En esta comparativa analizamos los costes de Gemini por API utilizando dos modelos para generar el mismo informe en n8n: Gemini 3.5 Flash Lite y Gemini 3.1 Flash Lite.
Registramos los tokens de entrada y salida de una ejecución por modelo y revisamos los informes con los mismos criterios. Después aplicamos las tarifas estándar de pago publicadas por Google para calcular un coste teórico por informe.
Las pruebas se realizaron con la cuenta configurada en el nivel gratuito, sin activar una modalidad de pago. Los importes calculados no son cargos de esas ejecuciones ni una garantía del coste de futuros informes.
1. Objetivo de la comparativa
Queríamos comprobar cómo relacionar el consumo de tokens, las tarifas por API y la calidad de una respuesta concreta.
Para ello, utilizamos dos modelos de Gemini con las mismas instrucciones y los mismos datos ficticios. Registramos por separado los tokens de entrada y salida, revisamos los informes y calculamos cuánto representarían con las tarifas estándar de pago.
Distinguimos tres conceptos:
- Consumo observado: tokens registrados por n8n en cada ejecución.
- Coste teórico: resultado de aplicar las tarifas publicadas a ese consumo.
- Facturación real: no revisamos una factura ni utilizamos los importes calculados como prueba de un cargo.
La comparación se limita a un informe por modelo. No mide su calidad general ni permite estimar cualquier carga de trabajo.
2. Modelos y condiciones de la prueba
Utilizamos estos identificadores en el nodo de Gemini de n8n:
- Gemini 3.5 Flash Lite: gemini-3.5-flash-lite.
- Gemini 3.1 Flash Lite: gemini-3.1-flash-lite, sin Preview.
Reutilizamos la misma credencial de API y una copia del flujo de informes. Sustituimos el activador programado por uno manual y mantuvimos los datos y las instrucciones al cambiar de modelo.
Realizamos una ejecución nueva por modelo para esta comparativa. No mezclamos sus resultados con los de pruebas anteriores.
No añadimos opciones de generación al nodo ni ajustamos sus valores predeterminados. Tampoco repetimos las ejecuciones para calcular promedios.
El flujo quedó sin publicar, por lo que no tiene ejecuciones programadas activas.
3. Datos y tarea utilizados
Pedimos un informe en español de un máximo de 250 palabras, con cinco secciones: resumen, ventas, soporte, limitaciones y dos recomendaciones identificadas como propuestas.
Los datos ficticios procedían de dos tablas internas de n8n:
- Ventas: 12 pedidos y 840 euros. Había 2 pedidos cancelados, ya excluidos de esas cifras.
- Soporte: 8 consultas recibidas, 6 resueltas y 2 pendientes; una sobre acceso y otra sobre una factura.
- Información no disponible: datos de días anteriores, tiempos de respuesta y satisfacción de los clientes.
Los cálculos esperados eran 70 euros por pedido y 75 % de resolución.
Las instrucciones exigían no inventar datos ni tendencias, no volver a restar las cancelaciones y distinguir el porcentaje de resolución de la satisfacción.
4. Cómo registramos los tokens
Tras ejecutar el flujo, abrimos la salida JSON de Google Gemini Chat Model y anotamos los campos del apartado tokenUsage:
- promptTokens: tokens de entrada registrados.
- completionTokens: tokens de salida registrados.
- totalTokens: suma indicada por la integración.
En la entrada del nodo también aparecía estimatedTokens: 270. No utilizamos esa estimación para los cálculos, porque la salida registró 289 tokens de entrada en ambas ejecuciones.
Estos contadores describen lo mostrado por la integración. No contrastamos sus cifras con un registro detallado de facturación del proveedor.
Conservamos y revisamos los archivos de texto generados para valorar el contenido junto con su consumo.
5. Consumo observado en las dos ejecuciones
| Modelo | Tokens de entrada | Tokens de salida | Total registrado |
|---|---|---|---|
| Gemini 3.5 Flash Lite | 289 | 255 | 544 |
| Gemini 3.1 Flash Lite | 289 | 304 | 593 |
Ambos recibieron las mismas instrucciones y datos, y registraron el mismo número de tokens de entrada.
La respuesta de Gemini 3.1 Flash Lite utilizó 49 tokens más de salida. Esto no implica por sí solo mayor calidad ni mayor coste: también influyen el contenido y la tarifa aplicable a cada modelo.
Son resultados de una ejecución por modelo, no consumos medios ni valores fijos para futuros informes.
