Groq ejecuta modelos de lenguaje, voz y razonamiento de pesos abiertos sobre su propio hardware LPU y clústeres de NVIDIA, y los expone mediante una API compatible con OpenAI, con cobro por token, un nivel gratuito para desarrolladores y trece centros de datos en cuatro continentes.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Groq es una nube de inferencia para IA: una infraestructura a la que envías peticiones, no una aplicación en la que inicias sesión para conversar. La empresa se describe como la principal neocloud para inferencia rápida, y reúne infraestructura, inferencia y control en una sola plataforma. Todo su relato de producto descansa en una distinción: el entrenamiento produce un modelo, mientras que la inferencia es lo que ocurre cada vez que ese modelo se usa de verdad. El sitio oficial lo dice sin rodeos: el entrenamiento crea la posibilidad, la inferencia crea el valor. Cada cliente atendido, cada tarea de agente completada, cada commit revisado por un modelo es una llamada de inferencia, y a medida que los productos se apoyan más en la IA, esa llamada se convierte en el cuello de botella.
Lo que hace inusual a Groq entre los proveedores de nube es que empezó en la capa del silicio. La compañía creó la LPU, un procesador diseñado específicamente para ejecutar modelos ya entrenados en lugar de entrenarlos, y hoy opera ese hardware junto con computación acelerada de NVIDIA como una nube de producción global. Para quien desarrolla, todo eso queda oculto tras un único punto de acceso HTTPS. Apuntas el SDK de OpenAI a https://api.groq.com/openai/v1, cambias la clave de API y el código existente se ejecuta en Groq sin más modificaciones. La facturación es por token consumido, ni por puesto ni por mes.
El catálogo al que accedes es deliberadamente abierto. En lugar de alojar modelos propietarios de frontera, Groq sirve modelos de pesos abiertos —GPT-OSS, Qwen, Whisper e, históricamente, la familia Llama— a velocidades que las API cerradas por lo general no igualan. Ese intercambio es lo central para entender el producto: renuncias al acceso a los mayores modelos propietarios y ganas latencia, rendimiento y previsibilidad de precio. Groq encaja muy bien cuando la velocidad de respuesta es en sí misma una característica del producto, y no encaja cuando necesitas el modelo más capaz del mercado sin importar cuánto tarde en responder.
Hardware de inferencia basado en la LPU: la Language Processing Unit es el silicio propio de Groq, concebido para inferencia en lugar de adaptado desde hardware de entrenamiento. Groq publica cifras a nivel de rack: 256 LPU por rack, 40 PB/s de ancho de banda SRAM, 128 GB de SRAM en chip por rack, 315 PFLOPS de cómputo de inferencia en FP8 y una cifra destacada de 1.000 tokens por segundo y usuario. La apuesta arquitectónica sostiene que mantener los pesos del modelo en memoria rápida integrada, en vez de transmitirlos desde memoria externa, elimina el suelo de latencia con el que topa el servicio sobre GPU.
Una API compatible con OpenAI: la migración se diseñó deliberadamente trivial. Cambia la URL base, cambia la clave, conserva tu biblioteca cliente de OpenAI y tu aplicación se ejecuta sobre otro hardware. Groq también publica SDK propios de Python y TypeScript para equipos que prefieren un cliente nativo. Esta única decisión de diseño explica por qué Groq aparece tan a menudo como una mejora inmediata de velocidad en proyectos escritos originalmente contra OpenAI.
Un catálogo de modelos de pesos abiertos: el catálogo de producción gira en torno a modelos de pesos abiertos: openai/gpt-oss-120b y openai/gpt-oss-20b para texto, además de whisper-large-v3 y whisper-large-v3-turbo para reconocimiento de voz. Las plazas en versión preliminar albergan modelos más nuevos o especializados: Qwen3.6 27B, GPT-OSS Safeguard para moderación, Llama Prompt Guard para detección de inyecciones y las voces Orpheus para síntesis de voz. La documentación publica para cada modelo su velocidad, precio, límites de tasa, ventana de contexto y longitud máxima de respuesta, de modo que puedes presupuestar una carga de trabajo antes de escribir código.
