Precios de PromptQL: lo que realmente cuesta en 2026

Qué es realmente PromptQL (para que los precios tengan sentido)

Antes de las cifras, una breve puesta en contexto, porque los precios de PromptQL solo tienen sentido una vez que sabes qué estás comprando.

PromptQL no es un chatbot ni un helpdesk. Es un agente de IA multijugador para datos empresariales creado por Hasura, la empresa detrás del motor GraphQL de código abierto. Hasura lo llama el "sucesor espiritual de GraphQL para la era de la IA": donde el producto anterior generaba APIs automáticamente para que los desarrolladores construyeran aplicaciones, PromptQL genera planes de consulta al vuelo para que una persona pueda hacer una pregunta en lenguaje natural y obtener una respuesta fiable a partir de su Slack, documentos, CRM y tablas del almacén de datos.

Todo el argumento gira en torno a la fiabilidad. El fundador Tanmai Gopal plantea el problema sin rodeos:

"El mayor problema no es no poder responder la pregunta con precisión. El gran problema es que la IA finge ser precisa incluso cuando no lo es. Así que la IA se equivoca con confianza. Ese es el problema."

Tanmai Gopal, entrevista con VentureBeat

Ese enfoque importa para la factura, porque PromptQL cobra por cómputo (el trabajo de planificar y ejecutar una consulta de forma fiable), no por funciones con nombre ni por asientos. Salió en beta en junio de 2025, y a finales de 2025 se describía a Hasura como una empresa valorada en más de mil millones de dólares con clientes conocidos como Cisco, McDonald's, Instacart y Swiggy. Así que es una herramienta de datos empresarial con ambiciones empresariales, y el precio lo refleja.

Los precios de PromptQL de un vistazo

Hay efectivamente dos niveles: un plan Starter de autoservicio y pago por uso, y un plan Enterprise que requiere contactar con ventas y sin cifras públicas. Pero antes de la tabla, aquí está todo el modelo de precios en una sola imagen, porque la tarifa de la etiqueta es solo uno de los tres factores que deciden lo que pagas.

El titular que verás en la página de precios está escrito como "0,20 $ → 0,14 $ por OLU". Los 0,14 $ son el precio de lanzamiento a precio de coste, que según PromptQL equivale a 1x el coste subyacente de los tokens sin margen durante un tiempo limitado; 0,20 $ es la tarifa estándar, aproximadamente 1,4x el coste de tokens. Ambas son precios todo incluido: el precio por OLU cubre los tokens del modelo más infraestructura, alojamiento sandbox y orquestación. Sin cuota de plataforma aparte, sin licencia por asiento.

Eso es genuinamente limpio para una página de precios. La trampa está en la propia unidad.

¿Qué demonios es una OLU?

Una OLU (Operational Language Unit) es una unidad normalizada de tokens. PromptQL agrupa los distintos tipos de token (entrada, salida, caché, creación de caché) y los distintos modelos (Opus, GPT, GLM, etc.) en una única unidad coherente para que tu factura no cambie de forma cada vez que cambias de modelo. Las tareas más complejas consumen más OLUs, y puedes ver el consumo exacto por hilo y por paso en un panel de uso.

Así se ve en la práctica. Hazle a PromptQL una pregunta real y mostrará su trabajo: un plan de consulta, luego el código real que ejecutó, luego la respuesta. Cada uno de esos pasos consume OLUs.

Me gusta lo honesto que es esto (puedes ver exactamente por qué pagaste), pero también tengo un sesgo que debo reconocer de antemano: llevo un par de años escribiendo sobre cómo las herramientas de IA fijan sus precios y qué buscan realmente los compradores, y "unidad de facturación inventada" es una frase que me hace encogerme. Es lo más difícil de prever en cualquier factura de IA, porque no puedes conocer tu consumo de OLUs hasta que hayas ejecutado tu carga de trabajo real en tu modelo real. Los ejemplos de coste típico ayudan, pero son ejemplos, no una cotización.

Hablando de eso.

Costes típicos por consulta

El propio FAQ de PromptQL da cifras representativas a la tarifa de lanzamiento de 0,14 $:

Así que un analista de datos que ejecuta una docena de informes complejos al día se sitúa en torno a 17 $ al día, o unos 370 $ al mes, a la tarifa de lanzamiento, en un modelo de vanguardia. Ese es el cálculo honesto. Pero cambia de modelo y esa cifra puede desplomarse, lo que nos lleva a la verdadera historia.