6. Revisión de la calidad de los informes
| Criterio | Gemini 3.5 Flash Lite | Gemini 3.1 Flash Lite |
|---|---|---|
| Importe medio por pedido | 70 euros, correcto | 70 euros, correcto |
| Porcentaje de resolución | 75 %, correcto | 75 %, correcto |
| Cancelaciones | Conservó las cifras, sin restarlas de nuevo | Conservó las cifras, sin restarlas de nuevo |
| Estructura y extensión | Cinco secciones y menos de 250 palabras | Cinco secciones y menos de 250 palabras |
| Información ausente | Señaló las limitaciones | Señaló las limitaciones |
| Recomendaciones | Dos propuestas identificadas | Dos propuestas identificadas |
El modelo 3.1 propuso atender primero el problema de acceso, aunque los datos no establecían prioridad entre las dos consultas. Lo presentó como una propuesta, no como un hecho.
Ambos informes resolvieron los requisitos principales. Esta muestra no permite atribuir una superioridad general de calidad a ninguno.
7. Tarifas utilizadas para el cálculo
Consultamos las tarifas oficiales de Google el 19 de octubre de 2026. Utilizamos la modalidad Standard de pago, para entrada de texto y salida, expresada en dólares estadounidenses por millón de tokens.
| Modelo | Entrada: USD por millón de tokens | Salida: USD por millón de tokens |
|---|---|---|
| Gemini 3.5 Flash Lite | 0,30 | 2,50 |
| Gemini 3.1 Flash Lite | 0,25 | 1,50 |
Google indica que la tarifa de salida incluye los tokens de razonamiento. Ambos modelos también disponían de nivel gratuito, sujeto a sus condiciones y límites. Consultar precios oficiales de Gemini. ai.google.dev
Estas tarifas sirven para nuestra estimación; no son importes cobrados en las pruebas ni incluyen impuestos u otros gastos. Pueden cambiar después de la fecha de consulta.
8. Cálculo del coste teórico por informe
Aplicamos esta fórmula:
Coste = (tokens de entrada × tarifa de entrada + tokens de salida × tarifa de salida) / 1.000.000
Para Gemini 3.5 Flash Lite:
(289 × 0,30 + 255 × 2,50) / 1.000.000 = 0,0007242 USD
Para Gemini 3.1 Flash Lite:
(289 × 0,25 + 304 × 1,50) / 1.000.000 = 0,00052825 USD
| Modelo | Coste teórico por informe |
|---|---|
| Gemini 3.5 Flash Lite | 0,0007242 USD |
| Gemini 3.1 Flash Lite | 0,00052825 USD |
En estas ejecuciones, el modelo 3.1 tendría un coste teórico menor pese a generar más tokens, porque sus tarifas eran inferiores.
El cálculo utiliza los contadores expuestos por n8n. No auditamos posibles diferencias entre esos contadores y las unidades que se facturarían en una cuenta de pago.
9. Qué ocurriría al repetir el mismo consumo
Para interpretar unos importes tan pequeños, multiplicamos el coste teórico por 1.000 informes con exactamente el mismo consumo.
| Modelo | Coste teórico de 1.000 informes idénticos |
|---|---|
| Gemini 3.5 Flash Lite | 0,7242 USD |
| Gemini 3.1 Flash Lite | 0,52825 USD |
No generamos esos 1.000 informes. Es una proyección matemática, no una prueba de volumen ni un presupuesto confirmado.
En un uso real pueden variar la longitud de las entradas, las respuestas, los reintentos y las tarifas. Tampoco incluimos alojamiento, mantenimiento, revisión humana ni impuestos.
10. Relación entre coste y calidad
En este ejemplo, ambos modelos conservaron los datos principales y resolvieron correctamente los cálculos. Gemini 3.1 Flash Lite produjo una respuesta más larga en tokens, pero obtuvo un coste teórico menor por sus tarifas.
No observamos una diferencia de calidad que permita justificar una elección general entre ambos. La propuesta de priorizar el problema de acceso en el informe de 3.1 requiere valoración humana, porque esa prioridad no figuraba en los datos.
Para elegir un modelo habría que comprobar más tareas y contabilizar también errores, reintentos y tiempo de revisión. Una tarifa menor por token no garantiza por sí sola un menor coste total del trabajo.
No asignamos una puntuación numérica de calidad ni calculamos una relación estadística entre calidad y precio.
