Pago por Uso - AI Model Orchestration and Workflows Platform
La gestión de los costos de los modelos de lenguajes grandes (LLM) es fundamental a medida que crece la adopción de la IA. Las herramientas de código abierto ofrecen una forma de reducir gastos manteniendo el control sobre la infraestructura y el uso. Aquí hay un resumen rápido de lo que necesita saber:
Monitor token usage and optimize prompts. Use caching to cut costs by up to 50%. Choose the right model for each task to balance performance and cost. Consider spot or reserved cloud instances for savings of 75–90%. - Monitor token usage and optimize prompts. - Use caching to cut costs by up to 50%. - Choose the right model for each task to balance performance and cost. - Consider spot or reserved cloud instances for savings of 75–90%. - Monitor token usage and optimize prompts. - Use caching to cut costs by up to 50%. - Choose the right model for each task to balance performance and cost. - Consider spot or reserved cloud instances for savings of 75–90%.
Comprender los factores detrás de los costos de LLM (modelo de lenguaje grande) es crucial para administrar los gastos de manera efectiva. Estos costos pueden variar desde unos pocos centavos hasta más de $20 000 por mes por instancia en entornos de nube. Varios elementos dan forma a la estructura general de costos, incluida la complejidad del modelo, los tamaños de entrada y salida, los tipos de medios, las necesidades de latencia y los métodos de tokenización. Generalmente, los modelos más avanzados conllevan costos más altos, por lo que es esencial encontrar el equilibrio adecuado entre rendimiento y presupuesto. Conocer estos factores de costos ayuda a preparar el terreno para estrategias más inteligentes para controlar los gastos.
La infraestructura informática es la columna vertebral de cualquier implementación de LLM y, a menudo, el mayor gasto. Por ejemplo, alojar Llama3 en AWS con la instancia ml.p4d.24xlarge recomendada cuesta casi $38 por hora, lo que suma al menos $27,360 por mes. Elegir el proveedor de nube y el modelo de precios adecuados puede afectar significativamente estos costos. Opciones como instancias bajo demanda, al contado y reservadas ofrecen distintos ahorros. Las instancias puntuales, por ejemplo, pueden reducir los costos hasta en un 90 % en comparación con las tarifas bajo demanda, mientras que las instancias reservadas pueden ahorrar hasta un 75 % para cargas de trabajo consistentes. A modo de ejemplo, una instancia de AWS p3.2xlarge cuesta $3,06 por hora bajo demanda, pero baja a $0,92 por hora como instancia puntual.
Sin una optimización cuidadosa, estos gastos pueden salirse de control. Al ajustar las opciones de infraestructura, las organizaciones pueden maximizar el valor de sus inversiones en IA mientras escalan las operaciones de manera eficiente. Un ejemplo notable es la asociación de Hugging Face en 2024 con Cast AI, que utiliza clústeres de Kubernetes para optimizar las implementaciones de LLM, reduciendo los costos de la nube y mejorando el rendimiento y la confiabilidad.
Más allá del hardware, la forma en que los modelos procesan los datos también juega un papel importante en la configuración de los costos.
La tokenización es una parte clave del funcionamiento de los LLM y tiene un impacto directo en los costos. Como dice Eduardo Álvarez:
__XLATE_6__
"Los LLM no solo generan texto, sino que generan resultados económicos, un token a la vez".
La tokenización divide el texto en partes más pequeñas (como fragmentos de palabras, palabras completas o puntuación) que el modelo puede procesar. Aproximadamente 750 palabras equivalen a 1000 fichas. Mensajes más largos o mayores recuentos de tokens en las solicitudes significan costos más altos y tiempos de respuesta de API más lentos.
Pricing for premium services like GPT-4 is typically around $0.03–$0.06 per 1,000 tokens. For example, GPT-4 charges $0.03 per 1,000 input tokens and $0.06 per 1,000 output tokens. In contrast, GPT-3.5 Turbo offers much lower rates at $0.0015 per 1,000 input tokens and $0.002 per 1,000 output tokens. To put this into perspective, processing a single query with GPT-4o costs $0.1082, while GPT-4o-mini costs $0.0136. If 50 daily active users make 20 queries each, the monthly cost would be about $3,246.00 for GPT-4o compared to $408.00 for GPT-4o-mini.