Compound: modelos junto a herramientas integradas: más allá de los puntos de acceso de modelos en bruto, Groq ofrece lo que denomina sistemas. Groq Compound es un sistema de IA impulsado por modelos abiertos que emplea de forma selectiva herramientas integradas —incluidas búsqueda web y ejecución de código— para responder a una consulta. Compound y Compound Mini funcionan a unos 450 tokens por segundo con una ventana de contexto de 131.072 tokens, y aportan comportamiento agéntico sin necesidad de construir tú mismo el bucle de llamada a herramientas.
Transcripción como línea de producto de pleno derecho: aquí Whisper no es una función secundaria. Tiene su propia unidad de facturación —la hora de audio en lugar del token—, sus propias dimensiones de limitación (segundos de audio por hora y por día), su propio tope de 100 MB por archivo y puntos de acceso dedicados de transcripción y traducción. Los equipos que construyen actas de reuniones, analítica de llamadas o cadenas de subtitulado pueden usar Groq para la etapa de audio sin adoptarlo para la generación de texto.
Niveles de servicio para distintas necesidades de fiabilidad: un único parámetro service_tier determina cómo se planifica tu petición. on_demand es el valor por defecto y ofrece la velocidad habitual de Groq con encolamiento ocasional en horas punta. flex cambia fiabilidad por margen: diez veces los límites de tasa al mismo precio, con entrega de mejor esfuerzo. performance es el nivel empresarial para producción sensible a la latencia, y auto selecciona el mejor nivel disponible en cada momento.
Controles de empresa y capacidad dedicada: la plataforma se vende en tres capas apiladas. GroqMetal aporta infraestructura bare-metal dedicada, GroqCore añade encima la pila de inferencia contrastada, y GroqAssured suma gobernanza de nivel empresarial, auditabilidad y control, incluyendo cada capa a las inferiores. Esa estructura permite que una empresa empiece con la API compartida y pase a capacidad dedicada sin cambiar su integración.
Presencia global: Groq opera trece centros de datos en cuatro continentes, desde Liberty Lake y Dallas hasta Vantaa, Sídney, Londres y Riad, con sedes en Canadá y Arabia Saudí junto a las ubicaciones estadounidenses y europeas. Para aplicaciones sensibles a la latencia, la proximidad física a los usuarios importa tanto como la velocidad del chip.
Interfaces conversacionales en tiempo real: cuando alguien mira aparecer el texto, la diferencia entre 50 y 500 tokens por segundo es la diferencia entre esperar y leer. Los asistentes de soporte, los copilotos dentro del producto y los agentes de voz son el encaje más claro, porque la capacidad de respuesta percibida es la funcionalidad. Un patrón común combina un modelo pequeño y rápido en Groq con otro más lento y capaz para escalados: atender a velocidad de conversación el noventa por ciento de consultas sencillas y derivar el resto a otro sitio.
Bucles de agentes y cadenas de llamada a herramientas: un agente que planifica, invoca una herramienta, lee el resultado y vuelve a planificar multiplica la latencia por el número de pasos. Una cadena de cinco pasos a dos segundos cada uno son diez segundos de espera; la misma cadena a 300 milisegundos por paso se percibe inmediata. Aquí es donde la inferencia rápida se capitaliza de forma más espectacular, y por eso Groq se usa con frecuencia bajo agentes de programación y automatizaciones de flujos de trabajo más que para generación puntual.
Procesamiento masivo de texto y clasificación: resumir un atasco documental, etiquetar tickets de soporte, extraer campos estructurados de decenas de miles de registros: estas cargas priorizan el rendimiento y el coste unitario sobre la latencia de una petición aislada. El nivel flex existe precisamente para esta forma de trabajo, con diez veces los límites estándar al mismo precio por token, mientras que el procesamiento por lotes cubre trabajos que toleran una ventana diferida.
