Costes de la API de GPT Image 2.5 para la clasificación de casos de atención al cliente
Estima los costes de generación de imágenes con GPT Image 2.5 para clasificar casos de soporte, con supuestos explícitos sobre tokens, tasas de aprobación y cálculos reproducibles.
Resumen · TL;DR
Un presupuesto ilustrativo y reproducible para generar recursos visuales de soporte con GPT Image 2.5, que incluye tarifas por token, aprobación humana, reintentos y costes externos a la API de imágenes.
Puntos clave
- Estima los cargos del modelo de imagen a partir del uso real de tokens y las tarifas aplicables, no de un supuesto precio fijo por imagen.
- En la carga de trabajo ilustrativa, 1.250 intentos a $0.141 cada uno cuestan $176.25 y generan una previsión de 1.000 imágenes aprobadas con una tasa de aprobación del 80%.
- Al presupuesto del modelo de imagen hay que añadir la revisión humana, las llamadas a modelos de lenguaje facturadas por separado y otros costes del flujo de trabajo.
- La captura del catálogo de OneMux indica que los precios de GPT Image 2.5 son desconocidos; la relación de precios publicada no basta para calcular un cargo en dólares.
En esta página (9)
La respuesta para elaborar el presupuesto
Para un equipo de soporte que genera un recurso visual por cada intento de clasificación, una unidad útil de planificación es el coste por imagen aprobada por una persona, no el coste por llamada a la API. En la carga de trabajo ilustrativa que se presenta a continuación, 1.250 intentos cuestan $176.25 en cargos del modelo de imagen y producen una previsión de 1.000 imágenes aprobadas con una tasa de aprobación del 80%. Esto equivale a unos $0.176 por imagen aprobada, sin incluir el tiempo de revisión ni otros servicios.
Se trata de un escenario, no de una cotización ni de una tasa de aprobación medida. OneMux, editor de este artículo, ofrece acceso a modelos mediante una API compatible con OpenAI; la captura de su catálogo no proporciona los precios en dólares de GPT Image 2.5 necesarios para verificar una factura de OneMux.
Define un flujo de soporte delimitado
Imagina una cola de casos en la que un agente revisa la descripción de un cliente y, cuando resulta útil, solicita un recurso visual para ayudar a explicar un paso de resolución de problemas. Una persona comprueba la imagen generada antes de adjuntarla a una propuesta de respuesta. La imagen no decide la prioridad del ticket ni se envía al cliente sin aprobación.
Define los criterios de aceptación antes de medir el coste: la imagen debe representar con precisión el producto o el paso pertinente, evitar detalles no fundamentados y ser comprensible junto con las instrucciones escritas del agente. Una imagen de aspecto pulido que muestre el conector equivocado debería rechazarse en la revisión.
Este ejemplo supone una imagen por intento, incluidos los intentos que se rechazan posteriormente. Los casos reales pueden no necesitar ninguna imagen, requerir varias revisiones o seguir un flujo completamente distinto. No envíes imágenes de clientes ni datos de cuentas sin comprobar las normas de privacidad de tu organización y las condiciones de tratamiento de datos aplicables del proveedor.
Captura de precios: lo que se sabe y lo que no
La siguiente captura del catálogo de OneMux se obtuvo el 19 de noviembre de 2026. Sus campos de precios no establecen tarifas en dólares por token ni por imagen. La relación publicada se reproduce tal como figura en el catálogo; sin conocer los precios y las condiciones, no puede convertirse en una afirmación de ahorro.
| Modelo | Precio oficial de entrada | Precio oficial de salida | Precio de entrada de OneMux | Precio de salida de OneMux | Relación de precios publicada |
|---|---|---|---|---|---|
| GPT Image 2.5 | Desconocido | Desconocido | Desconocido | Desconocido | 0.1 |
El catálogo no proporciona precios de caché ni condiciones por nivel para esta entrada. Desconocido no significa cero. Comprueba las condiciones aplicables al modelo y a la cuenta antes de comprometer un presupuesto; los precios de OneMux son un punto de partida, no un sustituto de una cotización para tu cuenta.