Gestionar los tokens de manera eficaz (como condensar mensajes, monitorear el uso y dividir entradas grandes en partes más pequeñas) puede ayudar a reducir estos costos.
Después de los costos de computación y tokens, las llamadas API y el almacenamiento de datos son otras consideraciones presupuestarias importantes. Las solicitudes de API, especialmente las que ocurren en segundo plano, pueden acumularse rápidamente. Los costos surgen de factores como los tamaños de entrada/salida, las indicaciones de las aplicaciones y el uso de bases de datos vectoriales.
Para las organizaciones que manejan grandes volúmenes de solicitudes, estos costos pueden aumentar rápidamente. Por ejemplo, una tarea de análisis de sentimiento que utiliza GPT-4-Turbo (procesar 30 solicitudes por minuto con una entrada promedio de 150 tokens y una salida de 45 tokens) puede costar aproximadamente $3693,60 por mes. La misma carga de trabajo en Llama3-8b, ejecutándose en una instancia AWS g5.2xLarge, costaría alrededor de $872,40 por mes para una instancia o $1744,80 por dos instancias.
Los costos de almacenamiento de datos también aumentan cuando se administran grandes conjuntos de datos, historiales de conversaciones o bases de datos vectoriales utilizadas en aplicaciones de generación aumentada de recuperación (RAG).
La optimización del uso de API puede generar ahorros significativos. Por ejemplo, las llamadas API de procesamiento por lotes pueden reducir los costos hasta en un 50 % para tareas que pueden esperar hasta 24 horas. Este enfoque funciona bien para operaciones no urgentes como el análisis de datos o la generación de contenido. En última instancia, gestionar los costos de un LLM implica equilibrar la velocidad, la precisión y los gastos. Las organizaciones deben evaluar sus necesidades específicas para encontrar la mejor combinación de modelos, infraestructura y patrones de uso.
Mantener los costos de LLM bajo control es crucial y las herramientas de código abierto son una excelente manera de rastrear y administrar estos gastos de manera efectiva. Estas herramientas le brindan información clara sobre el gasto y al mismo tiempo lo ayudan a encontrar formas de optimizar el uso. A continuación, exploramos tres opciones destacadas que se integran perfectamente en los flujos de trabajo de desarrollo y ofrecen potentes funciones para gestionar los costos de LLM.
Langfuse es una solución sólida para rastrear y registrar aplicaciones LLM, lo que facilita a los equipos comprender y depurar los flujos de trabajo mientras controlan los gastos. Realiza un seguimiento de métricas de uso detalladas, como la cantidad de unidades consumidas por tipo de uso, y proporciona desgloses de costos en USD. Al integrarse con marcos populares como Langchain, Llama Index y OpenAI SDK, Langfuse monitorea las acciones tanto relacionadas como no LLM.
Para los equipos preocupados por los costos, Langfuse ofrece características prácticas como muestrear menos rastros o registrar solo datos esenciales para minimizar los gastos generales. La plataforma está disponible en varios planes, incluido un plan Hobby gratuito con funciones limitadas, opciones pagas y una versión de código abierto autohospedada.
OpenLIT llena un vacío crítico en el monitoreo tradicional al centrarse en métricas de rendimiento específicas de la IA. Si bien OpenTelemetry es útil para datos generales de aplicaciones, no rastrea detalles centrados en la IA; aquí es donde interviene OpenLIT. OpenLIT, que admite más de 50 proveedores de LLM, bases de datos vectoriales, marcos de agentes y GPU, ofrece amplias opciones de integración.
La plataforma incluye un SDK que instrumenta automáticamente eventos y recopila intervalos, métricas y registros, ya sea que esté utilizando OpenAI, Anthropic, Cohere o un modelo local ajustado. También le permite definir precios personalizados para modelos propietarios o ajustados, lo que garantiza un seguimiento preciso de los costos. Además, OpenLIT recopila metadatos de las entradas y salidas de LLM y monitorea el rendimiento de la GPU para ayudar a identificar ineficiencias. Su compatibilidad con OpenTelemetry garantiza una integración perfecta en las configuraciones de monitoreo existentes.
Helicone adopta un enfoque diferente al actuar como intermediario entre su aplicación y los proveedores de LLM. Esta configuración le permite registrar solicitudes y ofrecer funciones como almacenamiento en caché, limitación de velocidad y seguridad mejorada, todo sin requerir cambios significativos en el código.
