Tu prototipo clasifica treinta facturas de prueba y acierta en todas. Ahora son veinte mil al día, el primer lunes llegan errores 429, la factura de API triplica lo previsto y alguien pregunta por qué el martes el modelo empezó a devolver otra cosa. Nada de eso es un problema de prompt: es operación.
Esta lección junta lo que el examen agrupa bajo coste y tokens (D5), mecánica de la API en tiempo real frente a batch (D2), depuración (D4) y claves y secretos (D7). Es el bloque donde más preguntas llevan números y restricciones concretas.
Elegir modelo con números
Precios de la API a septiembre de 2026, por millón de tokens (entrada / salida), según la página oficial de precios:
| Modelo | ID | Entrada / salida | Contexto | Cuándo |
|---|---|---|---|---|
| Claude Fable 5.1 | claude-fable-5-1 | 10 $ / 50 $ | 1M | Razonamiento muy exigente, agentes de muy larga duración |
| Claude Opus 5.5 | claude-opus-5-5 | 4 $ / 20 $ | 1M | El punto de partida recomendado: coding agéntico y trabajo empresarial |
| Claude Sonnet 5.5 | claude-sonnet-5-5 | 2 $ / 10 $ | 1M | Velocidad con calidad alta, alto volumen |
| Claude Haiku 4.5 | claude-haiku-4-5 | 1 $ / 5 $ | 200K | Lo más rápido y barato: clasificación, extracción sencilla |
La estrategia que funciona: empieza con el modelo que resuelve bien la tarea, mide con un conjunto de evaluación y baja de modelo solo si las evals lo aguantan. El effort (lección 2) es otra palanca: menos effort gasta menos tokens en el mismo modelo.
Caché, batch y cuánto te ahorran de verdad
Prompt caching. Guarda el prefijo repetido de tus peticiones (tools, system, ejemplos) y lo reutiliza. Lo activas con cache_control en el nivel superior de la petición (caché automática) o marcando hasta 4 puntos de corte explícitos. Las cifras que se preguntan:
- Duración: 5 minutos por defecto, renovados gratis en cada uso; 1 hora si lo pides con
"ttl": "1h". - Escribir en caché cuesta 1,25 veces la entrada base (5 minutos) o 2 veces (1 hora).
- Leer de caché cuesta 0,1 veces la entrada base en la mayoría de modelos; 0,05 en Opus 5.5 y 0,025 en Fable 5.1.
- Hay un mínimo cacheable: 512 tokens en Fable 5.1, Opus 5.5 y Sonnet 5.5, pero 4.096 en Haiku 4.5. Por debajo no se cachea y no da error: lo ves en
usageporquecache_creation_input_tokensycache_read_input_tokenssalen a 0.
Message Batches API. Para lo que no tiene prisa: 50 % de descuento en todo, hasta 100.000 peticiones o 256 MB por lote, la mayoría termina en menos de una hora y como máximo en 24 horas; los resultados se descargan durante 29 días. Cada petición lleva su custom_id para casar respuestas, porque no llegan en orden. Caché y batch se acumulan, aunque en batch los aciertos de caché son «best effort».
Cuándo usar cada modo lo resume esta comparativa, que es literalmente la primera pregunta de ejemplo de la guía:
Messages API síncrona
Alguien espera la respuesta
- Chat, asistentes, agentes interactivos, validaciones en línea
- Latencia de segundos; streaming para mostrar la respuesta según llega
- Precio completo; cuenta contra tus límites de tasa por minuto
- La caché es la gran palanca de ahorro
Message Batches API
Nadie espera: basta con tenerlo mañana
- Cierres nocturnos, reclasificaciones masivas, evals, informes
- Asíncrona: hasta 24 horas, la mayoría en menos de una
- 50 % de descuento en entrada y salida
- Límites propios, separados de los de tiempo real
Si la restricción es coste y el resultado puede esperar, la respuesta es batch. Bajar max_tokens o lanzar miles de peticiones en paralelo no cambia el precio por token.
Límites de tasa y gasto
La Messages API limita por modelo en peticiones por minuto (RPM), tokens de entrada por minuto (ITPM) y tokens de salida por minuto (OTPM), con un algoritmo de cubo de tokens que se rellena de forma continua. Si te pasas, recibes un 429 con cabecera retry-after. Lo que conviene saber:
- En la mayoría de modelos, los tokens leídos de caché no cuentan para el ITPM. La caché, además de abaratar, multiplica tu capacidad efectiva.
max_tokensno cuenta para el OTPM: solo cuenta lo que realmente se genera.- Un límite de 60 RPM puede aplicarse como 1 por segundo: las ráfagas cortas también disparan 429. Reparte la carga y sube el tráfico de forma gradual, porque hay límites de aceleración ante picos bruscos.
- Cada nivel de uso tiene un tope de gasto mensual, y puedes fijar uno propio por debajo. Al llegar, el 429 viene sin
retry-after: reintentar no sirve.
El patrón de producción: respeta retry-after, backoff exponencial con algo de aleatoriedad (los SDK ya reintentan por defecto), una cola delante de la API para suavizar picos, y la carga que pueda esperar, a batch. Si necesitas saber el tamaño antes de enviar, el endpoint count_tokens cuenta los tokens de una petición con system, herramientas, imágenes y PDF incluidos.
