Sabes programar. Has oído hablar de las LLM APIs. Intentaste leer la documentación y cerraste la pestaña. “Conteo de tokens”. “Ventana de contexto”. “Temperature”. “System prompt”. Nombres de modelos que suenan como droides de Star Wars —GPT-5.5, Claude Opus 4.8, Gemini 3.1 Pro. Cada tutorial te lanza estos términos a la cara. Ninguno explica qué significan. Todos asumen que ya los conoces. Entonces copias y pegas un snippet. Funciona —más o menos. No sabes por qué. No puedes ajustarlo. Y menos sabes si es seguro lanzarlo. Una llamada a la API se parece a otra, hasta que chocas con un error confuso, una respuesta corrupta o una factura que no viste venir.
Esta guía empieza desde cero. Sin conocimientos previos. Sin jerga sin explicación. Desde “qué es una API key” hasta “mi app corre en producción”. Cada concepto tiene código que funciona. Cada bloque de código se ejecuta si lo copias y pegas. Al final tendrás tu primera app real impulsada por LLM —y sabrás exactamente por qué funciona.
Qué son las LLM APIs —y cómo funcionan en realidad
La versión de 30 segundos. Una LLM API es un endpoint HTTP. Le envías texto, te devuelve texto. Detrás del endpoint hay un modelo de lenguaje grande —una red neuronal entrenada con miles de millones de documentos— corriendo en clústeres de GPU. No necesitas entender cómo funciona el modelo internamente, igual que no necesitas entender la inyección de combustible para manejar un auto.
Esto es lo que pasa cuando tu código llama a client.chat.completions.create():
Your code —HTTP POST to api.tokspan.com/v1 —GPU cluster processes your text —JSON response —your codeEl viaje de ida y vuelta toma típicamente 1–5 segundos, dependiendo de cuánto texto pidas y qué modelo uses.
Tokens, no palabras. Las LLM no cuentan palabras. Cuentan tokens —aproximadamente 0.75 palabras por token en inglés. “The quick brown fox” son 4 palabras pero 5 tokens. Un artículo de 1,000 palabras son aproximadamente 1,300 tokens. Esto importa porque pagas por token: los tokens de entrada (lo que envías) cuestan menos que los de salida (lo que genera el modelo). Una llamada típica con un prompt de 200 tokens y una respuesta de 500 tokens cuesta entre $0.0001 (con el modelo más barato) y $0.015 (con el más caro).
Ventana de contexto —cuánto puede “ver” el modelo. Cada modelo tiene un tamaño máximo de entrada, medido en tokens. En 2026, la mayoría de los modelos insignia soportan 1 millón de tokens —unas 750,000 palabras, o toda la trilogía de El Señor de los Anillos. Cuando el historial de conversación + el system prompt + el mensaje del usuario superan este límite, la API devuelve un error. Lo solucionas recortando mensajes antiguos o resumiendo la conversación.
Temperature —qué tan “creativo” es el modelo. Temperature va de 0 a 2. En 0, el modelo siempre elige el token siguiente más probable —determinista, predecible, bueno para código y respuestas factuales. En 1, muestrea de forma más amplia —más variedad, bueno para escritura creativa. En 2, se vuelve impredecible —ocasionalmente útil para lluvia de ideas, generalmente solo raro. El default en la mayoría de las APIs es 1.0. Empieza ahí.
Mensajes del sistema vs. del usuario. Cada llamada tiene un arreglo de messages. El mensaje “system” define el comportamiento del modelo: “Eres un asistente útil de programación. Responde en TypeScript. Mantén las respuestas por debajo de 100 palabras.” El mensaje “user” es la pregunta o solicitud real. El modelo responde en base a ambos.
El estándar compatible con OpenAI. En 2020, cada LLM API tenía un formato distinto. En 2026, el 90% sigue el formato de Chat Completions API de OpenAI —/v1/chat/completions con los parámetros model, messages y temperature. Esto significa que puedes usar el SDK de Python de OpenAI con casi cualquier proveedor cambiando dos líneas: base_url y api_key. Esta estandarización es lo más importante que debe entender un principiante —significa que no estás atado a ningún proveedor.
Cómo elegir tu primer modelo: no lo pienses demasiado
El panorama de modelos es abrumador —más de 180 opciones a mediados de 2026. Aquí está el marco de decisión que lo simplifica.
Empieza gratis. Sube cuando llegues al límite.