Por otra parte, un artículo de Ofox sobre precios informa de las siguientes tarifas de OpenAI para las variantes Flare y Sunburst, cita las páginas oficiales de los modelos e indica que comprobó las tarifas el 9 de septiembre de 2026. Son tarifas históricas de referencia de esa fuente, no cargos actuales de OneMux verificados.
| Categoría de facturación | Tarifa indicada | Unidad |
|---|---|---|
| Entrada de texto sin caché | $5.00 | por millón de tokens |
| Entrada de texto en caché | $1.25 | por millón de tokens |
| Entrada de imagen sin caché | $8.00 | por millón de tokens |
| Entrada de imagen en caché | $2.00 | por millón de tokens |
| Salida de imagen | $30.00 | por millón de tokens |
La fuente indica las mismas tarifas para ambas variantes, pero unas tarifas por token iguales no demuestran que el uso ni el coste por imagen aprobada sean iguales. También señala que, cuando se llama a una herramienta de imagen mediante la Responses API, puede intervenir un modelo de lenguaje facturado por separado. Comprueba las tarifas actuales, las variantes disponibles, las reglas de caché y los posibles niveles con el proveedor que te facture.
Reproduce la estimación del modelo de imagen
Usa las tarifas históricas anteriores solo para ilustrar el cálculo. Supongamos que cada intento tiene 1.000 tokens de entrada de texto sin caché, 2.000 tokens de entrada de imagen sin caché y 4.000 tokens de salida de imagen. Supongamos que no se aplica ningún descuento por caché ni hay otros cargos del modelo de imagen. Estas cantidades de tokens son ilustrativas, no mediciones para un tamaño o una calidad de imagen concretos.
| Componente | Cálculo | Coste por intento |
|---|---|---|
| Entrada de texto | 1,000 × $5 ÷ 1,000,000 | $0.005 |
| Entrada de imagen de referencia | 2,000 × $8 ÷ 1,000,000 | $0.016 |
| Salida de imagen | 4,000 × $30 ÷ 1,000,000 | $0.120 |
| Total | $0.005 + $0.016 + $0.120 | $0.141 |
Una solicitud sin imagen de referencia no tendría ese componente concreto de entrada de imagen, aunque su uso en otros componentes también podría ser diferente. En el caso de las entradas en caché, aplica la tarifa correspondiente solo a los tokens identificados como almacenados en caché; no vuelvas a cobrar esos mismos tokens como entrada sin caché. Reutilizar una imagen de referencia no garantiza un acierto de caché.
Convierte los intentos en imágenes aprobadas
Supongamos que cada intento cuesta los $0.141 ilustrativos y que el 80% supera la revisión humana. Divide el objetivo de imágenes aprobadas entre 0.80 para estimar los intentos y multiplica después los intentos por $0.141. Cuando sea necesario, redondea el número de intentos al entero superior.
| Objetivo de imágenes aprobadas | Intentos previstos con un 80% de aprobación | Coste del modelo de imagen | Coste por imagen aprobada |
|---|---|---|---|
| 100 | 125 | $17.625, o aproximadamente $17.63 | $0.17625 |
| 1.000 | 1.250 | $176.25 | $0.17625 |
La aprobación es incierta, por lo que estos son valores esperados, no garantías de entrega. Con una tasa de aprobación del 60%, alcanzar el mismo objetivo de 1.000 imágenes requiere una estimación de 1.667 intentos y cuesta $235.047, o aproximadamente $235.05, bajo el mismo supuesto de coste por intento. Las revisiones reales pueden consumir distintas cantidades de entrada y salida, así que utiliza un promedio medido de todos los intentos facturados cuando dispongas de él.
La aprobación humana tiene un coste independiente. A modo de ejemplo, si revisar cada uno de los 1.250 intentos lleva dos minutos y el tiempo de revisión se valora en $30 per hour, la revisión añade $1,250. Ese supuesto no es un cargo de la API ni un tiempo de gestión medido. Añade las llamadas a modelos de lenguaje facturadas por separado, el almacenamiento, la infraestructura de la aplicación, los impuestos y otros cargos aplicables para obtener un presupuesto del flujo de trabajo.
Realiza una prueba piloto pequeña antes de fijar un límite
- Define la combinación de casos. Registra cuántos tickets necesitan una imagen e incluye tanto casos sencillos como difíciles. Al calcular el coste por ticket clasificado, incluye en el recuento los casos que nunca requieren una imagen.
- Registra cada intento. Anota el proveedor, el ID exacto del modelo, la fecha, la configuración de imagen, el número de imágenes de referencia, el uso devuelto, las tarifas aplicables y el cargo real cuando esté disponible. Marca el uso que falte como desconocido, no como cero.
- Revisa con los mismos criterios. Registra las aprobaciones, los rechazos, los intentos de corrección y el tiempo de revisión. Una respuesta correcta de la API no es automáticamente un recurso de soporte aprobado.