El multiplicador de modelo es la palanca de precio real

Esta es la parte que me tatuaría en la página de precios si pudiera. El precio por OLU es fijo, pero el modelo que elijas cambia cuántas OLUs consume una tarea. PromptQL ancla su tabla de multiplicadores a Claude Opus 4.6 = 1,0x y mide todo lo demás contra eso. Un multiplicador más bajo significa que el modelo hace el mismo trabajo con menos OLUs, así que es más barato.

La diferencia es enorme:

Lee esto de arriba abajo y toda la conversación sobre precios cambia. ¿Esa investigación profunda de 5,60 $ en Opus? Ejecútala en DeepSeek V4 Flash a 0,018x y el mismo trabajo cuesta apenas una moneda pequeña. Ejecútala en GPT-5.5 Pro y ronda los 75 $. PromptQL ofrece los modelos open-weight a través de Fireworks y te permite cambiar de modelo por hilo o a mitad de hilo, así que el consejo práctico es: haz prototipos y trabajo rutinario en un modelo open-weight barato, y recurre a un modelo de vanguardia solo cuando una tarea realmente necesite ese razonamiento.

La razón por la que PromptQL puede salirse con la suya usando un modelo barato en preguntas de datos difíciles es arquitectónica, y merece su propia sección.

Por qué la arquitectura afecta a lo que pagas

La mayoría de las herramientas de "IA sobre tus datos" conectan un LLM directamente a una base de datos y esperan lo mejor. La idea central de diseño de PromptQL es desacoplar la planificación de la consulta de su ejecución. El LLM escribe un plan detallado de varios pasos (lo que los LLM hacen bien), y ese plan se ejecuta luego como código real, determinista, fuera del modelo, no en la ventana de contexto.

Gopal lo expresa así:

"En lugar de generar respuestas, generamos planes en un lenguaje específico del dominio, único para tu negocio. Esos planes se compilan en acciones deterministas con validaciones en tiempo de ejecución y comprobaciones de políticas."

Tanmai Gopal, entrevista con VentureBeat

¿Por qué importa esto para el precio? Porque significa que un modelo más barato a menudo puede hacer el trabajo. Si el modelo solo tiene que planificar, en lugar de procesar miles de filas dentro del contexto, un modelo open-weight ligero planifica casi tan bien como uno de vanguardia, y tú te embolsas la diferencia del multiplicador. Hasura se apoya en el Berkeley Data Agent Benchmark, donde incluso los modelos de vanguardia solo puntúan 43 % (Opus-4.6), 38 % (Gemini-3-Pro) y 25 % (GPT-5.2) en preguntas de datos reales, mientras que la generación básica de consultas de base de datos puntúa "cerca del 0 %". La división en planificar y luego ejecutar es lo que cierra esa brecha, que es realmente lo que estás pagando de más.

Calcula tu propia factura de PromptQL

Como el multiplicador de modelo hace tanto del trabajo, una tabla estática no puede darte tu cifra. Así que aquí tienes una calculadora: introduce tu uso, elige un modelo y mira el coste mensual tanto a la tarifa de lanzamiento como a la estándar.

Juega con el desplegable de modelo y observa cómo se mueve la cifra. Cuatrocientos informes complejos al mes cuestan unos 56 $ en Opus a la tarifa de lanzamiento, y alrededor de 1 $ en DeepSeek. Esa no es una diferencia de redondeo; es toda la decisión de precios.

El nivel gratuito y los créditos

Puedes empezar sin tarjeta de crédito. PromptQL te da 50 $ en créditos gratuitos al crear tu primer proyecto, más 20 $ adicionales por cada colaborador que se una a su primer proyecto. Los créditos se gestionan a nivel de proyecto, así que un equipo que lanza varios proyectos acumula un buen margen.

En un modelo open-weight ligero, PromptQL dice que 50 $ alcanzan para "miles de tareas sencillas" antes de pagar un céntimo. Cuando se agotan los créditos, añades un método de pago y pasas a la facturación prepago: recargas un saldo, el trabajo se pausa automáticamente si llega a cero, y las cuotas por usuario y las alertas de gasto evitan que un hilo descontrolado te sorprenda. Sin mínimos, sin permanencia anual en el plan Starter.