Transcripción y cadenas de audio: Whisper en Groq maneja grabaciones de reuniones, archivos de pódcast, audio de centros de llamadas y generación de subtítulos, con facturación por hora de audio en lugar de por token. Como la transcripción y la generación de texto viven tras la misma API y la misma clave, una cadena que transcribe una llamada y luego la resume solo necesita una relación con un proveedor.
Prototipado y experimentación con coste acotado: el nivel gratuito no exige tarjeta y da acceso al catálogo de modelos con límites reducidos, lo que convierte a Groq en una primera parada habitual para proyectos de hackatón, proyectos personales y demostraciones internas. Añadir un método de pago eleva los límites sin comprometerse a una suscripción, de modo que el coste de evaluar la plataforma queda acotado por el uso real.
Migrar una aplicación existente basada en OpenAI: como la API es compatible al nivel de la biblioteca cliente, los equipos suelen usar Groq como referencia comparativa y no como compromiso: ejecutan las mismas instrucciones contra ambos proveedores para comparar latencia, coste y calidad de salida con un cambio de configuración de dos líneas. Algunas cargas se mudan de forma permanente y otras permanecen repartidas por tipo de tarea.
Crea una cuenta en la consola de Groq. Regístrate, verifica tu correo y aterrizarás en una organización: esto importa, porque las cuotas se contabilizan a nivel de organización y no por usuario.
Genera una clave de API. Crea una clave en la consola y guárdala en una variable de entorno como GROQ_API_KEY. No la subas nunca al control de versiones: la clave autoriza gasto con cargo a tu organización.
Apunta tu cliente a Groq. Si ya usas el SDK de OpenAI, fija base_url en https://api.groq.com/openai/v1 y pasa tu clave de Groq como api_key. Si partes de cero, instala el paquete oficial groq para Python o groq-sdk para TypeScript. Una primera petición es una llamada normal de chat completion con un identificador de modelo como openai/gpt-oss-20b.
Elige el modelo adecuado para la tarea. Lee la página de modelos admitidos antes de decidir: recoge la velocidad en tokens por segundo, el precio por millón de tokens, los límites de tasa, la ventana de contexto y el máximo de tokens de respuesta de cada modelo. Usa modelos de producción para todo lo que vayas a lanzar; los modelos en versión preliminar existen para evaluación y pueden retirarse con poco aviso.
Fija un nivel de servicio y gestiona los límites. Deja service_tier sin definir para el comportamiento bajo demanda por defecto, o ponlo en flex para trabajo de alto rendimiento una vez estés en un plan de pago. Lee las cabeceras de respuesta x-ratelimit-remaining-tokens y x-ratelimit-remaining-requests, e implementa reintentos con espera aleatorizada ante HTTP 429 y, en flex, HTTP 498.
Añade controles de facturación antes de escalar. Asocia un método de pago para levantar los topes del nivel gratuito y luego define un límite de gasto y alertas de uso en la consola. Vigila el consumo en Dashboard → Usage durante tu primera semana en producción, cuando las estimaciones son menos fiables.
Ajusta el modelo a la tarea en lugar de recurrir por defecto al mayor. En Groq los modelos pequeños son notablemente más rápidos y baratos, y en clasificación, extracción, enrutado y generación breve la diferencia de calidad suele ser invisible para el usuario. Compara gpt-oss-20b con gpt-oss-120b con tus propias instrucciones antes de dar por hecho que necesitas el grande: la diferencia de velocidad ronda el factor dos.
Diseña desde el primer día contando con la retirada de modelos. El catálogo de Groq rota rápido. Lee el identificador del modelo desde la configuración en vez de fijarlo en el código, vigila la página de retiradas y asegúrate de que el correo de la cuenta llega a alguien que actuará ante los avisos de migración. Un identificador de modelo que desaparece se convierte en una caída si no puedes redesplegar con rapidez.
