Contando tokens: el medidor oculto detrás de cada herramienta de IA

Por Brian Long

En el primer artículo de esta serie, llegamos a un modelo mental que despeja gran parte de la confusión sobre la IA: un modelo de lenguaje grande es un procesador de lenguaje. Recibe lenguaje y te devuelve lenguaje transformado, de la misma forma en que un procesador de alimentos recibe verduras y te entrega algo picado o licuado según lo que pediste.

Ese marco responde para qué sirve la herramienta. Este artículo responde una pregunta que surge en cuanto empiezas a usarla para trabajo real: ¿cuánto cuesta usarla y cómo distingo una buena oferta de una mala?

La respuesta se reduce a una sola unidad que probablemente has visto en tu factura o en la letra pequeña de tu plan sin saber muy bien qué significaba: el token. Los tokens son el medidor con el que funciona la IA. Una vez que los entiendes, toda la economía de la IA —precios, velocidad y la creciente pregunta sobre la electricidad— deja de ser un misterio y se convierte en algo que realmente puedes gestionar.

¿Qué es un token?

Un token es un fragmento de texto, por lo general un poco más pequeño que una palabra. Los modelos de IA no leen letra por letra ni palabra por palabra; dividen el texto en estos fragmentos y los procesan uno a la vez.

Una regla práctica útil: un token equivale más o menos a tres cuartas partes de una palabra. Mil palabras en inglés equivalen aproximadamente a entre 1,300 y 1,500 tokens (Microsoft, Fullstack). Palabras comunes como “the” o “house” son un solo token. Las palabras más largas o poco comunes se dividen: “unbelievable” podría convertirse en tres tokens: “un”, “believ” y “able”. La puntuación y los espacios también cuentan.

¿Por qué molestarse en trocear las palabras? Porque le permite al modelo manejar cualquier palabra que encuentre —incluidas las que nunca ha visto, nombres, errores de escritura, jerga técnica— ensamblándolas a partir de piezas conocidas, de la misma forma en que tú puedes deletrear una palabra que nunca has leído. La consecuencia práctica para ti: todo lo que escribes y todo lo que la IA te responde se mide y se factura en tokens. El medidor siempre está corriendo, en ambas direcciones.

Prompt de entrada, respuesta de salida: las dos caras del medidor

Aquí está la parte que sorprende a la mayoría de la gente: los tokens que envías y los que recibes de vuelta se cuentan por separado, y por lo general no tienen el mismo precio.

Los tokens de tu solicitud se llaman tokens de entrada (o “prompt”). Los tokens de la respuesta de la IA son tokens de salida (o “respuesta”). La salida casi siempre cuesta más, con frecuencia entre cuatro y cinco veces más por token que la entrada.

Eso suena arbitrario hasta que recuerdas el modelo del procesador de alimentos. Leer tu solicitud es la parte fácil: la IA absorbe todo tu prompt básicamente en una sola pasada. Generar la respuesta es la parte costosa: el modelo la produce un token a la vez, y cada nueva palabra depende de todas las palabras anteriores. Estás pagando por el trabajo de creación, no por el trabajo de lectura. Piensa en un traductor que cobra una pequeña tarifa por leer tu documento, pero factura por página lo que te devuelve escrito.

Esto tiene una implicación directa que te puede ahorrar dinero. Un prompt largo y detallado —exactamente el tipo de briefing exhaustivo que recomendamos en el artículo anterior— es barato. Cargar a la IA con contexto y ejemplos te cuesta muy poco, porque los tokens de entrada son el lado económico del medidor. En lo que sí conviene ser deliberado es en pedir salidas enormes que no necesitas. “Resume esto en tres viñetas” no solo es más claro que “cuéntame todo sobre esto”: también es más barato.

Vale la pena conocer otro detalle, porque está reconfigurando las facturas de IA en toda la industria. Los modelos de “razonamiento” más recientes hacen algo adicional: antes de responder, generan un monólogo interno oculto, trabajando el problema paso a paso. Esos tokens de pensamiento se facturan igual que cualquier otro token de salida, aunque nunca los veas. Una respuesta que te muestra 200 palabras podría haber consumido en silencio decenas de miles de tokens de deliberación privada (CodeAnt). Eso es poderoso para problemas genuinamente difíciles y un desperdicio para los simples, y saber distinguir entre ambos se está convirtiendo en una habilidad real, a la que volveremos más adelante.

¿Qué tan rápido es suficientemente rápido? La velocidad de los tokens

Los tokens también miden la velocidad. Cuando ves la respuesta de una IA aparecer en pantalla palabra por palabra, estás viendo llegar tokens, y esa tasa se mide en tokens por segundo.

