Cada vez que escribes un mensaje a ChatGPT, Claude o Gemini, el modelo no lee palabras tal y como lo haces tú. En su lugar, trocea el texto en pequeñas piezas llamadas tokens. De cada una de ellas depende cuánto puede recordar la IA, cuánto tarda en responder y, si usas la API, cuánto pagas por cada consulta.

Por ello, entender qué son los tokens resulta clave para sacar partido a cualquier herramienta de inteligencia artificial. En esta guía, te explicamos con ejemplos sencillos cómo funciona la tokenización, qué es la ventana de contexto y cómo calcular y ahorrar tokens en tu día a día.

¿Qué es un token en IA y para qué sirve?

Un token es la unidad mínima de texto con la que trabaja un modelo de lenguaje. Según como haya sido diseñado el sistema, puede corresponder a una palabra completa, a un fragmento de palabra, a un signo de puntuación o incluso a un espacio.

Su función consiste en traducir el lenguaje humano a un formato que la máquina pueda procesar. Gracias a los tokens, el modelo convierte tu pregunta en una secuencia de números, la analiza y genera la respuesta pieza a pieza. A su vez, los tokens sirven como unidad de medida, pues con ellos se fija la cantidad de texto que admite cada conversación y el precio que cobran las API.

Por cierto, estos tokens de inteligencia artificial no guardan relación con los tokens de las criptomonedas ni con el código de seguridad que te pide el banco. Se trata de una palabra con múltiples acepciones.

Diferencia entre palabras, caracteres y tokens

Un caracter se entiende como una letra, número, espacio o signo de un texto, mientras que una palabra consta como una unidad con significado propio. En cambio, el token se sitúa a medio camino entre ambos términos. Las palabras cortas y frecuentes suelen ocupar un único token, pero las largas o poco habituales se dividen en varios.

Según OpenAI, un token perteneciente a un texto en inglés equivale de media a unos 4 caracteres o a tres cuartas partes de una palabra, de modo que 100 tokens rondan las 75 palabras. Ahora bien, se trata de una regla orientativa que cambia según el idioma y el modelo.

Unidad

Qué representa

Ejemplo

Carácter

Cada letra, cifra, espacio o signo

«c», «a», «s», «a»

Palabra

Una unidad con significado propio

«casa»

Token

La pieza que procesa el modelo

«casa» suele ser un token; «electroencefalograma» se divide en varios

Ejemplo de token: cómo se divide una frase real

Para apreciar mejor qué es un token en IA, basta con pegar una frase en el tokenizador gratuito de OpenAI. Con el tokenizador de GPT-4, la frase inglesa «Hello, world!» se convierte en cuatro tokens, a saber, «Hello», «,», « world» y «!». Siguiendo la misma lógica, su equivalente en español, «¡Hola, mundo!», necesitaría cinco tokens, porque el signo de apertura cuenta como una pieza más.

De hecho, este ejemplo esconde un detalle curioso: el espacio no desaparece, sino que viaja pegado a la palabra siguiente. Es por esto por lo que «world» lleva un espacio delante. Dado que cada empresa diseña su propio tokenizador, el mismo texto puede dividirse de otra manera en otro modelo.

Por norma general, el español consume más tokens que el inglés para expresar la misma idea. Las mediciones varían según el modelo y el texto, pero suelen situar la diferencia entre un 15% y un 50%. A fin de cuentas, los tokenizadores se entrenaron sobre todo con textos en inglés.

¿Cómo funciona la tokenización en los modelos de lenguaje?

La tokenización en IA es el proceso que convierte un texto en una secuencia de tokens que el modelo puede entender. Este proceso constituye el primer y último paso de cualquier interacción con un modelo de lenguaje, puesto que la respuesta también se genera en tokens antes de transformarse de nuevo en texto.

Dentro del procesamiento del lenguaje natural, la tokenización lleva décadas siendo una técnica básica, aunque los grandes modelos actuales la han llevado a otra escala.

El proceso de tokenización paso a paso

Si alguna vez te has preguntado cómo funciona ChatGPT por dentro, el recorrido de un mensaje se resume en tres fases.

1. División del texto en tokens

En primer lugar, el tokenizador trocea tu mensaje siguiendo un vocabulario fijo que aprendió durante el entrenamiento. Dicho vocabulario suele contener entre decenas y cientos de miles de piezas, desde palabras completas hasta sílabas sueltas o signos.