No intentes comprar margen con más claves de API. Los límites se aplican a nivel de organización y no por usuario ni por clave, así que emitir claves adicionales no eleva tu techo. Si necesitas más rendimiento, añade un método de pago, pasa al nivel flex o habla con ventas sobre capacidad dedicada.
Instrumenta por separado la latencia hasta el primer token y la total. La ventaja de Groq se aprecia en ambas, pero responden a remedios distintos. Un primer token lento suele indicar cola o una región lejana; una respuesta lenta suele significar que el modelo genera más de lo necesario. Limita max_tokens con decisión: una respuesta más corta es más rápida en cualquier hardware.
Aprovecha el almacenamiento en caché de instrucciones y mantén estable el prompt de sistema. Los tokens en caché no cuentan para tus límites de tasa, así que un prompt de sistema estable entre peticiones reduce el coste y a la vez te compra rendimiento efectivo. Reescribirlo en cada llamada tira ese beneficio por la borda.
Implementa bien los reintentos, sobre todo en flex. El nivel flex es explícitamente de mejor esfuerzo: los fallos por capacidad son esperables, llegan rápido y se pueden reintentar sin riesgo. Ahí la espera exponencial con variación aleatoria no es opcional. Trata el HTTP 498 como un «inténtalo enseguida» y no como un error que mostrar al usuario.
Activa la retención cero antes de enviar datos sensibles. El ZDR está disponible para todos los clientes pero no viene activado por defecto, y habilitarlo desactiva también las funciones que requieren persistencia. Resuelve ese dilema antes de tu primera petición en producción, no después.
Mantén una vía de salida hacia otro proveedor. Como la API es compatible con OpenAI en ambos sentidos, tener un segundo proveedor configurado tras la misma interfaz cuesta poco y te protege ante incidencias de capacidad, retiradas de modelos y cambios de precio.
Personas que desarrollan aplicaciones con funciones sensibles a la latencia: quien tenga usuarios que ven aparecer el texto —interfaces de chat, copilotos, productos de voz— obtiene el beneficio más directo, porque la velocidad se traduce en calidad percibida.
Equipos que construyen agentes y flujos de varios pasos: cuando la latencia se multiplica entre pasos, la inferencia rápida vale mucho más de lo que sugiere una prueba de petición única. Los marcos de agentes, los asistentes de programación y las cadenas de automatización son candidatos naturales.
Ingenieras e ingenieros que ya han invertido en el SDK de OpenAI: si tu base de código está escrita contra las bibliotecas cliente de OpenAI, evaluar Groq cuesta un cambio de configuración y no una reescritura. Ese bajo coste de cambio es el canal de captación más eficaz de la plataforma.
Equipos atentos al coste con grandes volúmenes de tareas sencillas: clasificar, etiquetar, extraer y resumir a escala sale mucho más barato en modelos pequeños de pesos abiertos que en modelos propietarios de frontera, y la facturación por token deja la aritmética clara.
Empresas emergentes y quienes crean prototipos: un nivel gratuito sin tarjeta y pago por uso sin mínimo de suscripción hacen la plataforma fácil de probar y fácil de abandonar, que es justo lo que quiere un equipo en fase inicial.
Empresas con requisitos de latencia, gobernanza o residencia de datos: GroqAssured, el nivel de servicio performance, la retención cero y la capacidad bare-metal dedicada existen para organizaciones que no pueden operar sobre un punto de acceso compartido de mejor esfuerzo.