- Concilia los totales. Divide todos los cargos del lote, incluidas las revisiones facturadas, entre las imágenes aprobadas. Por separado, divide el coste total del flujo de trabajo entre todos los tickets clasificados si esa es tu unidad de presupuesto operativo. No des por hecho que se facturan todas las solicitudes fallidas ni que todos los reintentos son gratuitos.
- Comprueba la compatibilidad de la integración. OneMux proporciona acceso mediante una API compatible con OpenAI, pero verifica el endpoint documentado, el identificador del modelo y los parámetros de imagen necesarios antes de depender de una integración concreta. La prueba piloto descrita aquí no se ha probado en OneMux.
El artículo de Ofox indica que la calculadora de tokens de salida de GPT Image 2.5 cubre las estimaciones de salida, no la solicitud completa, y excluye las entradas y las imágenes intermedias de streaming. Úsala como un dato más para el presupuesto y después concíliala con el uso y los cargos reales. También conviene volver a comprobar las tarifas que indica, en lugar de considerarlas permanentes.
Conclusión
Para clasificar casos de soporte, la decisión consiste en determinar si el flujo completo, con aprobación humana, justifica su coste, no si una sola solicitud de imagen parece barata. Empieza con un escenario explícito y sustituye después sus cantidades de tokens, tasa de aprobación, tiempo de revisión y precios por los resultados de tu propia prueba piloto.
Fuentes
- Ofox: precios y presupuestos de la API de GPT Image 2.5 — tarifas históricas indicadas para el modelo, ejemplos de cálculo y limitaciones de la calculadora de salida.
- Página del modelo GPT Image 2.5 en OneMux — entrada del catálogo de modelos; la captura de precios proporcionada se obtuvo el 19 de noviembre de 2026.
- Precios de OneMux — consulta los precios publicados actuales y las condiciones aplicables.
Captura de precios publicada
Capturada el 2026-11-19T15:00:05.621Z del catálogo publicado de OneMux. Los precios conservan las unidades de facturación del sitio web; no se trata de una comparativa en tiempo real. La facturación por niveles, caché o tiempo puede ser diferente. Los valores desconocidos no son cero.
| Modelo | Entrada oficial | Salida oficial | Entrada de OneMux | Salida de OneMux | Relación de precios publicada |
|---|---|---|---|---|---|
| GPT Image 2.5 | Desconocido | Desconocido | Desconocido | Desconocido | 0.1 |
Precios actuales de OneMux. Compara los costes de las cargas de trabajo solo cuando coincidan las unidades de entrada, salida y facturación; consulta las condiciones por nivel en la página de cada modelo.
FAQ
¿Existe un precio fijo por imagen para GPT Image 2.5?
La fuente proporcionada describe tarifas basadas en tokens, no un cargo fijo por imagen. El coste real depende del uso, las tarifas aplicables, la caché y los servicios facturados por separado.
¿La relación de precios de OneMux permite determinar el coste de esta carga de trabajo?
No. La captura del catálogo proporcionada indica que los precios de entrada y salida en dólares son desconocidos. La relación publicada de 0.1 no basta para calcular un cargo en dólares ni para fundamentar una afirmación de ahorro.
¿Deben incluirse las imágenes rechazadas en el presupuesto?
Sí. Incluye todos los cargos realmente facturados por el lote, incluidas las revisiones facturadas y las imágenes rechazadas. Divide el total entre el número de imágenes que superan la revisión humana.
Artículos relacionados
Guides
Estimación del coste de la API de GPT 6.2 Astra para clasificar solicitudes de soporte con aprobación humana
Estima el coste en tokens de GPT 6.2 Astra para un flujo de clasificación de solicitudes de soporte al cliente con aprobación humana, con ejemplos de tramos y caché.
Guides
Costes de la API de GPT Image 2.6 Flare para la clasificación de casos de soporte: un cálculo paso a paso
Calcula los costes de la API de GPT Image 2.6 Flare para un flujo de soporte con aprobación humana, a partir de supuestos explícitos sobre tokens, reintentos y revisión.
Guides
Estimación del costo de la API de DeepSeek V4.1 Flash para clasificar tickets de soporte
Una estimación de costos reproducible para usar DeepSeek V4.1 Flash al clasificar tickets de soporte para revisión humana, con supuestos explícitos y salvedades sobre los precios.
Guides
Calcula el costo de la API de Muse Spark 1.3 Contributor para clasificar tickets de soporte con aprobación humana
Estimación reproducible del costo de usar Muse Spark 1.3 Contributor para clasificar tickets de soporte antes de la revisión humana, con supuestos explícitos sobre tokens, caché, precios y volumen de trabajo.