# Cómo calcular el consumo de tokens de Responses API: entrada, salida, caché y razonamiento

https://jsonscraper.com/es/blog/calcular-consumo-tokens-responses-api

Author: Michael Johnson

Published: 2026-10-08T05:36:03+00:00

Updated: 2026-10-08T06:34:05+00:00

Control práctico del uso: cómo verificar el ahorro tras optimizar el prompt, el historial y el razonamiento.

Después de acortar el prompt, comprueba el ahorro con el `usage` de cada respuesta y el coste de toda la tarea. Una respuesta breve puede implicar un consumo considerable de razonamiento, y continuar una conversación puede volver a contabilizar el historial. Para controlar el presupuesto, separa el volumen de tokens, las categorías tarifarias y el número de llamadas necesarias para obtener el resultado.



![Cómo calcular el consumo de tokens de Responses API: entrada, salida, caché y razonamiento
Contexto: Analizamos los contadores de Responses API, el recuento repetido del contexto y la fórmula de costes. Los tokens de razonamiento ya están incluidos en output_tokens; los tokens almacenados en caché forman parte de la entrada, mientras que escribir en la caché puede tener un coste aparte.
Tema visual: Una misma portada de IA para las versiones en ruso, inglés y alemán. Bodegón editorial fotorrealista: sobre el escritorio de un desarrollador hay cuatro grupos de pequeñas fichas de vidrio translúcido; dentr](https://jsonscraper.com/assets/uploads/journal/2026/10/2f9f402c92335ef20778ea3dd8f9313c.png.hero.webp)

© jsonscraper · Imagen generada por IA



## Cuatro contadores y cómo se relacionan



En el [ejemplo del objeto usage](https://developers.openai.com/api/docs/guides/reasoning), OpenAI muestra la entrada, la salida y el desglose de ambos contadores. Interprétalos así:



- `input_tokens`: volumen total de tokens de entrada de esta llamada, incluido el contexto utilizado para continuar la conversación.
- `input_tokens_details.cached_tokens`: parte de la entrada atendida desde la caché. Ya está incluida en `input_tokens`.
- `output_tokens`: volumen total de tokens generados, incluido el razonamiento.
- `output_tokens_details.reasoning_tokens`: parte de la salida utilizada para el razonamiento.



**Los tokens de razonamiento ya están incluidos en `output_tokens`; no debes sumarlos de nuevo a la salida.** OpenAI los factura según la [tarifa de tokens de salida](https://developers.openai.com/api/docs/guides/reasoning). Del mismo modo, sumar `cached_tokens` a la entrada contabiliza dos veces la misma parte de la solicitud. Para obtener el volumen total, usa `total_tokens` o la suma de `input_tokens + output_tokens`.



## Coste: desglosa la entrada por categorías



La [página de precios actual](https://developers.openai.com/api/docs/pricing) presenta por separado la entrada normal, la entrada en caché, la escritura en caché y la salida. Elige las tarifas correspondientes al modelo real, al modo de procesamiento y a la longitud de contexto aplicable. Guarda los valores exactos en una configuración de cálculo con control de versiones.



Un detalle importante de la [documentación actual sobre el almacenamiento en caché](https://developers.openai.com/api/docs/guides/prompt-caching): para GPT-5.6 y los modelos posteriores, se contabiliza `input_tokens_details.cache_write_tokens`. Si tu esquema contempla un cargo independiente por escribir en la caché, resta esta categoría de la entrada normal y aplica su tarifa.



```
I = input_tokens
C = input_tokens_details.cached_tokens
W = input_tokens_details.cache_write_tokens
O = output_tokens

ordinary_input = I - C - W
cost = ((I - C - W) * P_input
        + C * P_cached
        + W * P_write
        + O * P_output) / 1_000_000
```



![Cómo calcular el consumo de tokens de Responses API: entrada, salida, caché y razonamiento
Contexto: Analizamos los contadores de Responses API, el recuento repetido del contexto y la fórmula de costes. Los tokens de razonamiento ya están incluidos en output_tokens; los tokens almacenados en caché forman parte de la entrada, mientras que escribir en la caché puede tener un coste aparte.
Tema visual: Una misma portada de IA para las versiones en ruso, inglés y alemán. Bodegón editorial fotorrealista: sobre el escritorio de un desarrollador hay cuatro grupos de pequeñas fichas de vidrio translúcido; dentr](https://jsonscraper.com/assets/uploads/journal/2026/10/5593ee2461bd677cdf83d438b3421248.png.hero.webp)

© jsonscraper · Imagen generada por IA



En este ejemplo, los precios se expresan por millón de tokens; si el esquema no contempla una categoría independiente para la escritura, usa `W = 0`. La fórmula cubre las categorías de tokens enumeradas. Añade las herramientas de pago en líneas separadas según sus [condiciones de facturación](https://developers.openai.com/api/docs/pricing).



Ejemplo hipotético: entrada: 4000; entrada en caché: 3000; escritura en caché: 500; salida: 1000, de los cuales 600 son de razonamiento. El resultado es de 500 tokens de entrada normal y 5000 tokens en total. Se facturan 1000 tokens de salida; el valor 600 se conserva para el diagnóstico.



## Al continuar una conversación, la entrada vuelve a contabilizarse



Cuando administra el historial manualmente, la aplicación [envía los mensajes anteriores](https://developers.openai.com/api/docs/guides/conversation-state) junto con la nueva entrada. Los mensajes incluidos en la siguiente solicitud vuelven a formar parte del contexto de entrada. Por eso, medir solo el último mensaje del usuario omite el coste del historial.



Con `previous_response_id`, la aplicación transmite una referencia a la respuesta anterior y la API enlaza el contexto. Según las [reglas de contabilización de continuaciones](https://developers.openai.com/api/docs/guides/conversation-state), los tokens de entrada previos de la cadena vuelven a facturarse como tokens de entrada. La caché puede cambiar la categoría tarifaria de parte de esa entrada; consulta `cached_tokens` en cada respuesta para comprobar si hubo una coincidencia.



## Cómo comprobar el resultado de la optimización



1. **Guarda una muestra de referencia.** Compara tareas iguales, con el mismo modelo y criterio de éxito, y longitudes de conversación similares.
2. **Registra cada llamada.** Anota los identificadores de respuesta y tarea, el modelo, la configuración de razonamiento, el estado, la latencia y el `usage` completo. Guarda la versión del prompt y de la configuración tarifaria.
3. **Suma los costes de la tarea.** Incluye todas sus llamadas y las respuestas obtenidas en los reintentos. La métrica principal es el coste de una tarea completada con éxito.
4. **Separa las causas de los cambios.** Sigue la entrada normal, la lectura y escritura de la caché, la salida y la proporción de razonamiento. Para calcular la proporción agregada de caché, divide la suma de `C` entre la suma de `I`.
5. **Comprueba la calidad y la cola de la distribución.** Además del coste medio, compara el percentil p95, el número de intentos y el porcentaje de tareas exitosas.



El parámetro [max_output_tokens](https://developers.openai.com/api/docs/guides/reasoning) limita la generación, incluido el razonamiento. Si se agota el límite, la respuesta puede recibir el estado `incomplete`, incluso cuando no hay texto visible pero sí consumo de tokens. Ten en cuenta estas respuestas al comprobar el ahorro: la optimización ha cumplido su objetivo cuando tareas comparables se completan con éxito y un coste total menor.