Equipos que construyen productos de audio y transcripción: el precio de Whisper por hora de audio, los límites de audio propios y los puntos de acceso de traducción hacen viable a Groq como proveedor de transcripción con independencia de si lo usas para texto.
https://api.groq.com/openai/v1, que cubre chat completions, la API Responses, transcripción, traducción y síntesis de audio, lotes, archivos y puntos de acceso de ajuste fino.console.groq.com ofrece gestión de cuenta, claves de API, proyectos, permisos de modelos, paneles de uso, límites de gasto y controles de datos, junto con la documentación completa y la referencia de la API.Nivel gratuito. Groq ofrece un nivel gratuito para desarrollo que no requiere tarjeta y da acceso al catálogo de modelos con límites de tasa reducidos. Resulta realmente utilizable para prototipado, proyectos personales, demostraciones internas y funciones de bajo volumen, y la restricción con la que se topa antes suele ser el número de peticiones diarias más que los tokens. El detalle estructural importante es que los límites se contabilizan por organización, de modo que una cuenta gratuita no se amplía creando más claves.
Pago por uso. No hay cuota de suscripción por acceder a la API. Los modelos de texto se cobran por millón de tokens con tarifas separadas de entrada y salida —por ejemplo, gpt-oss-120b a 0,15 $ de entrada y 0,60 $ de salida por millón de tokens, y gpt-oss-20b a 0,075 $ y 0,30 $—, mientras que el reconocimiento de voz se factura por hora de audio, con whisper-large-v3 a 0,111 $ por hora y la variante turbo a 0,04 $. Añadir un método de pago eleva sustancialmente los límites y desbloquea los niveles flex y de procesamiento por lotes, que ofrecen mayor rendimiento al mismo precio por token. Las mediciones independientes de Artificial Analysis sitúan el rango combinado del catálogo entre unos 0,05 $ y 0,84 $ por millón de tokens según el modelo, una horquilla de unas dieciséis veces.
Mecánica de cobro. Los cargos son progresivos antes que puramente mensuales: los primeros cruces de los umbrales acumulados de 1 $, 10 $, 100 $, 500 $ y 1.000 $ disparan cargos inmediatos antes de que la cuenta pase a facturación mensual, con un calendario distinto para clientes en la India. No se emiten facturas por debajo de 0,50 $. Los límites de gasto y las alertas de presupuesto se configuran en la consola, y el uso se ve casi en tiempo real.
Empresa. Los contratos con compromiso de gasto, el nivel de servicio performance, la capacidad dedicada GroqMetal y la capa de gobernanza GroqAssured se venden a través de ventas y no en autoservicio. Los contratos de empresa aportan además una ventaja práctica más allá de la capacidad: los clientes con compromiso de gasto quedan exentos de las retiradas de modelos que sí afectan a los niveles gratuito y de desarrollo. Conviene confirmar las condiciones exactas y las tarifas vigentes en la documentación oficial y en la consola, ya que el catálogo y sus precios cambian con frecuencia.
El catálogo de modelos rota de forma agresiva. Este es el riesgo más práctico. La propia página de retiradas de Groq documenta un flujo constante: llama-3.1-8b-instant y llama-3.3-70b-versatile se retiraron el 16 de agosto de 2026, qwen3-32b y llama-4-scout un mes antes, y antes de ellos Kimi K2 y Llama 4 Maverick. La retirada afecta a los niveles gratuito y de desarrollo, mientras que los clientes empresariales con compromiso de gasto quedan exentos, lo que significa que quienes menos protección tienen absorben la mayor parte de la rotación. Los modelos en versión preliminar llevan una advertencia explícita: pueden discontinuarse con poco aviso.
La compatibilidad con OpenAI es cercana pero no completa. Varios parámetros presentes en código escrito para OpenAI fallan de plano: logprobs, logit_bias, top_logprobs y messages[].name devuelven un error 400, y n debe valer 1. La transcripción de audio no emite vtt ni srt, y una temperatura de 0 se reescribe silenciosamente a 1e-8. La migración es sencilla en el caso común y aun así puede romperse en los bordes, así que conviene probar en lugar de suponer.
