De 0,02 € a 0,0001 € por reseña: adiós a las APIs externas

17 de septiembre de 2026

Cómo pasé de pagar 0,02 € por reseña a 0,0001 € (y de paso mandé a la porra las APIs externas)

¿Te has parado a pensar cuánto te cuesta que una máquina te diga si un usuario está contento o cabreado?

Yo sí. Y la respuesta me dejó el café a medio camino entre la taza y el teclado. Teníamos una app con un volumen decente de reseñas entrando cada día. Nada del otro mundo: usuarios que puntúan, usuarios que escriben, usuarios que se desahogan a las tres de la mañana porque el botón de guardar no les funciona. Lo típico.

Y para clasificar todo ese torrente de opiniones, hacíamos lo que hace el 90% del sector: llamar a una API externa. Un modelo en la nube, muy bonito, muy potente, y muy caro cuando lo usas mil veces al día. Cada consulta: 0,02 €. Parece calderilla, ¿verdad? Pues multiplica. Y multiplica otra vez. Y luego llora un poco cuando te llega la factura de fin de mes.

Así que me propuse algo que, sobre el papel, suena a chiste: montar un modelo de IA en local, dentro de nuestra propia infraestructura, sin depender de nadie. Y bajar ese coste por consulta a 0,0001 €. Sí, has leído bien. Un 99,5% menos. Menos de una milésima de céntimo por reseña clasificada.

¿Cómo lo hice? Siéntate, que te lo cuento. Y sí, hubo momentos de sudar.

El problema no era la IA. Era la dependencia

Antes de seguir, un matiz importante: no odio las APIs externas. Son cómodas, escalan solas y te ahorran el dolor de cabeza de entrenar nada. Pero tienen tres problemas que, juntos, son un veneno lento.

• Primero: pagas por cada llamada. Da igual si la reseña es un "me encanta" de tres palabras o un testamento de 400 caracteres. La tarifa es la tarifa.
• Segundo: tus datos salen de casa. Cada reseña que envías a un tercero es un dato que ya no controlas. Y con el RGPD respirándonos en la nuca, eso no es un detalle menor.
• Tercero: dependes de que el otro esté vivo. Si la API se cae, tu clasificación se cae. Si cambian el precio, tú cambias de humor. Si te limitan el rate, tú limitas el producto.

Un día, revisando métricas, me di cuenta de que estábamos gastando más en clasificar reseñas que en el servidor que servía la app entera. Y ahí saltó la chispa.

La decisión: no reescribas. Añade.

Confieso que mi primer instinto fue el de siempre: "vamos a montar un sistema nuevo desde cero". Error. El clásico error del developer que quiere jugar con juguetes nuevos.

Lo bueno es que me di cuenta a tiempo. Nuestra app ya funcionaba. Tenía su lógica, sus reglas, su pipeline. Las reseñas entraban, se guardaban, se mostraban. Todo eso estaba bien. El único hueco era la clasificación: saber si una reseña era positiva, negativa o neutra, y detectar urgencias tipo "no puedo iniciar sesión" para que soporte las viera antes.

Así que cambié el enfoque: no reemplacé nada, añadí una capa. Un modelo local que se sentaba encima del sistema existente, como una guinda que en vez de decorar, trabaja.

Esa decisión, por sí sola, me ahorró semanas de refactorización y un par de canas.

Manos a la obra: el plan en cuatro actos

Acto 1: elegir un modelo que quepa en mi mundo

Aquí viene la primera sorpresa. No necesitas un modelo gigante. No estás pidiendo que te escriba una novela ni que resuelva integrales. Estás clasificando texto corto en tres o cuatro categorías. Eso lo hace un modelo pequeño, afinado para la tarea, y lo hace de maravilla.

Busqué modelos abiertos, ligeros, que pudieran correr en CPU sin montar un data center. La clave: cuantización. Es como comprimir una maleta para que quepa en el maletero. Pierdes un poquito de precisión, pero ganas velocidad y espacio. Para clasificar reseñas, ese intercambio es oro puro.

Acto 2: preparar los datos como quien prepara una paella

Un modelo sin buenos datos es como un cocinero sin ingredientes. Revisé reseñas históricas, las etiqueté (positiva, negativa, neutra, urgente) y me aseguré de tener ejemplos de todos los colores. Incluidas las difíciles: la ironía, el sarcasmo, el "genial, otra vez roto".

Esa parte no es glamurosa. Es tediosa. Pero es la que decide si el invento funciona o es un juguete caro.

Acto 3: integrarlo sin romper nada

Monté un pequeño servicio interno que carga el modelo al arrancar y expone una función sencilla: le das texto, te devuelve categoría y un nivel de confianza. Nada de microservicios por todos lados ni arquitecturas que parecen el mapa del metro de Tokio.

Lo conecté al pipeline existente. Cuando entra una reseña, se clasifica en milisegundos. Si la confianza es baja, se marca para revisión humana. Simple. Aburrido. Funciona.

Acto 4: medir, medir y volver a medir

Aquí es donde llegó la fiesta. Comparé resultados contra la API externa durante dos semanas, en paralelo. La precisión fue prácticamente idéntica. La latencia, mejor. Y el coste…

De 0,02 € a 0,0001 € por consulta.

Ese número no es marketing. Es la realidad de no pagar por llamada y de aprovechar hardware que ya tenías encendido. El modelo corre en máquinas que ya estaban ahí, consumiendo lo que ya consumían. El coste marginal por clasificar una reseña se desploma.

Lo que aprendí (y lo que te llevas tú)

• Primero: lo pequeño gana. No necesitas el modelo más grande del mundo para resolver problemas concretos. Necesitas el modelo adecuado, bien afinado y bien integrado.
• Segundo: la privacidad es un bonus que no esperabas. Al procesar todo en local, las reseñas de tus usuarios no salen de tu infraestructura. Eso, además de dormir mejor, es un argumento que tus usuarios agradecen aunque no lo sepan.
• Tercero: disponibilidad 24/7 sin sobresaltos. No hay API de terceros que se caiga a las 3 de la mañana. No hay rate limits. No hay emails de "hemos actualizado nuestros precios". El modelo es tuyo y hace lo que le pides.
• Y cuarto, el más importante: el valor no está en tirar lo viejo, sino en potenciarlo. No construí un sistema nuevo. Añadí inteligencia a lo que ya funcionaba. Eso maximiza el retorno de cada euro invertido y, de paso, mejora la experiencia del usuario final sin que note nada raro. Solo que va más rápido y responde mejor.

Reflexión final: la IA local no es una moda, es una decisión estratégica

Hay una corriente que te dice que la única forma de hacer IA en serio es pagar a alguien con GPUs gigantes. Y no. Para un montón de problemas reales —clasificar, etiquetar, detectar, resumir— un modelo local bien montado te da el 95% del resultado por el 5% del coste.

No es magia. Es ingeniería. Es elegir bien, medir mejor y no complicarte la vida.

Así que te dejo una pregunta que a mí me cambió la forma de trabajar: ¿cuántas cosas de tu producto estás mandando a la nube por costumbre, cuando podrías resolverlas en casa por casi nada?

Piénsalo. Y si te animas, cuéntame. Que de esto se aprende escuchando.