Token-inflazioa: nola igotzen duen Anthropicek AAren faktura prezioak igo gabe

Zer gertatu den benetan

Claude Opus 4.7 kaleratzearekin batera, Anthropicek mezu oso argia bidali zien garatzaileei eta enpresei:

«Prezioak Opus 4.6koak berberak izaten jarraitzen du: 5 dolar sarrerako milioi token bakoitzeko eta 25 dolar irteerako milioi token bakoitzeko.»

Itxuraz, marruskadura zero: eredua eguneratzen duzu, emaitzak hobetzen dira, eta fakturak ez du aldatzen.

Errealitatea deserosoagoa da. Komunikatu berean, Anthropicek kostuan eragin zuzena duten bi aldaketaz ohartarazten du:

1. Tokenizatzaile berria. Sarrera berak Opus 4.6k baino 1,0 eta 1,35 aldiz token gehiago sortzen ditu.
2. «Ahalegin»-maila berria, xhigh, defektuz. Ereduak gehiago arrazoitzen du erantzun aurretik, batez ere fluxu agentikoetan, eta irteerako token gehiago sortzen ditu — sarrerakoak baino 5 aldiz garestiagoak direnak.[1]

Zure argindar-hornitzaileak «ez dugu kWha igo» esatea bezala da… baina kontagailua diskretuki aldatzea azkarrago ibil zaitezen.

Zergatik den garrantzitsua tokenizatzaileak (teknikoa dirudien arren)

Hizkuntza-ereduek ez dute testua prozesatzen: tokenak prozesatzen dituzte. Tokenizatzailea da zure testua ereduak ulertzen eta kobratzen dituen gutxieneko unitate horietan bihurtzen duena.

Anthropicek tokenizatzailea aldatzen badu, lehen 1.000 token sortzen zituen prompt berak orain 1.350 arte sor ditzake. Eta tokenka fakturatzen denez, kostu eraginkorra igo egiten da unitate-prezioa mantentzen bada ere.

Hau ez da teoria bat: hirugarrenek egiaztatu dute.

• Simon Willisonek Opus 4.7ren system prompt ofiziala konparatu zuen bi ereduetan: irteerako 5.039 token-etik 4.6rekin 7.335 token-era pasatu zen 4.7rekin. 1,46x-ko hazkundea, 1,35x ofiziala baino gehiago.
• Bill Chambersek Tokenomics izeneko tresna bat sortu zuen bi ereduen arteko benetako kontsumoa neurtzeko. Bere erabiltzaileen batez besteko agregatua: % 38,6 token gehiago.
• Irudien kasuan, igoera 3x izatera irits daiteke, eredu berriak 3,75 Mpixel arte onartzen dituelako eta horrek irudiko token-kopurua handitzen duelako.[1]

Eta hori guztia bigarren faktorea ukitu aurretik: ahalegin-maila.

xhigh maila berria: «pentsamendu» gehiago, faktura gehiago

Opus 4.7k arrazoitze-maila berri bat sartzen du, xhigh, high eta max artean kokatua. Eta defektuz jarri du plan guztietarako.

Itzulpena: ereduak erantzun aurretik «gehiago pentsatzen du», batez ere konfigurazio agentikoetako ondoko txandetan. Horrek arazo zailetan fidagarritasuna hobetzen du… eta irteerako token gehiago sortzen ditu. Anthropicek berak aitortzen du:

«Opus 4.7k gehiago pentsatzen du ahalegin-maila altuetan, bereziki konfigurazio agentikoetako ondoko txandetan. Horrek arazo zailetan haren fidagarritasuna hobetzen du, baina irteerako token gehiago sortzen ditu.»

Eta ez da kostu-gai bat bakarrik. Reddit eta X-en hari oso kritikoak daude atzerapausoei, alucinazioei, erantzun luzeegiei eta Pro eta Max planen mugei buruz, aurreko ereduarekin baino lehenago agortzen direnak.[1]

Edozein CFOk edo IT arduradunek begiratu beharko lukeen formula

«Claude-ren prezioa» ez da 5$ ezta 25$ ere. Zure P&Lan eragiten duen benetako kostua formula honi erantzuten dio:

$$\text{Kostua} = \text{Token}_{\text{sarrera}} \times P_{\text{in}} + \text{Token}_{\text{irteera}} \times P_{\text{out}}$$

Opus 4.7ren egungo parametroekin:

Hau da: duela hilabete zure AA pilotuak 1.000 €/hilean kostatzen bazuen Opus 4.6rekin, ezer ukitu gabe 4.7ra migratzean 1.350 – 1.500 €/hilean egon zaitezke erraz. «Prezio-igoera»ren posta elektronikorik jaso gabe.