La capacidad está limitada por el catálogo de pesos abiertos. La velocidad es real, pero es velocidad sobre modelos abiertos de tamaño medio. En las mediciones independientes de Artificial Analysis, la puntuación más alta del índice de inteligencia entre los once modelos de Groq que sigue corresponde a Qwen3.6 27B con 38, muy por debajo de los modelos propietarios de frontera. Para el razonamiento más difícil, la programación de largo recorrido o la escritura matizada, un modelo de frontera más lento puede seguir dando mejores resultados.
Los límites de tasa son organizativos y multidimensionales. Peticiones por minuto, peticiones por día, tokens por minuto, tokens por día y segundos de audio se aplican a la vez, y te frena el que se agote primero: un patrón de muchas peticiones diminutas puede consumir el cupo por minuto sin apenas tocar tu asignación de tokens. Algunas organizaciones tienen además límites separados de tokens de entrada y de salida.
El nivel flex es explícitamente de mejor esfuerzo. Ofrece diez veces los límites de tasa al mismo precio, pero las peticiones fallan con HTTP 498 y un error capacity_exceeded cuando no hay capacidad disponible. Es un diseño deliberado y no un defecto, y por eso flex resulta inadecuado para rutas de cara al usuario sin un plan alternativo.
La residencia de datos está fijada en Estados Unidos. Aunque las peticiones de inferencia no se conservan por defecto y la retención cero está disponible para todos los clientes, cualquier dato que sí se conserve reside en buckets de Google Cloud Platform ubicados en Estados Unidos, con cláusulas contractuales tipo para las transferencias transfronterizas. Las organizaciones con requisitos estrictos de residencia en la UE o Asia-Pacífico deberían contrastarlo con sus obligaciones de cumplimiento, teniendo en cuenta que activar el ZDR desactiva las funciones que dependen de la persistencia, como los trabajos por lotes y el ajuste fino.
La situación corporativa ha sido turbulenta recientemente. En diciembre de 2025, DataCenterDynamics informó de que el fundador Jonathan Ross y el presidente Sunny Madra se marchaban a NVIDIA en el marco de un acuerdo de licencia tecnológica no exclusivo, mientras Groq continuaba como empresa independiente bajo Simon Edwards y GroqCloud seguía operando sin interrupción. La cobertura sobre el valor del acuerdo ha sido inestable: la cifra de 20.000 millones de dólares, ampliamente repetida, no se ha verificado de forma independiente, y las condiciones de la licencia no exclusiva nunca se divulgaron. La ronda A de agosto de 2026 valoró la compañía en 3.500 millones de dólares, aproximadamente la mitad de los 6.900 millones de su ronda de septiembre de 2025. La continuidad del servicio se ha mantenido en todo momento, pero los equipos que valoren compromisos de infraestructura plurianuales deberían sopesar los cambios de propiedad y dirección junto con la tecnología.
Los datos de opinión independientes son escasos. Groq tiene amplia cobertura de prensa pero muy pocas reseñas estructuradas en plataformas de valoración: la ficha de G2 acumula un número insignificante de opiniones, y los directorios de terceros clasifican a Groq como API de IA, gran modelo de lenguaje y modelo de IA de código abierto en lugar de como chatbot de consumo, también sin volumen de reseñas relevante. La evidencia independiente más sólida disponible son datos de pruebas comparativas y no testimonios de usuarios, de modo que las afirmaciones sobre calidad del soporte o fiabilidad a largo plazo deben tomarse como no verificadas.
No confundir con Grok. Groq (groq.com) es infraestructura de inferencia de Groq LLC. Grok (grok.com) es un asistente conversacional de consumo de xAI, la empresa de Elon Musk. Los nombres solo difieren en la posición de una letra y los productos no comparten nada: empresas distintas, públicos distintos, modelos de negocio distintos.
