La inteligencia artificial generativa parece funcionar con palabras, imágenes y documentos, pero por dentro trabaja con una unidad menos visible: los tokens. Cada vez que alguien escribe una pregunta en ChatGPT, Claude, Gemini o cualquier otra herramienta similar, el sistema no procesa exactamente “palabras” como las entiende una persona. Antes divide el contenido en pequeñas piezas que puede leer, interpretar y usar para generar una respuesta.
Esa pieza es el token. Puede ser una palabra completa, una parte de una palabra, un número, un signo de puntuación o incluso un espacio. Por eso una frase corta puede convertirse en varios tokens y un documento largo puede consumir miles. La idea no es complicada, pero tiene consecuencias muy prácticas: los tokens influyen en el coste, en el tamaño máximo de los documentos que se pueden analizar y en la longitud de las respuestas.
La confusión aparece porque no todos los proveedores cuentan los tokens igual. OpenAI, Anthropic o Google usan sistemas propios para dividir el texto y procesar imágenes. La misma frase puede ocupar una cantidad distinta de tokens según el modelo. Por eso comparar herramientas de IA solo por el precio “por millón de tokens” puede llevar a conclusiones equivocadas.
Un token no siempre es una palabra
Para entenderlo de forma sencilla, se puede pensar en los tokens como las “piezas” con las que la IA desmonta una frase antes de trabajar con ella. “Hola mundo” podría dividirse en dos piezas, pero una palabra más larga, una cifra o una expresión menos habitual podría dividirse en varias.
En inglés suele usarse una regla orientativa: un token equivale aproximadamente a cuatro caracteres, y 100 tokens pueden representar unas 60 u 80 palabras cortas. Es solo una aproximación. En español puede variar más, porque hay palabras más largas, tildes, formas verbales complejas y estructuras que no siempre se dividen igual.
| Ejemplo de contenido | Qué puede ocurrir al tokenizarlo |
|---|---|
| “Hola mundo” | Puede dividirse en dos piezas sencillas |
| “rápidamente” | Puede separarse en varias partes |
| “2026” | Puede partirse en uno o varios fragmentos |
| Una frase en español | Puede consumir más tokens que una idea parecida en inglés |
| Una tabla o un bloque de código | Puede generar muchos tokens por símbolos, saltos y estructura |
Esto explica una idea importante: mismo texto no significa mismos tokens. Cada modelo tiene su forma de cortar el contenido en unidades internas. A simple vista el usuario ve una frase; el sistema ve una secuencia de fragmentos.
Input y output: lo que envías y lo que recibes
Cuando se usa una herramienta de IA, no solo se cuentan los tokens del mensaje inicial. También se cuentan los tokens de la respuesta. En muchas plataformas se diferencia entre input tokens y output tokens.
Los input tokens son todo lo que el usuario envía: la pregunta, las instrucciones, el historial de conversación, los documentos adjuntos, el código, una tabla o una imagen convertida a formato procesable. Los output tokens son todo lo que la IA devuelve: el resumen, la explicación, el informe, el código generado o la respuesta final.
| Tipo de token | Qué incluye | Ejemplo |
|---|---|---|
| Input | Lo que se envía al modelo | Una pregunta, un PDF, un correo, una tabla |
| Output | Lo que genera el modelo | Un resumen, una respuesta, una traducción |
| Contexto | La suma de información que cabe en una conversación o tarea | Historial, documentos y mensajes anteriores |
| Tokens visuales | La forma interna en que se procesan imágenes | Capturas, fotografías o gráficos |
Esto tiene un efecto directo en el coste. Un usuario puede escribir un prompt corto, pero pedir una respuesta muy larga. En ese caso, quizá el gasto esté más en la salida que en la entrada. También puede ocurrir lo contrario: una petición que pide “resume este documento” puede parecer sencilla, pero si el documento tiene muchas páginas, tablas e imágenes, los tokens de entrada se disparan.
Por qué no basta con mirar el precio por millón de tokens
Muchas empresas anuncian sus precios por millón de tokens. Es una métrica útil, pero no suficiente. Si un modelo cobra menos por millón de tokens, pero necesita más tokens para procesar el mismo documento o genera respuestas más largas de lo necesario, el coste real puede no ser tan bajo.
La comparación correcta no debería ser solo “cuánto cuesta un millón de tokens”, sino cuánto cuesta resolver una tarea completa con buena calidad. Por ejemplo, resumir 100 facturas, analizar 50 contratos, responder 10.000 consultas de soporte o revisar un repositorio de código.
| Lo que se suele comparar | Lo que conviene mirar también |
|---|---|
| Precio por millón de tokens | Cuántos tokens consume realmente cada tarea |
| Tamaño máximo de contexto | Si el modelo usa bien ese contexto o se pierde |
| Coste de entrada | Coste de salida, que a veces es mayor |
| Modelo más barato | Número de reintentos y correcciones necesarias |
| Respuesta más larga | Calidad y utilidad de la respuesta final |
Un modelo aparentemente más caro puede compensar si resuelve una tarea en menos intentos. Uno más barato puede ser ideal para trabajos masivos si mantiene calidad suficiente. La clave está en medir con ejemplos reales, no con frases de prueba.