2. Conversión de cada token en un número

A continuación, cada token recibe un identificador numérico. Sin embargo, el modelo no trabaja con ese número tal cual. Más bien, lo transforma en un vector, es decir, en una larga lista de valores que representa su significado y su relación con otros tokens. A diferencia de las antiguas redes neuronales recurrentes, las cuales procesaban el texto palabra a palabra, los modelos actuales analizan todos los tokens a la vez y calculan cómo se relaciona cada uno con el resto.

3. Predicción del siguiente token

Por último, el modelo elige el siguiente token entre los más probables. Luego, lo añade a la secuencia y repite la operación una y otra vez hasta completar la respuesta. Cada token generado se convierte de nuevo en texto. Y este es el motivo por el cual el usuario observa cómo la respuesta aparece poco a poco en pantalla, y no de golpe.

Tipos de tokenización más habituales

  • Por palabras. Cada palabra equivale a un token. A pesar de que resulta intuitiva, obliga a manejar vocabularios enormes y falla con términos nuevos o mal escritos.

  • Por caracteres. Cada letra o signo forma un token. Nunca se topa con una palabra desconocida, aunque genera secuencias muy largas y costosas de procesar.

  • Por subpalabras. Divide el texto en fragmentos frecuentes, de manera que palabras comunes quedan enteras y las raras se parten en trozos. Hoy en día, prácticamente todos los grandes modelos recurren a ella.

La ventana de contexto: el límite de memoria de los LLM

La ventana de contexto es la cantidad máxima de tokens que un modelo puede tener en cuenta a la vez. En ellas, tienen cabida tu mensaje, el historial de la conversación, los documentos que adjuntas, las instrucciones internas y la respuesta que genera el propio modelo.

Dicho de otro modo, una ventana de contexto actúa como la memoria de trabajo de la IA. Cualquier información que quede fuera de ella deja de existir para el modelo, por mucho que la hayas escrito al principio de la conversación.

¿Qué pasa cuando se supera el límite de tokens en una conversación?

Cuando una conversación sobrepasa la ventana de contexto, cada herramienta reacciona de una forma distinta. Algunas descartan los mensajes más antiguos, otras los resumen de manera automática y, en el caso de la API, la petición puede devolver directamente un error. Sea como fuere, el resultado se parece mucho, ya que la IA «olvida» instrucciones o datos que le diste al principio.

Ahora bien, el problema no siempre espera al límite. Un estudio de Chroma publicado en 2025 comprobó que los 18 modelos analizados perdían fiabilidad a medida que crecía el texto de entrada, incluso mucho antes de llenar la ventana. Por ende, una conversación muy larga puede ofrecer peores respuestas, pese a que aún quepa en la memoria del modelo.

Comparativa de ventana de contexto: ChatGPT, Claude y Gemini

A la hora de comparar, conviene distinguir entre la API (usada mayoritariamente por desarrolladores y empresas) y las aplicaciones de chat (los límites dependen del plan contratado). En la API, los tres grandes rondan ya el millón de tokens.

Plataforma

Modelo de referencia

Ventana de contexto en la API

ChatGPT (OpenAI)

GPT-6 y GPT-5.6

Unos 1,05 millones de tokens

Claude (Anthropic)

Claude Opus 5.5 y Sonnet 5.5

1 millón de tokens

Gemini (Google)

Gemini 4 Argon

1.048.576 tokens, compartidos entre entrada y salida

Dentro de la propia aplicación de ChatGPT, la ventana resulta bastante menor y varía según el plan. De acuerdo con la tabla de planes de OpenAI de septiembre de 2026, los modelos rápidos disponen de 27.000 tokens en la versión gratuita, 54.000 en Go, Plus y Business y 128.000 en Pro y Enterprise. Los modelos de razonamiento llegan a 256.000 tokens en los planes de pago y a 400.000 en Pro. Por tanto, la API o un plan superior suele compensar mucho más de cara a trabajar con documentos muy extensos.

Cómo calcular, gestionar y pagar los tokens en un LLM

El cálculo de los tokens resulta sencillo con las herramientas adecuadas, y conviene hacerlo antes de lanzar tareas largas o costosas. Al fin y al cabo, el número de tokens determina tanto si un texto cabe en la ventana de contexto.

Herramientas gratuitas para contar tokens

La opción más rápida pasa por el Tokenizer de OpenAI: una página gratuita en la que pegas un texto y ves cómo se divide, con cada token marcado en un color y el recuento total. Si eres programador, quizás te interese conocer tiktoken: una librería de código abierto que cuenta tokens desde Python.

Por su parte, Anthropic y Google permiten contar los tokens de una petición desde sus propias API antes de enviarla, lo cual posibilita saber de antemano cuánto ocupará. Eso sí, cada herramienta usa su propio tokenizador, así que el recuento de OpenAI no coincide exactamente con el de Claude o Gemini.