11. Limitaciones de la comparativa
Realizamos una ejecución por modelo, con un informe breve y datos ficticios. No probamos otros tipos de tareas ni repetimos las llamadas para medir variaciones.
Los tokens proceden de los contadores mostrados por la integración de n8n. No contrastamos su desglose con registros de facturación ni comprobamos por separado posibles tokens internos de razonamiento.
El coste se estimó con las tarifas Standard de pago consultadas en una fecha concreta. No incluimos herramientas adicionales, reintentos, almacenamiento, alojamiento, impuestos o revisión humana.
Las pruebas utilizaron el nivel gratuito. No verificamos una factura ni medimos un cargo real, por lo que los importes calculados deben interpretarse como estimaciones.
No medimos tiempos de respuesta comparables ni calculamos precisión general, ahorro o rentabilidad. Los resultados solo describen las dos respuestas documentadas.
12. Qué hemos aprendido
Comparar los costes de Gemini por API requiere separar los tokens de entrada y salida y aplicar la tarifa correspondiente a cada modelo. El total de tokens, por sí solo, no determina el precio.
En nuestras dos ejecuciones, ambos informes cumplieron los requisitos principales. Gemini 3.1 Flash Lite generó más tokens de salida, pero su coste teórico fue menor por sus tarifas.
También distinguimos entre probar un modelo en el nivel gratuito y calcular cuánto representaría ese consumo con precios de pago. No presentamos la estimación como un cargo real.
La prueba ofrece un método para registrar y comparar consumos. Para tomar una decisión de uso habitual, harían falta más ejemplos, comprobaciones de facturación y una valoración del trabajo de revisión.
Preguntas frecuentes
¿Pagamos los importes calculados?
No son cargos de nuestras pruebas. Utilizamos el nivel gratuito y calculamos un coste teórico aplicando las tarifas Standard de pago.
¿Qué modelos comparamos?
Gemini 3.5 Flash Lite y Gemini 3.1 Flash Lite, ambos mediante API y con las mismas instrucciones y datos.
¿Más tokens significa siempre más coste?
No. Depende de las tarifas de entrada y salida. En esta prueba, 3.1 generó más tokens, pero tuvo un coste teórico menor.
¿Por qué se calculan por separado entrada y salida?
Porque tienen tarifas diferentes. Multiplicamos cada consumo por su precio y sumamos los resultados.
¿Las cifras de n8n equivalen a una factura?
No lo comprobamos. Utilizamos los contadores de la integración, sin contrastarlos con un desglose de facturación.
¿Probamos realmente 1.000 informes?
No. Multiplicamos el coste de una ejecución para mostrar una proyección con consumo idéntico.
¿Cuál de los dos modelos ofrece mejor calidad?
Ambos cumplieron los requisitos principales del informe. Una respuesta por modelo no permite establecer una superioridad general.
¿Los precios seguirán siendo los mismos?
Pueden cambiar. Los cálculos utilizan las tarifas consultadas el 19 de octubre de 2026
Fuentes oficiales
- Precios de la API de Gemini: tarifas utilizadas para calcular los costes teóricos y condiciones del nivel gratuito. Consulta: 19 de octubre de 2026
Los consumos y los informes analizados proceden de nuestras ejecuciones en n8n. La página oficial respalda las tarifas, no valida los resultados de las pruebas.
También puedes aprender
Continúa con estos contenidos del Laboratorio AF:
- Generar informes con IA y n8n: configuración del flujo que utilizamos como base de esta prueba.
- ChatGPT frente a Claude: cuatro pruebas prácticas: revisión de respuestas, instrucciones y tiempos aproximados.
- Cuatro automatizaciones con IA y n8n: resultados y limitaciones de los flujos realizados.
- Academia de Agentes IA: conceptos y guías para comprender los modelos, las herramientas y sus costes.
Ver todas las entradas del blog
⚠️ Aviso importante
Esta comparativa utiliza datos ficticios y una ejecución por modelo. No garantiza la misma calidad, consumo o coste en otras tareas.
Los importes son estimaciones basadas en los tokens mostrados por n8n y las tarifas consultadas el 19 de octubre de 2026. No equivalen a cargos reales ni a un presupuesto final.
Antes de utilizar una API de forma habitual, revisa sus precios, límites y condiciones de tratamiento de datos. Controla también los reintentos y las ejecuciones automáticas, que pueden aumentar el consumo.
El flujo utilizado en esta prueba quedó sin publicar y sin programación activa.