DeepSeek para un agente de IA: ventajas, límites y costes reales

DeepSeek es un buen candidato para un agente de IA cuando el presupuesto es importante: sus modelos V4 combinan precios muy bajos, un contexto de aproximadamente 1 millón de tokens, llamadas a herramientas y pesos abiertos. Los aspectos que conviene evaluar son la fiabilidad en sus tareas reales y el lugar de procesamiento de los datos cuando se utiliza la API oficial. A continuación encontrará las cifras que recopilamos y un método para decidir.

Los modelos de DeepSeek que conviene conocer

DeepSeek es un laboratorio chino que publica sus modelos en Hugging Face y ofrece acceso a ellos mediante una API oficial. Su catálogo actual se divide en dos familias: Flash, orientada a la velocidad y al precio, y Pro, de mayor tamaño. Nuestro directorio de modelos los analiza con los mismos criterios que los de otros desarrolladores.

Las cifras siguientes proceden de los datos que recopilamos el 24/10/2026 (fuente: OpenRouter). Los precios se expresan en dólares por millón de tokens de entrada y de salida, y cambian con frecuencia.

Modelo	Precio de entrada / salida	Contexto	Licencia	Llamadas a herramientas
DeepSeek V4 Flash 0731	0,044 $ / 0,133 $	aproximadamente 1 millón de tokens	MIT	sí
DeepSeek V4 Pro 0813	0,66 $ / 1,98 $	aproximadamente 1 millón de tokens	MIT	sí
DeepSeek V4.1 Flash	0,02 $ / 1,00 $	aproximadamente 1 millón de tokens	no especificada	sí
DeepSeek V3.2	0,28 $ / 0,42 $	163 840 tokens	MIT	sí

Conviene tener en cuenta dos detalles. V4.1 Flash combina un precio de entrada muy bajo con una salida más cara que la de V4 Flash: este perfil favorece a un agente que lee mucho y escribe poco, pero resulta menos ventajoso si genera mucho texto. Además, coexisten varias versiones de un mismo modelo (0423, 0731, 0813 para V4) con precios distintos: compruebe siempre la versión exacta que utiliza su herramienta.

Cuánto cuesta una tarea de un agente

Un agente vuelve a leer su contexto en cada paso: el coste depende sobre todo de los tokens de entrada. Retomemos el ejemplo de nuestro análisis de Mistral, que puede adaptar a sus cifras: 20 pasos, 15 000 tokens de entrada y 500 tokens de salida por paso, es decir, 300 000 tokens de entrada y 10 000 de salida.

• V4 Flash 0731: 0,0132 $ + 0,0013 $, es decir, unos 0,015 $ por tarea.
• V3.2: 0,084 $ + 0,0042 $, es decir, unos 0,09 $ por tarea.
• V4 Pro 0813: 0,198 $ + 0,0198 $, es decir, unos 0,22 $ por tarea.

La diferencia entre Flash y Pro es de un factor de aproximadamente 15. La caché de prompts, que figura con un precio reducido para estos modelos en los datos recopilados, abarata aún más la parte repetida de la entrada. Para calcular el coste de su volumen real de uso, utilice la calculadora de precios de LLM y lea nuestra guía sobre los precios de las API de LLM.

Ventajas para un agente

• Precio: con una calidad comparable en sus tareas, un modelo Flash puede reducir el coste en un orden de magnitud respecto a un modelo insignia estadounidense, algo que puede comprobar con la calculadora.
• Contexto largo: aproximadamente 1 millón de tokens para la familia V4, útil para un agente que conserva historiales extensos o lee repositorios completos.
• Razonamiento y herramientas: los modelos V4 de los datos recopilados figuran como compatibles con razonamiento, llamadas a herramientas y salidas estructuradas.
• Pesos abiertos: puede alojarlos en su propia infraestructura o con un proveedor. Nuestra explicación sobre los pesos abiertos aclara qué garantiza esta denominación, y el artículo sobre modelos de código abierto frente a modelos cerrados detalla las ventajas y los inconvenientes.
• Puntuaciones publicadas: V4 Pro 0813 obtiene un 91,7 % en GPQA y V4 Flash 0731 un 91,0 % según los datos recopilados (fuente: Epoch AI). Estas puntuaciones evalúan respuestas a preguntas científicas, no la calidad de un agente: lea nuestra guía para interpretar las clasificaciones antes de utilizarlas.

Limitaciones y aspectos que conviene revisar

Fiabilidad de las llamadas a herramientas. Los datos recopilados indican que los modelos admiten herramientas; no permiten saber si completan correctamente los parámetros o si entran en bucles. Es lo primero que debe probar. Nuestro artículo sobre los errores y las alucinaciones de los agentes propone un método de evaluación.

Datos y RGPD. El desarrollador chino gestiona la API oficial: sus solicitudes se procesan conforme a sus condiciones. Si trabaja con datos personales o contractuales, revise esas condiciones y consulte nuestro artículo sobre agentes de IA y RGPD. La alternativa consiste en utilizar los pesos abiertos con un proveedor de alojamiento europeo o en sus propios servidores.

Tamaño de los modelos. Los modelos V4 tienen varios cientos de miles de millones de parámetros (aproximadamente 304 mil millones para V4 Flash 0731 y unos 1 650 mil millones para V4 Pro 0813 según los datos recopilados). Ejecutarlos en local requiere servidores; para un equipo personal, opte por modelos más pequeños (consulte la calculadora de VRAM).

Estabilidad de las versiones. El catálogo cambia deprisa: aparecen modelos nuevos casi todos los meses. Fije la versión que utiliza su agente y repita las pruebas con cada cambio.