Las imágenes y los PDFs también cuentan
Los tokens no se limitan al texto. Los modelos capaces de analizar imágenes también convierten esas imágenes en una representación interna. No ven una fotografía como una persona, sino que la dividen en zonas, bloques o fragmentos visuales.
Esto significa que una imagen grande, una captura de pantalla con mucho detalle o un documento escaneado pueden consumir más que un texto breve. Lo mismo ocurre con PDFs: no todos son iguales. Un PDF con texto limpio puede ser más sencillo de procesar que otro con tablas densas, gráficos, columnas o páginas escaneadas.
| Tipo de archivo | Por qué puede consumir más |
|---|---|
| Imagen grande | Más resolución y más zonas visuales que analizar |
| Captura de pantalla | Texto, iconos, menús y elementos de interfaz |
| PDF escaneado | Puede requerir OCR y análisis visual |
| Tabla compleja | Muchas celdas, números, separadores y estructura |
| Código fuente | Símbolos, indentación, nombres largos y comentarios |
Por eso reducir una imagen, recortar partes innecesarias o enviar solo las páginas relevantes de un PDF puede ahorrar tokens. No se trata de dar menos información a la IA, sino de darle la información adecuada.
Más contexto no siempre es mejor
Una de las promesas más llamativas de los modelos actuales es su capacidad para aceptar contextos enormes. Algunos pueden procesar documentos muy largos o conversaciones con miles de palabras. Esto es útil, pero no siempre mejora el resultado.
Enviar demasiado contexto puede tener dos problemas. El primero es el coste: más información significa más tokens. El segundo es la claridad: si se envía contenido irrelevante, la IA puede distraerse o dar una respuesta menos precisa.
En muchos casos es mejor preparar bien la entrada: explicar el objetivo, indicar qué partes importan, eliminar información redundante y pedir un formato claro. Un prompt breve pero bien pensado puede ser más eficaz que una montaña de datos sin orden.
| Mala práctica | Mejor alternativa |
|---|---|
| Pegar todo “por si acaso” | Enviar solo lo relevante |
| Pedir varias tareas mezcladas | Separar el trabajo en pasos |
| Subir un PDF completo sin indicar objetivo | Señalar páginas, secciones o campos buscados |
| Pedir “analízalo todo” | Definir qué decisión o resultado se necesita |
| Aceptar cualquier respuesta larga | Pedir claridad, límites y formato concreto |
Los tokens son una medida técnica, pero también obligan a trabajar mejor. Cuanto más clara sea la petición, menos desperdicio habrá.
Por qué importa para usuarios y empresas
Para un usuario ocasional, entender los tokens sirve para saber por qué a veces una herramienta limita la longitud de un texto, por qué una respuesta se corta o por qué ciertos documentos no caben en una sola petición.
Para una empresa, la importancia es mayor. Un asistente interno de atención al cliente, una herramienta de análisis legal, un sistema de revisión de facturas o un agente de programación pueden consumir millones de tokens cada día. Si nadie controla cómo se envía el contexto, cuánto generan las respuestas y cuántos reintentos hacen falta, el gasto puede crecer rápido.
Los tokens son, en la práctica, la unidad económica de la IA. No se ven, pero están detrás de cada interacción. Determinan cuánto lee el modelo, cuánto responde, cuánto contexto puede manejar y cuánto cuesta cada tarea.
La mejor forma de entenderlos es esta: son la moneda interna con la que la IA trabaja. El concepto es común, pero cada proveedor la cuenta a su manera. Por eso, antes de elegir una herramienta o montar una aplicación con IA, conviene probar con ejemplos reales, contar tokens y medir el coste por resultado útil.
Preguntas frecuentes
¿Un token es lo mismo que una palabra?
No. Un token puede ser una palabra, una parte de una palabra, un número, un símbolo o incluso un espacio.
¿Por qué el mismo texto puede tener más tokens en un modelo que en otro?
Porque cada proveedor usa su propio sistema para dividir el texto. OpenAI, Claude y Gemini no tienen por qué contar igual.
¿Los tokens afectan al precio?
Sí. Muchas herramientas de IA cobran según los tokens de entrada y salida. Cuanto más contenido se envía o se genera, mayor puede ser el coste.
¿Las imágenes también consumen tokens?
Sí. Los modelos multimodales convierten las imágenes en unidades internas para analizarlas, y el consumo depende de la resolución, el detalle y el proveedor.
¿Cómo se puede ahorrar tokens sin perder calidad?
Enviando solo la información relevante, recortando imágenes, evitando documentos innecesarios, pidiendo respuestas concretas y usando ejemplos reales para medir consumo.