Un servicio recibe 429 en los picos de la mañana. Cada petición repite 40.000 tokens de contexto fijo y 1.000 variables. ¿Qué cambio aumenta más la capacidad sin pedir un aumento de límites?
Observabilidad y evals
Registra lo que necesitarás para depurar. Por cada llamada: modelo e ID exacto, versión del prompt, stop_reason, los cuatro campos de usage (entrada, salida, escritura y lectura de caché), latencia y el request-id de la respuesta, que es lo que te pedirá soporte. Con eso calculas el coste por petición, la tasa de aciertos de caché y detectas regresiones. Cuidado con la PII: registra identificadores y métricas, y enmascara los datos personales antes de guardar prompts completos.
Fija el modelo y versiona el prompt. En la API, cada ID de modelo actual es una instantánea fija: claude-opus-5-5 no cambia por debajo de ti. Un cambio de modelo o de prompt es un despliegue: pasa por la batería de evals antes de llegar a producción.
Evals. La documentación oficial pide primero criterios de éxito concretos y medibles («clasifica bien el 95 % de las facturas del conjunto de prueba», no «que funcione bien») y luego evals que se parezcan a tu tráfico real, casos límite incluidos. Tres principios: específicas de la tarea, automatizadas siempre que se pueda y, entre pocas preguntas perfectas y muchas algo menos finas, mejor muchas. Y tres formas de puntuar:
Por código
Coincidencia exacta, validar contra el esquema JSON, comprobar que la cuenta contable existe. Lo más rápido, fiable y escalable, pero sin matices.
Con un modelo
Otro modelo califica con una rúbrica clara (tono, fidelidad al documento, si respeta la política). Rápido y flexible; valida antes que coincide con el criterio humano.
Humana
La más flexible y la de más calidad, pero lenta y cara. Úsala para crear el conjunto de referencia y revisar muestras, no en cada cambio.
Depurar: ¿falla tu integración o falla el modelo?
El dominio 4 pesa poco, pero sus preguntas son muy reconocibles: te describen un síntoma y tienes que aislar el origen. Un orden de diagnóstico que funciona:
Un código HTTP de error es de integración o de plataforma: 400 petición mal formada (no reintentes, corrige), 401/403 clave o permisos, 429 límites, 500/529 servidor o sobrecarga (reintento con backoff).
En agentes, lee la traza: la secuencia de llamadas a herramientas y sus resultados. Un agente que repite la misma búsqueda suele tener una herramienta que devuelve errores poco claros; uno que inventa un dato suele no haber recibido el resultado que creías.
Claves, secretos y datos
Lo mínimo que el examen da por hecho en producción:
- La clave de API nunca en el cliente. Ni en el navegador, ni en una app móvil, ni en el repositorio. La llamada a Claude se hace desde tu backend, que autentica al usuario y aplica sus permisos.
- Un gestor de secretos y claves separadas por entorno. En la Claude Console, los workspaces separan desarrollo y producción, con sus propios límites. Rota las claves y revoca las que se filtren.
- Mínimo privilegio en todo lo que el modelo toca: el usuario técnico de SAP que usa tu herramienta lee solo lo que necesita.
- Datos personales: envía solo lo necesario para la tarea, enmascara en logs y revisa qué retiene cada componente.
- Guardarraíles por capas: validar entrada, aislar contenido no fiable, validar salida, aprobación humana en acciones irreversibles y monitorización. Ninguna capa sola basta.
Si vas a desplegar esto sobre SAP, el Generative AI Hub de SAP AI Core es una vía gobernada para consumir modelos de Anthropic; lo contamos en Claude y SAP.
Para el examen
Dominio · D5 Cost and Token Management y Model Selection · D2 API Mechanics · D4 Debugging · D7 Secrets
Lo que tienes que dominar
- Precios por millón: Fable 5.1 10/50, Opus 5.5 4/20, Sonnet 5.5 2/10, Haiku 4.5 1/5.
- Caché: 5 minutos (1,25x al escribir) o 1 hora (2x); lectura 0,1x en general; mínimo 512 tokens en los modelos 5.x y 4.096 en Haiku 4.5.
- Batch: 50 % de descuento, hasta 24 horas, 100.000 peticiones o 256 MB; se acumula con la caché.
- Límites RPM, ITPM y OTPM; 429 con
retry-after; las lecturas de caché no cuentan para ITPM en la mayoría de modelos. - Evals: criterios medibles, automatizadas, muchas; puntuar por código antes que con modelo y con modelo antes que a mano.
- Depurar: código HTTP, luego
stop_reason, luego la petición exacta, y solo después culpar al modelo.
Donde se suele fallar
- Creer que bajar
max_tokensabarata un trabajo masivo que podría ir en batch. - Cachear menos del mínimo del modelo y pensar que funciona porque no da error.
- Culpar al modelo de un JSON truncado cuando
stop_reasonesmax_tokens. - Poner la clave de API en el frontend o en el repositorio.
Checklist para el examen
0 de 7 dominadosMarca lo que ya sabrías responder en el examen.
Ponte a prueba
Tipo test
6 preguntas sobre esta lección. Responde una a una; verás las soluciones al terminar.
Siguiente parada
Próxima lección: repaso y simulacro. Un resumen de los ocho dominios, estrategia para el día del examen, un escenario de integración resuelto paso a paso y doce preguntas tipo examen que cubren todo el temario.