Sí, existe un nivel gratuito para desarrollo que no requiere tarjeta y da acceso al catálogo de modelos con límites de tasa reducidos, suficiente para prototipar y proyectos de poco volumen. Añadir un método de pago eleva sustancialmente esos límites y desbloquea los niveles flex y por lotes; no hay cuota de suscripción, solo cargos por uso de tokens.
Son productos sin relación entre sí que se confunden a menudo por la grafía casi idéntica. Groq, en groq.com, es una nube de inferencia para IA construida sobre hardware LPU y vendida a desarrolladores como API. Grok, en grok.com, es un asistente conversacional de consumo de xAI. Empresas distintas, productos distintos, modelos de precios distintos.
En la mayoría de los casos sí, con dos cambios: fijar la URL base en https://api.groq.com/openai/v1 y aportar una clave de API de Groq. Algunos parámetros no están soportados y devuelven un error 400 —logprobs, logit_bias, top_logprobs y messages[].name— y n debe ser 1, así que prueba tus patrones concretos de llamada en lugar de dar por hecho un cambio limpio.
Groq sirve modelos de pesos abiertos en lugar de modelos propietarios de frontera. El catálogo de producción gira en torno a openai/gpt-oss-120b y openai/gpt-oss-20b para texto y whisper-large-v3 con su variante turbo para voz, con plazas preliminares para modelos como Qwen3.6 27B, clasificadores de seguridad y las voces Orpheus. La lista vigente está siempre disponible en la documentación de modelos y en el punto de acceso /openai/v1/models.
Las mediciones independientes de Artificial Analysis sitúan el modelo más rápido en Groq, gpt-oss-20b con esfuerzo de razonamiento alto, en una mediana de 949 tokens por segundo, con un tiempo mínimo hasta el primer token de unos 0,77 segundos. Las cifras de hardware de la propia Groq mencionan hasta 1.000 tokens por segundo y usuario. El rendimiento real varía según modelo, longitud de la instrucción, nivel de servicio y carga.
Groq afirma que no conserva datos de clientes en las peticiones de inferencia por defecto. Solo se conservan para funciones que exigen persistencia, como trabajos por lotes y ajuste fino, o temporalmente para diagnóstico de fiabilidad e investigación de abusos, en cuyo caso se guardan hasta 30 días. Todos los clientes pueden activar la retención cero, lo que a cambio desactiva las funciones que dependen de la persistencia.
La inferencia se ejecuta en trece centros de datos de cuatro continentes, pero cualquier dato de cliente conservado se almacena en buckets de Google Cloud Platform ubicados en Estados Unidos, con cláusulas contractuales tipo que cubren las transferencias cuando procede. Las organizaciones con requisitos regionales estrictos deberían verificarlo frente a sus propias normas.
No. Los límites se aplican a nivel de organización, así que las claves adicionales comparten la misma cuota. Para ganar margen, añade un método de pago para pasar a los límites del nivel de desarrollo, usa el nivel flex para trabajo de alto rendimiento o negocia capacidad dedicada con ventas.
El uso se cobra por token en los modelos de texto y por hora de audio en la transcripción, sin componente de suscripción. Al principio los cargos son progresivos: se factura cuando el uso acumulado cruza 1 $, 10 $, 100 $, 500 $ y 1.000 $, y a partir de ahí la facturación pasa a ser puramente mensual. No se emiten facturas por debajo de 0,50 $, y los límites de gasto con alertas de presupuesto se configuran en la consola.
GroqCloud ha operado de forma continua a través de cambios corporativos importantes, incluidos el acuerdo de licencia con NVIDIA, la salida del fundador y una transición en la dirección, y la compañía levantó 350 millones de dólares en una ronda A en agosto de 2026 con una valoración de 3.500 millones. El riesgo práctico tiene menos que ver con la desaparición de la empresa que con la rotación de modelos: construye con identificadores de modelo configurables, vigila los avisos de retirada y mantén un segundo proveedor disponible tras la misma interfaz.