- Nivel gratis: Google Gemini 2.5 Flash vía Google AI Studio (1,500 requests al día, sin tarjeta de crédito). El nivel gratis de Groq (Llama 3.3 70B a 300 tokens/segundo). GLM-4.7 Flash (gratis para siempre, contexto 128K). Empieza aquí. Construye tu prototipo. Valida tu idea.
- Nivel económico ($0.10–$0.50 por millón de tokens): DeepSeek V4 Flash es la opción principal —$0.14/$0.28, calidad de código a 1 punto de GPT-4o. Por menos de $10 al mes puedes correr un chatbot de producción que maneja miles de conversaciones.
- Nivel de capacidad ($2–$30 por millón): GPT-5.5, Claude Opus 4.8, Gemini 3.1 Pro. Úsalos cuando la tarea exija máxima profundidad de razonamiento o cuando un error cueste más que la llamada a la API.
Recomendaciones rápidas para principiantes:
| Qué estás construyendo | Empieza con | Por qué |
|---|---|---|
| Un chatbot | DeepSeek V4 Flash | $0.14/M, maneja conversaciones con naturalidad |
| Un generador de código | DeepSeek V4 Pro | 92% HumanEval, $0.44/M |
| Un analizador de documentos | Gemini 2.5 Flash | Contexto 1M, nivel gratis disponible |
| Un asistente de escritura | GPT-5.4 Mini | $0.75/M, prosa de calidad |
| ”Solo quiero probar” | Gemini Flash (gratis) | Cero costo, cero configuración, 1,500 req/día |
La ventaja de una plataforma de agregación para principiantes. El acceso directo al proveedor requiere crear cuentas separadas para cada modelo que quieras probar. Cada una tiene sus propios requisitos regionales, pasos de verificación y depósitos mínimos. Una plataforma de agregación te da una cuenta, una API key y acceso a todos los modelos de la tabla —incluidos los gratuitos. Puedes probar GPT-5.5, Claude y Gemini lado a lado sin crear tres cuentas ni depositar $15 en saldos mínimos. Es el camino de cinco minutos de “me interesa” a “obtuve una respuesta”.
Tu primer request: Python + Node.js
Python —10 líneas.
# Install: pip install openai
from openai import OpenAI
client = OpenAI(
base_url="https://api.tokspan.com/v1",
api_key="ts-your-key-here" # Get yours at api.tokspan.com/sign-in
)
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=[
{"role": "system", "content": "You are a helpful assistant. Keep answers under 50 words."},
{"role": "user", "content": "What is an API key?"}
]
)
print(response.choices[0].message.content)Node.js —10 líneas.
// Install: npm install openai
import OpenAI from 'openai';
const client = new OpenAI({
baseURL: "https://api.tokspan.com/v1",
apiKey: "ts-your-key-here"
});
const response = await client.chat.completions.create({
model: "deepseek-v4-flash",
messages: [
{ role: "system", content: "You are a helpful assistant. Keep answers under 50 words." },
{ role: "user", content: "What is an API key?" }
]
});
console.log(response.choices[0].message.content);Entendiendo el objeto de respuesta. Los campos clave que usarás:
response.choices[0].message.content—la respuesta de texto del modelo (lo que muestras a los usuarios)response.choices[0].finish_reason—por qué se detuvo el modelo:"stop"(terminó naturalmente),"length"(alcanzó el límite de max_tokens),"content_filter"(bloqueado por el filtro de seguridad)response.usage.prompt_tokens—cuántos tokens consumió tu entradaresponse.usage.completion_tokens—cuántos tokens consumió la salidaresponse.usage.total_tokens—la suma de ambos
Errores comunes de principiantes y qué significan:
| Error | Qué pasó | Solución |
|---|---|---|
401 Unauthorized | API key inválida o ausente | Revisa tu key. Asegúrate de que no haya expirado. |
429 Too Many Requests | Llegaste al límite de requests | Reduce la velocidad. Agrega reintentos con backoff. |
403 Forbidden | Región no soportada o key sin permisos | Usa un endpoint de agregación para un acceso más amplio. |
500 Internal Server Error | Problema del lado del proveedor | Reintenta con backoff. Si persiste, cambia de modelo. |
context_length_exceeded | Tu entrada es muy larga | Recorta el historial o usa un modelo con mayor contexto. |
Entiende los precios antes de que llegue una sorpresa de $500
La pregunta que todo desarrollador hace después de su primer request exitoso: “¿cuánto me va a costar esto?”