One of Helicone's standout features is its caching capability, which can reduce costs by 15–30% for most applications. Implementing this feature is straightforward and requires minimal adjustments. Here's an example:
Nishant Shukla, director senior de IA de QA Wolf, elogió su simplicidad y eficacia:
__XLATE_21__
"Probablemente el cambio de una línea más impactante que he visto aplicado a nuestro código base".
When used alongside prompt optimization strategies, Helicone's caching can slash LLM costs by 30–50%, with the potential for even greater savings in some cases - up to 90%.
Cada una de estas herramientas aporta fortalezas únicas a la mesa. Langfuse brilla por su seguimiento detallado y sus capacidades de gestión rápida. OpenLIT se destaca por su profunda integración y funciones de monitoreo centradas en IA, mientras que Helicone ofrece ganancias rápidas con su enfoque de ahorro de costos basado en caché y proxy. La mejor opción depende de sus necesidades, infraestructura y prioridades específicas.
Escalar la infraestructura de LLM sin gastar demasiado requiere encontrar el equilibrio adecuado entre rendimiento, monitoreo, eficiencia de recursos y una sólida gestión de costos.
Vigilar el uso de tokens es una de las formas más efectivas de gestionar los costos de LLM. Dado que muchos proveedores de LLM cobran en función de los tokens, generalmente por cada 1000 tokens, reducir el uso de tokens innecesarios puede generar ahorros significativos.
Un método eficaz es la ingeniería rápida, que puede reducir el uso de tokens hasta en un 85%. Por ejemplo, en lugar de escribir: "Escriba un esquema para una publicación de blog sobre el cambio climático que cubra las causas, efectos y soluciones en un formato atractivo", podría simplificarlo a: "Crea un esquema atractivo para una publicación de blog sobre el cambio climático con causas, efectos y soluciones". Este pequeño ajuste reduce el uso de tokens y al mismo tiempo mantiene el mensaje claro.
La gestión del contexto es otra forma de ahorrar en tokens. Al incluir solo detalles esenciales y eliminar información repetitiva o irrelevante, los equipos pueden reducir el uso de tokens hasta en un 97,5 %. De manera similar, controlar la duración de la respuesta estableciendo límites de tokens y fomentando resultados concisos puede reducir el uso en un 94%.
Elegir el modelo adecuado para la tarea en cuestión también juega un papel importante en la gestión de costes. El uso de modelos más pequeños y específicos para tareas más simples, mientras se reservan modelos más potentes para operaciones complejas, crea un sistema escalonado que equilibra el costo y el rendimiento:
Más allá de la optimización de tokens, la distribución eficiente de la carga de trabajo y el almacenamiento en caché pueden reducir aún más los costos.
El equilibrio de carga garantiza que las solicitudes se distribuyan uniformemente entre varios LLM, evitando cuellos de botella y mejorando los tiempos de respuesta. El almacenamiento en caché, por otro lado, almacena los datos a los que se accede con frecuencia para una recuperación más rápida.
Existen diferentes estrategias de enrutamiento para mejorar la eficiencia:
Un método más avanzado es el almacenamiento en caché semántico, que almacena los resultados de la consulta en función del significado y el contexto en lugar de coincidencias exactas. Esto permite la reutilización de resultados para consultas semánticamente similares, ahorrando hasta un 67% en tokens.
Los principales proveedores de nube han integrado el almacenamiento en caché en sus plataformas para ayudar a los usuarios a ahorrar costos. Por ejemplo:
Al combinar el ahorro de tokens con el enrutamiento y el almacenamiento en caché inteligentes, las organizaciones pueden reforzar aún más su gestión de costos a través de una gobernanza estratégica.
La gestión eficaz de los costos de LLM requiere un enfoque estructurado que ofrezca valor en toda la organización.
Una forma de centralizar la gestión de costos es mediante la adopción de una arquitectura LLM Mesh, que estandariza el seguimiento de costos, aplica políticas y permite probar estrategias de optimización en todos los proyectos. Además, herramientas de seguimiento y observabilidad como Weights & WandBot, Honeycomb y Paradigm de Biases pueden rastrear el uso, la latencia y el gasto para identificar ineficiencias y mejorar la toma de decisiones.