El punto de referencia útil aquí es maravillosamente humano: de seis a siete tokens por segundo es, más o menos, la velocidad normal de lectura (Artificial Analysis). Si un modelo produce texto al menos a esa velocidad, va al mismo ritmo que tú mientras lees, que es todo lo que necesitas para conversar, redactar o resumir. Cualquier cosa más rápida que tus ojos es, en cierto sentido, desperdiciada en un lector humano.

Entonces, ¿por qué a alguien le importan los modelos que generan 200, 300 o incluso muchos más tokens por segundo? Por dos razones. Primero, cuando la IA hace un trabajo que tú no estás leyendo en tiempo real —procesando cien correos de clientes, analizando un documento largo—, más velocidad significa menos espera por el resultado terminado. Segundo, las herramientas agénticas más nuevas encadenan muchos pasos de IA detrás de escena, y un modelo lento hace que toda la cadena avance a paso de tortuga. Sin embargo, para el trabajo cotidiano de ventana de chat con el que empiezan la mayoría de las pequeñas empresas, los modelos convencionales de hoy son todos más rápidos de lo que puedes leer. La velocidad rara vez es tu cuello de botella. El costo y el criterio sí lo son.

Eficiencia de tokens: el número que definirá los próximos años

Una vez que ves el mundo en tokens, entra en foco una pregunta más importante, no “¿cuánto cuesta un token?”, sino “¿cuánto trabajo útil obtengo por token?”. Eso es la eficiencia, y viene en dos sabores que le importan a un dueño de negocio: tokens por dólar y tokens por watt.

Tokens por dólar: la ilusión del costo

Primero la buena noticia: los precios brutos de los tokens se han desplomado. El costo de comprar un determinado nivel de capacidad de IA ha caído varias veces año tras año, y la competencia es feroz. A mediados de 2026, los modelos de gama económica rondan $0.10 por millón de tokens de entrada; los modelos convencionales de referencia como la serie GPT-5 de OpenAI o Claude Sonnet de Anthropic se ubican cerca de $2.50 a $3 por millón de tokens de entrada (con la salida entre cuatro y cinco veces más cara); y los modelos de vanguardia suben hasta $5–$30 (CloudZero, BenchLM). Un millón de tokens son aproximadamente 750,000 palabras —casi una novela gruesa completa— por el precio de un café. Con esas cuentas, la IA parece casi gratis.

Aquí está el truco, y es lo más importante que debes entender de tu factura: los precios por token están cayendo mientras las facturas totales de IA están subiendo. Los analistas de la industria llaman a esto la “ilusión del costo de los tokens” (Artefact, Indexnine). El precio por unidad bajó cerca de un 75% en un año, pero la cantidad de unidades que consume una tarea moderna se disparó. Esos tokens de pensamiento ocultos, junto con los flujos de trabajo agénticos que dan vueltas por docenas de pasos, significan que una sola solicitud compleja puede consumir en silencio entre 50,000 y 500,000 tokens antes de entregarte una respuesta. Unidades más baratas, muchas más de ellas, factura más grande.

La disciplina que esto premia es exactamente la que hemos venido predicando: ajusta la herramienta a la tarea. Usar un modelo de razonamiento pesado para escribir un correo de agradecimiento es como usar una retroexcavadora para plantar un tulipán: funciona, pero es tremendamente ineficiente. La misma consulta sencilla puede costar decenas de veces más en un modelo “pensante” que en uno del tamaño adecuado, sin obtener un mejor resultado. La vanguardia también importa aquí: el recién lanzado Claude Fable 5 de Anthropic, la versión pública de su modelo de más alto nivel, clase Mythos, se lanzó en junio de 2026 a aproximadamente el doble del precio de la bandera anterior (Anthropic, CNBC). Es una herramienta notable para razonamiento genuinamente difícil y de alto riesgo, y una exageración total para reescribir una oferta de empleo. La eficiencia no se trata de comprar siempre el modelo más barato ni el más inteligente. Se trata de nunca pagar precios de vanguardia por trabajo rutinario.

Tokens por watt: la pregunta detrás de la pregunta

Hay un segundo medidor, y casi nadie fuera de la industria lo está observando todavía: la energía. Al final, cada token lo produce un chip que consume electricidad. Los investigadores ahora miden la eficiencia de la IA en tokens por watt —o tokens por joule— precisamente por esto (John Snow Labs).