El nivel Enterprise

Todo lo anterior es la historia de autoservicio. El plan Enterprise requiere cotización, sin cifras públicas, y añade lo que necesita un comprador regulado: seguridad avanzada y permisos granulares, registros de auditoría de acceso a datos (qué datos se usaron en qué hilo y por qué usuario), una VPC dedicada o traer tu propia nube, red privada y peering de VPC, inicio de sesión único, traer tus propios LLMs, y soporte de ingeniería desplegada junto al cliente.

Si eres el tipo de empresa que tiene un proceso de compras, este es el nivel al que llegarás, y el cálculo por OLU se convierte en una línea más dentro de un contrato negociado. Es también donde suele engancharse la práctica de ingeniería de IA de Hasura a 900 $ la hora, así que presupuesta servicios además del consumo si vas por la vía Enterprise.

¿Son buenos los precios de PromptQL?

Para lo que es (una capa de fiabilidad para IA sobre datos empresariales), el precio es justo e inusualmente transparente. Sin asientos, sin cuota de plataforma, precio de lanzamiento a coste, y un panel que muestra exactamente lo que consumió cada hilo. Prefiero esto a un mínimo de plataforma de 50.000 $ detrás de un muro de "contáctanos".

Mi única queja real es la OLU. Es una unidad inventada bien diseñada, pero sigue siendo una unidad inventada, y las unidades inventadas son lo que he visto tropezar a los compradores una y otra vez. No puedes prever una factura de OLUs a partir de una página de precios; solo puedes preverla después de haber ejecutado tu propia carga de trabajo. PromptQL suaviza esto con ejemplos de coste típico, topes de gasto y pausa automática, y eso ayuda de verdad. Pero "¿cuánto nos costará esto el próximo trimestre?" es aquí una pregunta más difícil de lo que sugiere la cifra limpia de 0,14 $, porque la respuesta honesta es "depende por completo de tu combinación de modelos y de la complejidad de tus consultas".

Eso no es un defecto exclusivo de PromptQL. Es el peaje que pagas por un precio basado en consumo sobre una unidad opaca. Lo cual es un buen puente hacia cómo lo enfocaría si llegaste aquí desde el mundo de las herramientas de soporte.

PromptQL frente a una IA de soporte como eesel

Comprobación rápida de realidad, porque una parte de la gente que busca "precios de PromptQL" en realidad está comparando herramientas de IA en general, no específicamente agentes para analistas de datos.

PromptQL y eesel AI realmente no compiten. PromptQL es un agente de acceso a datos para analistas y equipos de datos empresariales; eesel es un compañero de equipo de IA para la cola de soporte y el contenido, que se integra con Zendesk, Freshdesk, Slack y tu centro de ayuda. Si tu trabajo real es desviar tickets o redactar respuestas, PromptQL es la herramienta equivocada.

Pero la lección de precios sí se traslada, y es la razón por la que construí la calculadora de arriba. Cuando ayudé a definir cómo se fija el precio de eesel, la única regla que sobrevivió a cada experimento fue: cobra en una unidad en la que el cliente ya piensa. Probamos unidades inventadas. "Crédito" obligaba a la gente a hacer cálculos ("espera, ¿cuánto valía un crédito?"), y eso frenaba la adopción sin hacer ruido. Por eso eesel cobra por ticket, unos 40 céntimos por ticket resuelto, sin cuotas por asiento, porque un responsable de soporte ya vive y respira en cifras de tickets. Puedes predecir la factura de eesel del próximo mes de cabeza a partir del volumen de tickets de este mes. Ese es todo el sentido.

Así que si estás evaluando PromptQL, mi consejo es que ejecutes tu carga de trabajo real en tu modelo real durante una semana antes de extrapolar, porque la OLU hace poco fiables los cálculos a ojo. Y si llegaste desde el mundo del soporte buscando una IA por ticket que puedas presupuestar de verdad, eesel es gratis para probar y tiene precio por ticket, no por token.

Prueba eesel

Si tu problema es la cola de soporte y no el almacén de datos, eesel AI es la herramienta pensada para eso. Se integra con tu helpdesk actual en minutos, aprende de tus tickets pasados y de tu centro de ayuda, y empieza a redactar y resolver respuestas desde el primer día, con precio por ticket para que la factura siga algo que ya mides. Puedes probarlo gratis y simularlo con tus tickets históricos antes de que toque a un cliente real, que es lo más parecido a una previsión que obtendrás en esta categoría.