Cómo funciona el precio por tokens. Cada modelo cobra por separado los tokens de entrada (el texto que envías —tu prompt, historial, mensaje del sistema) y los de salida (el texto que el modelo genera). Los de entrada son más baratos porque requieren menos cómputo. Los de salida cuestan más porque el modelo los genera uno a uno.
Ejemplo con GPT-5.5 a $5.00/M de entrada y $30.00/M de salida: un request con 500 tokens de entrada y 1,000 de salida cuesta (500/1,000,000 × $5) + (1,000/1,000,000 × $30) = $0.0025 + $0.03 = $0.0325.
Costos ocultos que sorprenden a los principiantes. Los reasoning tokens —la cadena de pensamiento interna que modelos como GPT-5.5 y Claude Opus generan antes de responder— se facturan a la tarifa de salida pero nunca aparecen en la respuesta. Un request que muestra 500 tokens de salida visibles pudo haber consumido 1,500 tokens de razonamiento tras bambalinas. Tu request de $0.015 en realidad costó $0.045.
El crecimiento de la longitud del prompt es el otro impulsor silencioso de costos —tu prompt de “clasificación simple” de 200 tokens crece a 2,500 tokens a medida que agregas ejemplos. Audita tus prompts mensualmente.
Estimación de costos. Una buena regla: calcula tus tokens promedio por request (entrada + salida), multiplícalos por tu volumen diario y usa la tabla de precios en nuestra guía de precios de todos los modelos para calcular el costo mensual. Un chatbot que maneja 200 conversaciones al día con 1,500 tokens cada una usando DeepSeek V4 Flash cuesta aproximadamente $2.50 al mes.
El mismo volumen con GPT-5.5 cuesta alrededor de $270 al mes. La elección del modelo —no el volumen de requests— domina tu factura en la mayoría de las aplicaciones.
Alertas de presupuesto. Configura límites duros de presupuesto a nivel de plataforma antes de desplegar. Un loop sin terminar que llama a la API en cada iteración puede quemar $100 en tokens mientras tomas café. Los límites de presupuesto detienen el sangrado automáticamente. La mayoría de las plataformas de agregación soportan límites de gasto por key —pon $10 para desarrollo, $100 para staging y tu presupuesto de producción para producción.
Para una explicación completa de la economía de tokens —precios de entrada vs. salida, reasoning tokens, recargos por ventana de contexto y cómo estimar costos— este artículo cubre todo lo anterior. La gestión de keys y la seguridad en producción se tratan por separado en nuestra guía completa de seguridad.
Del prototipo a producción: el checklist de 8 puntos
Tu prototipo funciona. Obtuviste una respuesta. Esto es lo que necesitas antes de que lo toquen usuarios reales.
1. Mueve las API keys a variables de entorno. Nunca hardcodees keys en los archivos fuente. Un solo git push a un repo público con una key hardcodeada puede resultar en miles de dólares de uso no autorizado en horas. Usa os.environ.get("TOKSPAN_API_KEY") o process.env.TOKSPAN_API_KEY. Agrega .env a .gitignore.
2. Agrega manejo de errores. Los timeouts de red, los límites de rate y las caídas de proveedores ocurren. Cada llamada necesita un try/except que maneje 429 (backoff y reintento), 5xx (reintento con otro modelo) y timeouts (reintenta una vez y luego falla con gracia). Una cadena de respaldo de tres líneas —intenta modelo A, si falla modelo B, si falla devuelve error— evita que “el chatbot está caído” se convierta en un problema visible para el usuario.
3. Implementa streaming. Las respuestas sin streaming hacen que los usuarios esperen 3–8 segundos antes de ver algo. El streaming muestra el primer token en 0.3–0.8 segundos. La diferencia percibida de rendimiento es dramática. Pon stream=True e itera sobre los chunks —mismo costo, mucho mejor UX.
4. Agrega rate limiting de tu lado. Protege tu presupuesto de los loops descontrolados. Un token bucket simple que limita los requests a 60/minuto cuesta 10 líneas de código y evita el pánico del lunes por la mañana de “dejé el script corriendo toda la noche”.
5. Configura logging. Registra cada llamada: timestamp, modelo, tokens consumidos, costo e ID de usuario. Cuando tu CFO pregunte “¿qué es esta factura de $800?”, puedes mostrar cifras exactas por usuario, función y modelo —antes de que termine de formular la pregunta.