Precio por token en la API de ChatGPT, Claude y Gemini

Los usuarios de la API de ChatGPT o la de sus competidores pagan según los tokens consumidos, una modalidad propia de los modelos de LLM como servicio. Las tarifas se expresan por millón de tokens, y distinguen entre entrada y salida, es decir, lo que envías y lo que genera el modelo.

Modelo

Entrada, por millón de tokens

Salida, por millón de tokens

GPT-6.1 Sol (OpenAI)

2 $

10 $

Claude Opus 5.5 (Anthropic)

4 $

20 $

Gemini 4 Argon (Google)

2 $ hasta el 30 de noviembre de 2026; 4 $ desde el 1 de diciembre

10 $ hasta el 30 de noviembre de 2026; 20 $ desde el 1 de diciembre

Como puedes apreciar, la salida (o output) cuesta cinco veces más que la entrada (o input) en los tres casos. Además, todos ofrecen descuentos por la entrada en caché, esto es, por reutilizar un mismo contexto en varias peticiones. Dado que las tarifas cambian con frecuencia, conviene revisar la página oficial de cada proveedor antes de presupuestar un proyecto.

Si tu empresa necesita integrar estos modelos en sus procesos, la formación en IA para empresas de Learning Heroes te ayudará a controlar el gasto desde el primer día.

Cómo ahorrar tokens sin perder calidad en las respuestas

Tanto si pagas por uso como si chocas con los límites de tu plan, gastar menos tokens te permite trabajar más y obtener respuestas más centradas. Estas cuatro prácticas marcan la diferencia.

Escribe prompts directos y sin relleno

Los saludos, las disculpas y las explicaciones innecesarias también cuentan como tokens. Por eso, conviene ir al grano, eliminar repeticiones y pegar solo el fragmento del documento que importa en vez del texto completo. Un buen punto de partida consiste en aplicar las técnicas de prompt engineering.

Redacta instrucciones claras y formato de respuesta acotado

Los tokens de salida suelen ser los más caros, con lo cual conviene fijar de antemano la extensión y el formato de la respuesta. Peticiones como «responde en tres viñetas» o «máximo 100 palabras» evitan textos más largos de lo necesario. Asimismo, puedes establecer un límite máximo de tokens de salida para cada petición en la API.

Abre una conversación nueva para cada tema

En cada mensaje, el modelo vuelve a procesar todo el historial de la conversación. Así pues, mezclar varios temas en un mismo chat dispara el consumo y, por si fuera poco, confunde al modelo con información que ya no viene al caso. Sin duda, resulta más eficiente abrir un chat nuevo cada vez que cambias de tarea.

Elabora resúmenes del contexto en chats largos

Cuando una conversación se alarga pero necesitas conservar lo trabajado, pídele a la IA un resumen con las decisiones y los datos clave. Luego, abre un chat nuevo, pega ese resumen y continúa desde ahí. Este proceso te facilitará mantener el hilo con una fracción de los tokens y reducir el riesgo de que el modelo olvide instrucciones importantes.

Si quieres aprender a trabajar de forma eficiente con cualquier herramienta de inteligencia artificial, la formación IA Heroes te ahorrará tiempo y recursos.

FAQ sobre tokens de IA

¿Cuántos tokens son 1.000 palabras?

En inglés, 1.000 palabras equivalen aproximadamente a 1.333 tokens, según la regla orientativa de OpenAI de 100 tokens por cada 75 palabras. En español, conviene calcular entre 1.500 y 2.000 tokens según el modelo. Para conocer el número exacto, el método más fiable es pegar el texto en un tokenizador.

¿Qué elementos de un texto consumen tokens?

Prácticamente todos: las palabras, los fragmentos, los números, los signos de puntuación, los saltos de línea, los emojis... Los espacios también influyen, aunque normalmente viajan unidos a la palabra que los sigue. En la API, también han de tenerse en cuenta las instrucciones del sistema, el historial, las herramientas y los archivos o imágenes adjuntos.

¿Consumen lo mismo los tokens de entrada que los de salida?

No. Aunque ambos ocupan espacio en la ventana de contexto, los tokens de salida cuestan bastante más que los de entrada; en concreto, cinco veces más en los modelos que hemos comparado. Para más inri, los modelos de razonamiento generan tokens internos mientras «piensan» que no ves en la respuesta. Y estos tokens también se facturan como tokens de salida. Por eso, una contestación breve puede resultar más cara de lo que parece.