Ereduaren sotilena: pricing ez da jada metrika

Hau ez da akats bat. Negozio-ereduaren aldaketa isil bat da. Eta beste seinale batzuekin bat dator:

• Opus 4.6n «atzerapausoei» buruzko aurreko kexak.
• Programatzeko AA tarifa lauak, hainbat analisiren arabera, matematikoki jasanezinak direnak.
• Kuotak, testuinguru-leihoak eta ahalegin-mailak iragarpen handirik gabe doitzen dituzten hornitzaileak.

Eredu argi bat marrazten du: hornitzaileak kostu eraginkorrean eragiten duten barne-palankak mugitzen ditu, kanpora tarifari ukitu gabe.

AA demo batean bakarrik duen enpresa batentzat, hau anekdota da. AA prozesu kritikoetan —salmentak, laguntza, finantzak, eragiketak— sartzen ari den enpresa batentzat, lehen mailako arrisku estrategikoa da.

Nola gobernatu AAren benetako kostua zure enpresan

Procesimen lan egiten dugun prozesuen automatizazio eta AA proiektuetan, premisa sinple batetik abiatzen gara:

Hauek dira modu sistematikoan aplikatzen ditugun bost palankak:

1. Kostua erabilera-kasuko neurtu, ez ereduko

Ez da nahikoa «Claude Opus-ek X kostatzen du» jakitea. Workflow bakoitzak zenbat kostatzen duen jakin behar da: tiket bat erantzutea, proposamen bat sortzea, faktura bat aztertzea, etab. Horrek zereginako token-logging-a eta txosten agregatua eskatzen du, enpresako gainerako adierazleen ondoan neurrira panel gisa muntatu ohi dugun zerbait.

2. Zereginako aurrekontu gogorrak definitu

Anthropicen task budgets jardunbidea bide egokian doa: zeregin bakoitzak zenbat token kontsumi ditzakeen mugak jartzea, moztu edo eskalatu aurretik. n8n, agente edo RAGeko arkitekturetan, hori exekuzio bakoitzeko muga esplizitu bihurtzen dugu.

3. Ahalegin-maila zeregin motaren arabera doitu

Ez du dena xhigh behar. Postak sailkatzea, bilerak laburtzea, datu egituratuak ateratzea… zeregin askok primeran funtzionatzen dute medium edo high-ekin. xhigh arrazoitze kritikorako bakarrik uzteak (debugging konplexua, azterketa juridikoa, arkitektura-diseinua) faktura jaisten du kalitaterik galdu gabe.

4. Ereduaren hitzontzia kontrolatu

Irteerako soberako hitz bakoitza dirua da. Erantzun egituratuak, luzera-muga esplizituekin eta JSON formatuko irteerekin behartzen dituzten prompt-ek irteerako kontsumoaren % 20 eta % 40 artean murrizten dute normalean.

5. B plana (eta C) izan

Ekoizpeneko AA sistema on batek ez du hornitzaile bakar baten ezta eredu bakar baten mende egon behar. Zereginako routing-a diseinatzen dugu: eredu indartsua arrazoitze konplexurako, eredu txikiagoak edo lokalak errutinarako, eta aurreko bertsioetara (Opus 4.6, Sonnet 4.6…) fallback ROIak ez duenean konpentsatzen.

Zer egin beharko zenuke aste honetan Claude ekoizpenean erabiltzen baduzu

Oso aplikatua den checklista bat:

• Opus 4.7ra migratu aurretik eta ondoren token-kontsumoa berrikusi (gutxienez aste 1).
• Egiaztatu xhigh zure endpoint-etan defektuz ari den eta jaitsi balio gehigarririk ematen ez duen tokian.
• Erabili /usage Claude Code-n edo APIaren panelak gastua nora doan ikusteko.
• Ezarri zereginako aurrekontuak fluxu agentikoetan (n8n, Claude Code, agente pertsonalizatuak).
• Baloratu zure kasurako Opus 4.6 edo Sonnet 4.6 mantentzea konpentsatzen duen, eskuragarri dauden bitartean.
• Hasi AAren kostua negozio-prozesuko txostenatzen, ez faktura osoaren arabera bakarrik.

Ondorio deserosoa

Claude Opus 4.7ren istorioa ez da benetan eredu bati buruzkoa. AA hornitzaileek beren diru-sarreren eredua nola heltzen ari diren da. Eta AA erabiltzen duten enpresek beren kontrol-eredua nola heldu behar duten da.

2026an, AArekin irabaztea ez da eredurik merkeena ezta indartsuena aukeratzea. Kontsumoa kasuz kasu gobernatzea da, beste edozein kostu-partida kritiko gobernatzen den seriotasun berarekin.

Hori egiten ez duenak hurrengo «token-inflazioa» beti aurkitzen den lekuan aurkituko du: fakturan, ez komunikatu ofizialean.

---

Iturri nagusia: Anthropic no ha subido el precio de Claude. Ha inventado algo mejor: la inflación de tokens — Xataka