Glosario de IA

    ¿Qué es un token en inteligencia artificial?

    La unidad con la que un modelo de lenguaje lee, escribe y factura, y la razón por la que dos textos de igual longitud pueden costar distinto.

    En resumen

    Un token es la unidad mínima de texto que procesa un modelo de lenguaje: un trozo de palabra, una palabra corta, unas cifras o un signo. Antes de llegar al modelo, todo texto se divide en tokens con un tokenizador. El precio de las API, la velocidad y los límites de contexto se miden en tokens, no en palabras.

    Los modelos de lenguaje no ven letras ni palabras. Ven números, y cada número corresponde a una pieza de texto de su vocabulario: eso es un token. Una palabra corriente puede ocupar un único token y una poco común partirse en tres o cuatro.

    Para una empresa el token importa por una razón muy práctica: es la unidad en la que se paga. Cuando un proveedor publica sus precios por millón de tokens, o cuando un modelo anuncia cuánto contexto admite, está hablando de esto.

    Cómo se trocea un texto en tokens

    El tokenizador se construye antes de entrenar el modelo, a partir de qué secuencias de caracteres aparecen con más frecuencia en un gran volumen de texto. Con ellas forma un vocabulario fijo, de decenas de miles a cientos de miles de piezas, y descompone cualquier texto en piezas de ese vocabulario.

    Eso tiene dos consecuencias. Cada familia de modelos usa su propio tokenizador, así que el mismo texto no ocupa lo mismo en uno que en otro. Y como los vocabularios se construyen con datos donde domina el inglés, el español suele necesitar algo más de tokens para decir lo mismo. Los números largos, los códigos de producto y las tablas mal formateadas también se fragmentan mucho.

    Por qué los tokens deciden el coste y los límites

    Las API cobran por separado los tokens de entrada (instrucciones, documentos, historial) y los de salida (lo que genera el modelo), y los de salida suelen ser bastante más caros. En un chat, cada mensaje nuevo reenvía el historial completo, así que el gasto de entrada crece a medida que la conversación se alarga.

    Los modelos de razonamiento añaden otro factor: generan tokens de razonamiento interno antes de responder, que se cobran como salida aunque no siempre los veas. Y los límites de uso de las API también se expresan en tokens por minuto, algo a tener en cuenta antes de lanzar un proceso masivo.

    Dónde se van los tokens en un proyecto real

    Al revisar el gasto de un asistente o un agente, los tokens casi nunca están donde uno espera:

    • Un chatbot de atención al cliente con instrucciones de sistema largas y varios documentos recuperados por pregunta: la respuesta es corta, pero cada consulta arrastra miles de tokens de contexto.
    • Un agente que encadena herramientas: cada paso devuelve al modelo el resultado de la herramienta, a veces un JSON enorme del ERP, y todo se acumula en los pasos siguientes.
    • Un proceso por lotes que resume cada correo entrante: barato por unidad, pero multiplicado por el volumen de todo el mes.
    • Extracción de datos de PDF escaneados: las páginas se envían como imágenes, que también se convierten en tokens y pueden pesar más que el texto equivalente.

    Cómo controlar el gasto

    Lo primero es medir: registrar los tokens de entrada y salida de cada llamada, por tipo de tarea. Con eso a la vista, las palancas habituales son recortar instrucciones repetidas, recuperar menos fragmentos pero mejores, resumir historiales largos, pedir respuestas compactas y usar un modelo pequeño para lo sencillo. Muchos proveedores ofrecen además caché de prompts, que abarata la parte del contexto que se repite idéntica entre llamadas.

    Si ejecutas el modelo en local, los tokens no se pagan uno a uno, pero siguen costando: más tokens significan más memoria ocupada y respuestas más lentas en el mismo hardware.

    Preguntas frecuentes

    ¿Cuántas palabras son 1.000 tokens?

    Depende del idioma y del tokenizador. Como orientación, OpenAI estima que en inglés 1.000 tokens equivalen a unas 750 palabras; en español suelen dar para algo menos. Si necesitas una cifra fiable para presupuestar, cuenta los tokens de textos reales con el tokenizador del modelo que vas a usar.

    ¿Por qué los tokens de salida son más caros?

    Porque generarlos cuesta más. El modelo procesa los tokens de entrada en paralelo, pero produce la respuesta de uno en uno, y cada token generado exige una pasada completa por el modelo. Por eso, token a token, la salida pesa más en la factura y en el tiempo de espera.

    ¿Qué es el límite de tokens de un modelo?

    Suele referirse a dos cosas: la ventana de contexto, el total de tokens que el modelo procesa en una llamada sumando entrada y salida, y el máximo que puede generar en una sola respuesta, que es bastante menor. Si un documento no cabe, hay que dividirlo o recuperar solo las partes relevantes.

    ¿Cómo puedo contar los tokens de un texto?

    Los proveedores ofrecen contadores en su web, librerías como tiktoken para los modelos de OpenAI o funciones específicas en sus API. En los modelos abiertos, el tokenizador se distribuye con el propio modelo y se puede usar directamente.

    Calcula el coste de tu caso antes de lanzarlo

    Antes de poner en marcha un asistente o un proceso con IA, podemos estimar el consumo de tokens con tus textos reales y compararlo con la opción de ejecutar un modelo en local.

    Solicitar propuesta gratuita

    Actualizado el 20 de octubre de 2026