Las soluciones de asignación de costos brindan desgloses detallados de gastos por equipo o aplicación, lo cual es particularmente útil en entornos con múltiples modelos. Un enfoque FinOps, centrado en operaciones financieras, puede ayudar a refinar el gasto al evaluar periódicamente el rendimiento del modelo, optimizar las indicaciones y aprovechar las estrategias de almacenamiento en caché.
Por ejemplo, un estudio de 2025 realizado por Dataiku encontró que la implementación de un asistente de conocimiento autogestionado en toda la empresa para un tráfico global constante reducía los costos hasta en un 78% en comparación con los servicios de pago por token. Esto se debió en gran medida a la naturaleza predecible y de gran volumen de la carga de trabajo.
La incorporación de herramientas de gestión de costos de código abierto en los flujos de trabajo de su modelo de lenguaje grande (LLM) se puede realizar sin problemas y sin interrumpir las operaciones. Al combinar estrategias de control de costos con observabilidad, puede crear un enfoque proactivo y basado en datos para administrar los gastos.
Para instrumentar su flujo de trabajo LLM, puede instalar manualmente el SDK de OpenTelemetry apropiado para su lenguaje de programación y agregar código de recopilación de seguimiento o automatizar el proceso usando OpenLIT. Para OpenLIT, siga estos pasos:
Puede personalizar aún más la configuración definiendo parámetros como el nombre de la aplicación y el entorno. En julio de 2024, Grafana destacó cómo OpenLIT podría visualizar datos de series temporales a través de paneles de Grafana, ofreciendo información mejorada sobre el rendimiento del sistema y el seguimiento de costos.
Al configurar sus flujos de trabajo, asegúrese de capturar registros estructurados que incluyan elementos críticos como mensajes, respuestas, errores y metadatos (por ejemplo, puntos finales de API y latencia).
Una vez que sus flujos de trabajo estén instrumentados, la colaboración y los informes en tiempo real se vuelven esenciales para controlar los costos relacionados con el LLM. Las herramientas de código abierto destacan aquí, ya que proporcionan paneles compartidos con métricas en tiempo real y alertas automatizadas. Estas características ayudan a los equipos a abordar rápidamente picos de gasto inesperados o problemas de rendimiento antes de que se agraven.
Adapte su estrategia de observabilidad para alinearla con su arquitectura LLM y su caso de uso. Por ejemplo:
Para una integración exitosa, elija herramientas de código abierto que funcionen a la perfección con su infraestructura LLM actual. Busque soluciones que ofrezcan sólidas capacidades de integración con los principales proveedores de LLM, marcos de orquestación, bases de datos vectoriales y servicios en la nube. Las herramientas con paneles fáciles de usar, documentación detallada y soporte comunitario activo pueden reducir significativamente el tiempo de incorporación.
Plataformas como Prompts.ai ilustran cuán efectiva puede ser la gestión de LLM en la práctica. Sus herramientas basadas en inteligencia artificial respaldan tareas como el procesamiento del lenguaje natural, la generación de contenido creativo y la automatización del flujo de trabajo. Además, permiten la colaboración en tiempo real, informes automatizados y flujos de trabajo de IA multimodales, todo mientras rastrean los costos de tokenización mediante pago por uso.
Realizar un seguimiento del uso y realizar ajustes periódicos es fundamental para evitar picos inesperados de costos a medida que evolucionan sus patrones de uso. Al configurar procesos estructurados, puede identificar problemas potenciales de manera temprana y realizar las mejoras necesarias.
Los paneles de control automatizados cambian las reglas del juego cuando se trata de monitorear sus tendencias de gasto y uso en tiempo real. Concéntrese en el seguimiento de métricas clave que afectan directamente a los costos, como el uso de tokens, el costo por solicitud, la frecuencia de las solicitudes por punto final y las tasas de aciertos de la caché. Estas métricas proporcionan una imagen clara de cómo se consumen sus recursos y dónde pueden existir ineficiencias.
To stay ahead of problems, set up alerts for spending surges or performance dips based on historical data. This proactive approach helps you catch small issues before they turn into costly headaches. According to research, organizations that implement prompt optimization and caching strategies can often achieve cost savings of 30–50%.
Your dashboard should also break down expenses by model, endpoint, and user group. This level of detail makes it easier to pinpoint high-cost areas and focus your optimization efforts where they’ll make the biggest difference.
