigido. Debido a que Pega fija el contexto antes de la ejecución, este permanece pequeño y fijo; normalmente solo se muestra el mensaje de la tarea y los datos relevantes.
Rango típico: 500–3000 tokens por llamada. Tokens de salida por llamada al agente Pega El número de tokens que devuelve el modelo para cada paso del agente dirigido. Las salidas estructuradas de Pega mantienen esta información concisa: normalmente una clasificación, una breve decisión o un archivo JSON estructurado.
Rango típico: 100–800 tokens por llamada. ¿Por qué crece el contexto? En los flujos de trabajo orquestados por LLM, el historial de conversaciones del modelo crece con cada paso: se añaden todas las acciones anteriores, los resultados de las herramientas y las respuestas. Esto es lo que provoca que los costos se acumulen.
Ejemplo: Si cada paso agrega ~2000 tokens de historial, para el paso 20 estará enviando 40 000 tokens solo en contexto. Tokens de salida por paso de LLM: Cuántos tokens genera el LLM en respuesta en cada paso de orquestación. Esto se mantiene relativamente constante por paso, pero se paga en cada paso, a diferencia de Pega, donde solo los pasos del agente generan un costo de salida.
Rango típico: 200–1500 tokens/paso. ¿Cuál es el precio de un token de entrada? Es lo que paga por cada millón de tokens enviados al modelo (sus prompts, contexto, datos). Los tokens de entrada siempre son más baratos que los tokens de salida.
Precios de referencia (abril de 2026): GPT-4o ~€2,15 · Claude Sonnet ~€2,58 · Claude Opus ~€12,92· Haiku ~€0,21 — todos por 1 millón de tokens. ¿Qué es el precio de un token de salida? Es lo que se paga por cada millón de tokens que genera el modelo como respuesta. Los tokens de salida cuestan entre 3 y 5 veces más que los tokens de entrada porque generar texto requiere mayor capacidad de cálculo.
Precios de referencia (abril de 2026): GPT-4o ~€8,61 · Claude Sonnet ~€12,92 · Claude Opus ~€64,60 · Haiku ~€1,08 — todos por 1 millón de tokens. Costo de la plataforma Pega por caso La tarifa de la plataforma Pega que se cobra por cada ejecución del flujo de trabajo , además de los costos brutos del token LLM. Esto abarca la orquestación, la lógica de enrutamiento , los registros de auditoría y las herramientas de cumplimiento normativo .
Establézcalo en €0 si desea comparar únicamente los costos puros de los tokens LLM, sin tener en cuenta las licencias de la plataforma. Operaciones departamentales 10 000 casos/mes · gestión de casos complejos · 40 pasos en total · 28 pasos de agente Empresa 100 000 casos/mes · orquestación multisistema · 50 pasos totales · 30 pasos de agente Volúmenes escalados 300 000 casos/mes · procesamiento automatizado a gran escala · 60 pasos totales · 35 pasos de agente PARÁMETRO SU VALOR NOTAS FLUJO DE TRABAJO PRECIO DE LOS TOKENS POR LLAMADA DE AGENTE (PASOS DIRIGIDOS POR PEGA) ORQUESTACIÓN LLM (IA-NATIVA, POR PASO) Pasos del agente de IA Pasos del flujo de trabajo completo Volumen mensual Precio del token de entrada Precio del token de salida Costo de la plataforma Pega Tokens de entrada / llamada Tokens de salida / llamada Crecimiento del contexto / paso Tokens de salida / paso Pasos en los que se invoca realmente un LLM (solo Pega ) Todos los pasos de principio a fin. La IA nativa vuelve a razonar en cada uno El costo de escalado es lineal para ambas arquitecturas. Claude Soneto ~€2,58 · GPT-4o ~€2,15 · Opus ~€12,92 Normalmente entre 3 y 5 veces el precio de entrada. Licencias por consumo: orquestación determinista + registro de auditoría Mensaje del sistema + datos del caso limitados únicamente a ese paso. Resultado estructurado, clasificación o decisión breve Palanca clave: el historial adjunto crece cuadráticamente. Conservador en 2000; los marcos reales suelen ser de 4000 a 8000. Cadena de pensamiento + decisión del siguiente paso por llamada del agente principal MÉTRICO PEGA
(DETERMINISTA + AGENTES) IA-NATIVA
(REEVALUACIÓN DE CADA PASO) AHORROS CON PEGA Tokens de entrada / ejecución Tokens de salida / ejecución Tokens totales / ejecución Costo del token / ejecución Costo de la plataforma / ejecución (Pega) Costo total por ejecución Costo mensual Costo anual Multiplicador de costos menor costo Costo por ejecución de Pega = (Pasos del agente × Tokens de entrada / 1mill. × Precio de entrada)
+ (Pasos del agente × Tokens de salida / 1mill. × Precio de salida)
+ Coste de la plataforma por caso Solo los pasos del agente designado activan un LLM. Todos los demás pasos se ejecutan de forma determinista con un costo de IA prácticamente nulo. El contexto se limita a cada llamada individual. Tokens de entrada de orquestación nativos de IA por ejecución = Σ (paso i = 0 a N−1) [ 2000 + i × CrecimientodeContextoPorPaso ]
= N × 2000 + CrecimientodeContexto × N × (N−1) / 2 Esta es una serie aritmética. El término N×(N−1)/2 hace que el costo crezca cuadráticamente , no linealmente, con la duración del flujo de trabajo . Un flujo de trabajo que dure el doble cuesta aproximadamente cuatro veces más de coordinar. En el paso 20, el agente principal está releyendo todo, desde los pasos 1 al 19, solo para decidir cuál debería ser el paso 20. Costo total por ejecución nativa de IA = (OrquestadorTokensdeEntrada / 1mill. × PreciodeEntrada)
+ (PasosTotales × TokensDeSalidaPorPaso / 1mill. × PrecioDeSalida)
+ mismos costes de agente dirigido que Pega La capa de orquestación es simplemente una sobrecarga que se suma a las llamadas de los agentes que comparten ambas arquitecturas. La brecha se amplía con cada paso que se añade al flujo de trabajo. pasos tokens casos caso