6. Configura modelos de respaldo. Si tu modelo principal devuelve errores por más de 30 segundos, cambia automáticamente a uno de respaldo. El usuario no sabe ni le importa qué modelo respondió —le importa que la respuesta llegó.
7. Versiona tus prompts. Trata los prompts como código. Guárdalos en control de versiones. Prueba los cambios antes de desplegar. Un ajuste aparentemente menor puede triplicar el consumo de tokens o cambiar la calidad de salida de formas inesperadas.
8. Monitorea costos a diario. No mensualmente. Una anomalía de $10/día detectada el martes es un problema de $50. La misma anomalía detectada a fin de mes es un problema de $300. Configura un resumen diario de costos que se pueda escanear en 10 segundos.
El atajo de la plataforma de agregación
Cada ítem del checklist anterior puedes construirlo tú mismo. O —para los ítems 2, 5, 6 y 8— algo que una plataforma de agregación provee por defecto. Respaldo automático. Logging de costos integrado. Resúmenes diarios de uso. Gestión de rate limits a nivel de plataforma.
Para un desarrollador independiente o un equipo pequeño, la pregunta no es “¿puedo construir esto?” sino “¿debería gastar mi primera semana construyendo infraestructura de LLM o construyendo mi producto?” La respuesta de la plataforma de agregación: construye tu producto. La infraestructura ya está ahí.
Cuándo ir directo: necesitas certificaciones específicas de cumplimiento empresarial que tu plataforma no tiene. Operas a una escala donde el margen por token de la plataforma (si lo hay) supera el costo de construir y mantener tu propio gateway. Tienes un equipo dedicado de infraestructura ML. Para todos los demás, el inicio de cinco minutos de una plataforma de agregación supera las dos semanas de configuración de infraestructura de ir directo.
FAQ
¿Necesito una tarjeta de crédito para empezar a usar LLM APIs?
No, con los niveles gratuitos (Google AI Studio, Groq, GLM-4.7 Flash) o plataformas de agregación que aceptan pagos alternativos (Alipay, WeChat, PayPal). Mira nuestra guía de LLM APIs más baratas para el desglose completo de niveles gratuitos.
¿Qué lenguaje de programación es mejor para LLM APIs?
Python tiene el mejor soporte de SDK y la comunidad más grande. JavaScript/TypeScript es un cercano segundo. Ambos funcionan bien. Usa el lenguaje que tu equipo ya conoce. La API es HTTP + JSON —cualquier lenguaje con un cliente HTTP puede llamarla.
¿Cuánto cuesta correr un proyecto pequeño?
$5–20 al mes para un proyecto personal con uso moderado (50–200 requests/día). Las plataformas de agregación te permiten empezar con un saldo prepagado de $5 —sin compromiso mensual. Nuestra guía de inicio rápido de TokSpan recorre la configuración exacta.
¿Cuál es la diferencia entre GPT-5.5 y GPT-5.4?
GPT-5.5 es el modelo insignia más reciente ($5/$30 por 1M tokens) con los puntajes de benchmark más altos. GPT-5.4 es una generación anterior pero 2× más barato ($2.50/$15). Para la mayoría de las tareas —resumen, clasificación, código simple— GPT-5.4 es la mejor relación. Usa GPT-5.5 cuando la tarea requiera máxima profundidad de razonamiento.
¿Puedo cambiar de modelo después sin reescribir mi app?
Sí, si usas el patrón del SDK de OpenAI. Cambia un parámetro model=. Las plataformas de agregación lo hacen trivial —todos los modelos disponibles a través del mismo endpoint. Prueba un modelo nuevo en producción cambiando una línea de configuración, no un repositorio de código.
Tu primera llamada a una LLM API tomó 10 líneas de código. Tu checklist de producción tiene 8 ítems. La brecha entre ellos es experiencia —y la forma más rápida de cerrarla es enviar esa segunda llamada con un modelo diferente, el mismo SDK, y observar cómo divergen las respuestas.
Tu turno: abre una terminal. Pega el ejemplo de 10 líneas de Python de la sección “Tu primer request”. Cambia la cadena del modelo de "deepseek-v4-flash" a "gpt-5.5". Envía ambos. Compara la latencia, el estilo de salida y el costo. Ese es un ejercicio de cinco minutos que te enseña más sobre selección de modelos que cualquier tabla de precios.
Envía tu primera llamada comparativa —un endpoint, todos los modelos principales, cero costo inicial.