Si bien el monitoreo en tiempo real es esencial, las revisiones periódicas de costos permiten un análisis más profundo y mejoras a largo plazo. Adquiera el hábito de revisar los costos de su LLM mensual o trimestralmente. Durante estas revisiones, analice sus patrones de uso para identificar áreas donde los costos son más altos de lo esperado. A partir de ahí, puede tomar medidas específicas, como ajustar modelos, perfeccionar indicaciones o cambiar a modelos más rentables a medida que su aplicación crece.
Set benchmarks to define what "reasonable" costs look like for different operations. For example, here’s a quick reference for common LLM tasks:
Compare your actual costs to these benchmarks during reviews. If certain operations consistently exceed these ranges, prioritize them for further optimization. For instance, you might find that some prompts generate excessively long responses or that specific endpoints aren’t benefiting from caching as much as expected.
Documente sus hallazgos y realice un seguimiento de los resultados de sus esfuerzos de optimización a lo largo del tiempo. Esto ayudará a su equipo a tomar decisiones más inteligentes para futuras implementaciones de LLM y estrategias de gestión de costos.
Cost management isn’t just about numbers - it also requires robust data security and compliance measures to protect sensitive information. Safeguarding your large language models (LLMs) and their infrastructure from unauthorized access or misuse is critical.
Empiece por establecer un marco sólido de gobernanza de la IA. Esto debería incluir políticas de seguridad claras para la implementación de la IA, mecanismos de rendición de cuentas y auditorías periódicas. Asegúrese de que sus herramientas de monitoreo de costos manejen los datos de forma segura, con procesos definidos para acceder y procesar los datos de LLM.
La clasificación, la anonimización y el cifrado de datos son esenciales en cada etapa de su flujo de trabajo de gestión de costos. Identifique datos confidenciales en sus mensajes y respuestas, anónimo cuando sea posible y garantice el cifrado de los datos tanto en reposo como en tránsito.
Implemente controles de acceso estrictos para limitar quién puede ver desgloses detallados de costos y patrones de uso. El control de acceso basado en roles (RBAC) garantiza que solo el personal autorizado tenga acceso, mientras que la autenticación multifactor (MFA) agrega una capa adicional de seguridad para las cuentas administrativas. Revise periódicamente los registros de acceso para detectar cualquier actividad sospechosa.
Realice auditorías periódicas de sus sistemas de gestión de costos para garantizar que cumplan con los estándares de la industria como SOC 2 o GDPR. Supervise patrones inusuales en la actividad de LLM que podrían indicar problemas de seguridad y realice pruebas de penetración para identificar vulnerabilidades.
It’s also important to train your team on best practices for generative AI security. This includes recognizing and preventing prompt injection attacks, securely handling AI-generated data, and following strict policies for sensitive work data. For example, prohibit unauthorized data from being input into LLMs and restrict the use of AI-generated outputs in critical decisions.
Platforms like prompts.ai show how cost management and security can go hand in hand. Their tokenization tracking operates on a pay-as-you-go basis while maintaining high data protection standards. This demonstrates that you don’t have to compromise on security to achieve efficient cost management.
Open-source tools have reshaped how businesses handle LLM cost management, offering a clear view and greater control over spending. In a rapidly expanding AI market, where training costs are climbing, managing expenses effectively isn’t just a nice-to-have - it’s crucial for staying competitive. Open-source solutions, therefore, become a key strategy for scaling LLM deployments without breaking the bank.
Al centrarse en el seguimiento, la optimización y la gobernanza, las organizaciones pueden crear una base sólida para operaciones de LLM sostenibles. Herramientas como Langfuse, OpenLIT y Helicone son excelentes ejemplos de cómo las empresas pueden lograr resultados impactantes. Por ejemplo, el enrutamiento de modelos dinámicos puede reducir los costos hasta en un 49%, mientras que las técnicas de compresión de tokens pueden reducir los gastos hasta en un 90%, todo sin comprometer el rendimiento.
