Hablar de inteligencia artificial sin hablar de tokens es como hablar de telefonía sin minutos o de electricidad sin kilovatios. Casi todo en los modelos actuales, desde el precio hasta el contexto que soportan o la longitud de la respuesta, pasa por esa unidad de medida. El problema es que, aunque el concepto general es sencillo, mucha gente sigue comparando modelos solo por su precio “por millón de tokens” sin mirar cómo cuenta cada proveedor esos tokens.
La idea de base sí es común. Un token es una pequeña unidad de información que la IA utiliza para leer lo que se le envía y generar una respuesta. Puede ser una palabra completa, una parte de una palabra, un número, un símbolo o incluso un espacio. El detalle importante es que esa división no es universal. OpenAI, Anthropic o Google no tienen por qué partir el mismo texto exactamente igual. Por eso una misma frase puede consumir más tokens en un modelo y menos en otro.
Ese matiz cambia bastante las cuentas. Dos servicios pueden anunciar un precio atractivo, pero si uno fragmenta más el contenido que el otro, el coste real no será comparable de forma directa. En español, además, este efecto suele notarse más que en inglés.
La misma idea, distinto contador
Cuando se dice que un token es “una pequeña pieza de información”, no significa que haya una equivalencia fija del tipo “una palabra igual a un token”. En la práctica no funciona así. Una palabra corta puede ser un token, otra más larga puede dividirse en dos o tres, y una cifra puede partirse de manera distinta según el modelo.
Eso explica por qué el mismo texto no cuesta igual en todos los proveedores. Cada uno usa su propio tokenizador, es decir, su propio sistema para partir el contenido en fragmentos que el modelo pueda procesar. A esto se suma que distintos modelos del mismo proveedor también pueden variar en la forma de contar.
La consecuencia es bastante clara: mismo texto no significa mismos tokens. Y eso afecta a tres cosas muy concretas. La primera es el precio. La segunda es el contexto disponible, porque el límite de un modelo se mide en tokens, no en páginas ni en palabras. La tercera es el rendimiento práctico, ya que una conversación larga, un documento extenso o una cadena de instrucciones compleja pueden agotar antes ese presupuesto.
En castellano suele haber otro factor añadido. Palabras con tildes, formas verbales largas, términos compuestos o expresiones más extensas pueden fragmentarse más que en inglés. Dicho de forma simple: una idea explicada en español puede requerir más tokens que la misma idea en inglés.
Input, output y por qué la factura no depende solo del prompt
Otro error habitual es pensar que solo cuenta lo que escribe el usuario. En realidad, el consumo se reparte entre dos partes: el input, que es todo lo que se envía al modelo, y el output, que es todo lo que devuelve el modelo en su respuesta.
Si alguien le pide a una IA que resuma un correo en tres puntos, el texto del correo y la instrucción forman parte de los tokens de entrada. Después, la respuesta generada suma tokens de salida. Cuanto más largo sea el prompt y más extensa sea la respuesta, más crecerá el consumo total.
Esto parece obvio, pero en la práctica se olvida mucho. Hay usuarios que añaden contexto de sobra “por si acaso”, pegan bloques enormes de texto, meten varias tareas a la vez y luego piden respuestas detalladísimas. Todo eso se traduce en más tokens. A veces mejora el resultado, pero otras no. Más contexto no siempre significa más calidad. Muchas veces lo que ayuda de verdad es un prompt más claro, mejor estructurado y más directo.
En entornos empresariales esta diferencia importa mucho. Un chatbot interno, un asistente de soporte, un sistema de análisis documental o un agente de código pueden mover millones de tokens al día. Si el diseño del flujo no está bien pensado, el coste puede dispararse sin que el valor generado crezca en la misma proporción.
Imágenes, PDFs, tablas y código también cuentan
La cuestión se vuelve más interesante cuando la entrada ya no es solo texto. Los modelos multimodales también convierten imágenes en unidades internas equivalentes a tokens visuales. No “ven” la imagen como una persona. La dividen en bloques o regiones procesables, y de ahí sale el cálculo.
Eso significa que una imagen grande, con mucho detalle o mayor resolución, suele consumir más. En algunos casos, recortar, reducir tamaño o evitar enviar partes innecesarias puede rebajar bastante el coste. Lo mismo ocurre con capturas de pantalla, diagramas o fotografías de documentos.
Con los PDFs, las tablas y el código pasa algo parecido. No solo hay texto. Hay estructura, saltos, columnas, símbolos, elementos repetidos y, en ocasiones, imágenes incrustadas. Todo eso puede elevar el consumo. Un PDF aparentemente “ligero” puede esconder bastante complejidad si contiene tablas densas, gráficos o varias páginas escaneadas.
En desarrollo de software también conviene tenerlo presente. Un fragmento pequeño de código puede parecer breve a simple vista, pero la mezcla de símbolos, rutas, nombres de funciones, indentación y comentarios añade volumen tokenizado. Si además se pega una traza de error, varios ficheros y una conversación previa, el contexto se llena rápido.
Qué conviene mirar antes de comparar modelos
La tentación más común es fijarse solo en el precio por millón de tokens y sacar conclusiones rápidas. Es útil, pero no basta. Para comparar de forma razonable conviene mirar al menos cinco cosas.
La primera es cómo cuenta los tokens cada proveedor. La segunda es si el precio de entrada y de salida es distinto, algo muy habitual. La tercera es el tamaño real del contexto que puede manejar el modelo. La cuarta es qué ocurre con imágenes, PDFs o archivos complejos. Y la quinta es si existe una herramienta oficial para estimar consumo antes de llevar un flujo a producción.
En la práctica, lo sensato es probar con ejemplos reales. Un modelo puede parecer más barato sobre el papel, pero resultar menos eficiente si fragmenta más el contenido o si obliga a usar prompts más largos para obtener el mismo resultado. En otros casos, uno más caro por token puede compensar si necesita menos vueltas, menos contexto o menos correcciones.
Al final, los tokens son la moneda interna con la que la IA lee, razona y responde. El concepto es común a todos los grandes proveedores, pero la contabilidad no es idéntica. Entender esa diferencia ayuda a diseñar mejor los prompts, controlar mejor el gasto y elegir con más criterio entre plataformas.
Quien trabaje con IA de forma habitual, ya sea en marketing, soporte, analítica, desarrollo o automatización, acabará topándose con esta realidad. No hace falta obsesionarse con cada token, pero sí conviene dejar de verlos como una cifra abstracta. Son una parte muy concreta del rendimiento y del coste real de cualquier sistema basado en modelos.
Preguntas frecuentes
¿Qué es exactamente un token en IA?
Es una unidad pequeña de información que el modelo usa para procesar texto, imágenes u otros contenidos. Puede ser una palabra, una parte de palabra, un símbolo o un número.
¿Por qué el mismo texto puede tener distinto número de tokens según el modelo?
Porque cada proveedor utiliza su propio tokenizador y puede dividir el contenido con reglas diferentes.
¿Solo cuentan los tokens del prompt?
No. También cuentan los tokens de salida, es decir, la respuesta que genera la IA.
¿Las imágenes y los PDFs también consumen tokens?
Sí. Las imágenes se convierten en bloques visuales y los PDFs, tablas o código pueden elevar bastante el consumo por su estructura y complejidad.