Cómo utilizarlo en un agente

Muchos agentes admiten proveedores compatibles con la API de OpenAI: basta con indicar la dirección de la API, la clave y el nombre del modelo, como explica la documentación de DeepSeek. Los agentes compatibles con varios proveedores, como Aider, Cline o Goose, permiten pasar de un modelo a otro sin cambiar de herramienta. Si busca un agente de programación, consulte nuestra comparativa de agentes de programación.

Un método sencillo para decidir:

1. Reúna entre 15 y 20 tareas reales de su agente.
2. Ejecútelas con un modelo Flash, después con Pro y, por último, con el modelo que utiliza actualmente.
3. Cuente las tareas completadas sin intervención, los errores de herramientas y el coste total.
4. Elija el modelo más barato que alcance su umbral de éxito y conserve el más capaz como respaldo.

El Benchmark LLM del laboratorio ayuda a hacer una primera selección, y la guía para elegir un modelo LLM detalla los criterios.

Un caso de uso: un agente que lee documentos

Imagine un agente encargado de resumir cada mañana los documentos nuevos de una carpeta compartida y señalar cuáles requieren una decisión. El escenario es ficticio y sirve para analizar el coste y la fiabilidad.

Este tipo de agente lee mucho y escribe poco: un modelo Flash es el primer candidato, porque su precio de entrada es el más bajo de los datos recopilados y su contexto de aproximadamente 1 millón de tokens permite procesar varios documentos a la vez. El riesgo principal no es el precio, sino la exactitud: un resumen que omite un asunto que requiere una decisión puede salir más caro que una factura elevada. Por eso, conviene comparar Flash y Pro con unas decenas de documentos reales y registrar las omisiones.

Si los documentos son confidenciales, la forma de acceder al modelo pesa más que la elección del propio modelo: pesos abiertos alojados bajo su control o API oficial tras revisar las condiciones. En caso de duda, empiece con documentos que no contengan información sensible.

Poner un modelo de DeepSeek en producción

Algunos ajustes ayudan a evitar sorpresas:

• Fijar la versión: utilice el identificador exacto (por ejemplo, la fecha incluida en el nombre) en lugar de un alias que cambie.
• Limitar el número de pasos y el presupuesto por tarea, ya que un modelo de razonamiento puede consumir tokens de razonamiento que se facturan.
• Prever un modelo de respaldo de otro desarrollador por si la API no está disponible, y evaluarlo con el mismo conjunto de pruebas.
• Registrar las llamadas a herramientas para entender los fallos; consulte la guía para supervisar un agente de IA.
• Comprobar el precio con cada actualización: las fichas de nuestro directorio se actualizan cada vez que recopilamos datos.

Los errores que aparecen con un modelo económico se parecen a los de otros modelos y se abordan de la misma manera: consulte cómo reducir las alucinaciones de un agente.

Fuentes que puede consultar

• Documentación de la API de DeepSeek: modelos, tarifas y parámetros del desarrollador.
• Página de DeepSeek en Hugging Face: pesos, licencias y fichas de los modelos.
• Los datos que recopilamos el 24/10/2026 (fuente: OpenRouter) para los precios y contextos citados anteriormente.

Para quién es adecuado y para quién no

• Adecuado para: agentes con un gran volumen de uso, tareas bien definidas, equipos capaces de alojar pesos abiertos y proyectos donde el coste por tarea es el criterio principal.
• Aspectos que debe comprobar: fiabilidad de las herramientas, requisitos de confidencialidad, condiciones de la API oficial y estabilidad de la versión elegida.
• Menos adecuado para: datos sensibles enviados a la API oficial sin un análisis jurídico previo o herramientas optimizadas para un único proveedor.

Qué debe saber antes de elegir

• Compare versiones concretas: la diferencia de precio entre dos modelos de DeepSeek alcanza un factor de 15 en nuestro ejemplo.
• Los pesos abiertos permiten elegir dónde se procesan sus datos; la API oficial no ofrece esa posibilidad.
• Pruebe entre 15 y 20 tareas reales antes de migrar.
• Revise la página oficial de precios el día de la decisión: nuestras cifras son del 24/10/2026.
• Para reducir la factura más allá de la elección del modelo, lea cómo reducir el coste de un agente de IA.

Preguntas frecuentes

¿DeepSeek es gratuito?

Los pesos de varios modelos de DeepSeek se pueden descargar gratuitamente, con licencia MIT en los casos que así lo indican en los datos recopilados. Sin embargo, ejecutarlos en su equipo requiere hardware, y tanto la API oficial como los proveedores de alojamiento externos cobran por token.

¿DeepSeek es seguro para los datos de una empresa?

Depende de cómo lo utilice. Con la API oficial, sus solicitudes las procesa el desarrollador, una empresa china: revise sus condiciones y compruebe el cumplimiento del RGPD en su caso. Si aloja los pesos abiertos en su infraestructura o con un proveedor europeo, conserva el control sobre el lugar de procesamiento.

¿Qué modelo de DeepSeek conviene elegir para un agente?

Empiece con un modelo Flash para tareas bien definidas y de bajo coste, y pase a V4 Pro si sus pruebas detectan errores en el uso de herramientas o en el razonamiento. Todos los modelos V4 de los datos recopilados admiten llamadas a herramientas, pero solo una prueba con sus tareas permite evaluar su fiabilidad.

¿Se puede ejecutar DeepSeek en local?

En principio sí, porque los pesos son abiertos. Los modelos V4 tienen varios cientos de miles de millones de parámetros: requieren servidores, no un ordenador de escritorio. Para un equipo personal, los modelos más pequeños son una opción más realista.

GAñadir Info Agent IA como fuente preferida en Google Nuestros artículos aparecerán más en tus «Noticias destacadas» de Google.