__XLATE_56__
"LLMOps representa un cambio fundamental en la forma en que operamos los sistemas de IA en producción. A diferencia de los modelos de ML tradicionales con métricas de éxito claras, los LLM requieren enfoques de monitoreo matizados que equilibren la automatización con el juicio humano, el desempeño con la calidad y la innovación con la seguridad". -Suraj Pandey
El monitoreo continuo sigue siendo fundamental a medida que los modelos evolucionan y los patrones de uso cambian. Establecer un monitoreo de referencia, implementar registros detallados y utilizar paneles de control en tiempo real ayuda a las organizaciones a adaptar sus estrategias de gestión de costos a medida que cambian las necesidades. Los paneles de control automatizados y las revisiones periódicas de costos son prácticas fundamentales que garantizan que las empresas se adelanten a posibles ineficiencias.
Plataformas como Prompts.ai establecen el estándar para la gestión de costes moderna. Su seguimiento de tokenización funciona mediante pago por uso, lo que brinda a las empresas la claridad que necesitan para ver exactamente a dónde se dirige su dinero. Este tipo de transparencia, combinada con la flexibilidad del código abierto, permite a las organizaciones evitar estar atadas a costosos sistemas propietarios y, al mismo tiempo, mantener la capacidad de escalar de manera eficiente.
Effective cost management isn’t just about cutting expenses - it’s about enabling smarter decisions around resource allocation and ROI. Following principles similar to FinOps, open-source tools encourage collaboration between technical and business teams, ensuring costs are minimized while value is maximized.
Los modelos más pequeños y perfeccionados también desempeñan un papel importante en el ahorro de costes. Incluso las optimizaciones menores pueden generar reducciones sustanciales con el tiempo, lo que demuestra que los pequeños cambios pueden tener un gran impacto.
As open-source tools continue to advance, their community-driven nature ensures that cost management strategies remain flexible and ready to tackle future challenges. By building your approach on open-source foundations, you’re equipping your organization to adapt quickly while maintaining control over AI infrastructure costs. The combination of transparency, flexibility, and community innovation makes open-source solutions a smart choice for sustainable LLM operations.
Para elegir el proveedor de nube y el tipo de instancia más económicos para implementar modelos de lenguaje grandes (LLM), es importante evaluar sus necesidades de rendimiento, restricciones presupuestarias y requisitos técnicos. Algunos factores clave a sopesar incluyen los costos de la GPU, las tarifas de transferencia de datos, la latencia y los servicios especializados. Los proveedores que ofrecen opciones de GPU asequibles o modelos de precios flexibles, como instancias puntuales o reservadas, pueden generar ahorros significativos.
Hacer coincidir su estrategia de implementación con su carga de trabajo es otra medida inteligente para mantener los costos bajo control. Por ejemplo, vigilar el uso de tokens y realizar un seguimiento del consumo de recursos puede ayudarle a evitar gastos excesivos y al mismo tiempo alcanzar sus objetivos de rendimiento. Un enfoque bien planificado que equilibre su presupuesto con las demandas técnicas es crucial para aprovechar al máximo su inversión.
Para aprovechar al máximo los modelos de lenguaje grandes sin gastar demasiado, comience por elaborar indicaciones claras y concisas. Este enfoque reduce la cantidad de tokens de entrada, lo que garantiza que el modelo se centre solo en lo que realmente importa. Al mismo tiempo, intente refinar sus indicaciones para que sean muy específicas. Un mensaje bien personalizado puede reducir notablemente el recuento de tokens para cada solicitud.
Otra forma de gestionar los costos es mediante el uso de técnicas como la ingeniería rápida con token eficiente y el almacenamiento en caché local. Estos métodos ayudan a eliminar el procesamiento redundante, manteniendo bajo el uso de tokens y al mismo tiempo ofreciendo un rendimiento sólido.
Las herramientas de código abierto como Langfuse, OpenLIT y Helicone simplifican la gestión y la reducción de los costos de LLM al ofrecer información detallada sobre el uso y los gastos de los recursos. Por ejemplo, Langfuse monitorea el uso de tokens y los costos asociados, ayudando a los equipos a identificar operaciones costosas y perfeccionar las indicaciones para ahorrar dinero. Mientras tanto, Helicone proporciona seguimiento de costos y registro de solicitudes en tiempo real, lo que permite a los usuarios estudiar el comportamiento del modelo y ajustar el gasto en consecuencia.
Aprovechar estas herramientas permite a las empresas implementar LLM de manera más eficiente, obtener información útil y garantizar que los recursos se asignen de la manera más efectiva para maximizar su valor.