Esto no es una preocupación marginal. Según algunas estimaciones, los centros de datos del mundo iban en camino de consumir alrededor de 1,050 teravatios-hora de electricidad en 2026, lo suficiente para que, si fueran un país, ocuparan el quinto lugar entre los mayores consumidores de energía del planeta, entre Japón y Rusia (TTMS). Los operadores de la red eléctrica ya tratan la “velocidad para conectarse a la red” como el factor decisivo para saber si nuevas instalaciones de IA pueden siquiera construirse (Foro Económico Mundial). La electricidad, no los chips, se está convirtiendo en el verdadero cuello de botella.

Para una pequeña empresa esto puede parecer abstracto, hasta que lo conectas con tu factura. Los precios asombrosamente bajos de los tokens de hoy se sostienen gracias a una inversión enorme y, en algunos casos, a vender cómputo por debajo de su costo real para ganar participación de mercado. La energía es la factura que no se puede descontar. La eficiencia energética, no la capacidad bruta, es lo que determinará el precio real y a largo plazo de la IA —y la viabilidad comercial de las empresas que la proveen. El modelo que hace tu trabajo con menos watts es el modelo que se mantendrá accesible cuando se acaben los subsidios.

Por qué lo local y lo híbrido es el camino a seguir

Aquí es donde los dos medidores —dólares y watts— apuntan al mismo destino: no necesitas una supercomputadora de vanguardia para la mayor parte de lo que realmente hace un negocio.

La matemática energética es contundente. El apetito de energía de un modelo crece más rápido que su tamaño: pasar de un modelo de 7,000 millones de parámetros a uno de 70,000 millones puede multiplicar por cerca de cien la energía por token (arXiv). La mayoría de las tareas de lenguaje de un negocio —redactar, resumir, reescribir, extraer— no necesitan el modelo cien veces más hambriento. Necesitan uno competente y del tamaño adecuado. Y esos modelos pequeños se han vuelto notablemente buenos. La familia de código abierto Granite de IBM ahora ofrece versiones suficientemente pequeñas para ejecutarse directamente dentro de un navegador web, construidas deliberadamente para un trabajo empresarial eficiente, predecible y de bajo costo (VentureBeat, IBM Research). Un modelo abierto y capaz puede producir texto útil en una laptop moderna o en el chip de un teléfono, consumiendo apenas un puñado de watts, más o menos lo que usa un foco (arXiv).

Eso abre paso a un enfoque híbrido, y hacia ahí se dirige el dinero inteligente. Ejecuta el trabajo rutinario, de alto volumen y sensible en cuanto a privacidad en modelos pequeños y eficientes cerca de casa —en tu propio hardware, donde el costo marginal por token se acerca a cero y tus datos nunca salen del edificio—. Recurre a la costosa vanguardia en la nube solo para el problema ocasional genuinamente difícil que justifique el gasto. Obtienes lo mejor de ambos mundos: la eficiencia de costo y energía de la IA local para el grueso del trabajo, y músculo de vanguardia disponible para el caso raro que lo necesite. Toda la industria —OpenAI, Google, IBM y el mundo de código abierto en rápido movimiento por igual— corre hacia modelos más pequeños, más baratos y más eficientes precisamente porque ahí es donde vive la economía sostenible.

La ventaja silenciosa, continuación

Volvamos al ciclo de exageración con el que abrimos la serie. Durante el auge, la historia trataba de modelos cada vez más grandes y demostraciones cada vez más asombrosas. Esa fase está terminando. La ventaja duradera de la siguiente fase no la construirá quien gaste más en el modelo más llamativo: la construirá quien use la IA de forma eficiente: la herramienta del tamaño adecuado, bien informada, ejecutada por la menor cantidad de dólares y watts para hacer el trabajo.

Esa es una buena noticia para las pequeñas y medianas empresas, y es la misma buena noticia de siempre. Nunca ibas a ganar gastando más que los gigantes. Ganas siendo deliberado: sabiendo que un token es una unidad de trabajo que pagas en dinero y en energía, y gastando ambos solo donde realmente te compran algo. Las herramientas se están volviendo más baratas, más pequeñas y más eficientes mes a mes. Los negocios que aprendan a contar sus tokens construirán silenciosamente una ventaja mientras todos los demás siguen mirando fijamente la vanguardia.

En Synapses Technologies, ayudar a las pequeñas y medianas empresas a encontrar ese ajuste práctico y eficiente —la herramienta correcta para el trabajo real— es lo que hacemos. Si te preguntas qué tareas pertenecen a un modelo local ligero y cuáles valen la pena para la vanguardia, esa es exactamente la conversación que nos encanta tener.

Próximo en la serie: dónde encontrar las tareas de lenguaje recurrentes que se esconden en tu propia operación, y cómo verificar los resultados de la IA sin perder el tiempo que acabas de ahorrar.