---
title: "¿Qué son los tokens en IA? Cómo cuentan el texto los LLM"
description: "Los tokens son los trozos de texto que lee y escribe una IA: palabras, partes de palabras y signos. Cómo funciona la tokenización y cómo fijan costo y límites."
url: https://proxynet.io/es/blog/what-are-tokens-in-ai
date: 2026-11-18
author: "Acar Diveroli"
category: "IA"
lang: es
---

# ¿Qué son los tokens en IA? Cómo cuentan el texto los LLM

Un desarrollador pega un contrato largo en un asistente de chat y recibe el aviso de que la conversación es demasiado larga. Un equipo de marketing abre su primera factura de IA y ve que el uso se mide en millones de tokens, no en palabras. Un equipo de soporte en Türkiye nota que el mismo prompt en turco agota su presupuesto antes que en inglés. Los tres se han topado con la misma unidad pequeña: el token.

Este artículo explica qué es un token, cómo se divide el texto en tokens (con un ejemplo real en inglés y en turco), por qué algunos idiomas necesitan más, cómo los tokens fijan el costo y los límites de un modelo, cómo contarlos y cómo usar menos. Al final repasa los otros significados de la palabra.

> **Nota: Respuesta breve**
>
> Un token es la unidad de texto que lee y escribe un modelo de lenguaje de IA: una palabra común completa, un trozo de una palabra más larga, un signo de puntuación o una palabra junto con el espacio que la precede. Un tokenizador divide tu texto en estos trozos y convierte cada uno en un número de un vocabulario fijo; el modelo trabaja solo con esos números. Los tokens importan porque las API de IA cobran por token, la entrada y la salida por separado, y porque cada modelo solo puede manejar un número limitado de tokens por solicitud. En inglés, un token equivale más o menos a cuatro caracteres o a tres cuartos de una palabra; la mayoría de los demás idiomas, entre ellos el turco, necesitan más tokens para el mismo mensaje.

## ¿Qué es un token en IA?

Un token es la unidad de texto más pequeña que maneja un modelo de lenguaje de IA: el modelo lee un prompt como una secuencia de tokens y escribe su respuesta token a token. A menudo un token es una palabra completa, como la inglesa «order» (pedido), pero también puede ser parte de una palabra, un signo de puntuación o un grupo de cifras.

Cada token tiene un número de identificación en el vocabulario del modelo, la lista fija de trozos que conoce. El modelo nunca ve letras. Recibe una lista de números, predice el número del siguiente token y el software vuelve a convertir los números en texto. Un [modelo de lenguaje grande](/es/blog/what-is-a-large-language-model) es, en esencia, un sistema entrenado para hacer bien esa predicción del siguiente token.

Los modelos que aceptan imágenes, audio o vídeo también convierten esas entradas en tokens, así que una foto o un clip de voz también consume parte del presupuesto de una solicitud.

## ¿Por qué los modelos de IA usan tokens en lugar de palabras?

Los tokens son un término medio entre las letras y las palabras completas. Si un modelo leyera letras sueltas, cada texto se convertiría en una secuencia muy larga, lenta y cara de procesar. Si leyera palabras completas, su vocabulario necesitaría cada palabra, nombre, errata y marca nueva de cada idioma, y aun así se encontraría con palabras que nunca ha visto.

Los tokens de subpalabra resuelven ambos problemas. El vocabulario tiene un tamaño fijo, y una palabra que no está en él se construye con trozos más pequeños. Un apellido poco común o un código de producto no rompen el modelo; solo cuestan unos cuantos tokens más.

| Unidad | Vocabulario | Palabras no vistas | Longitud de la secuencia |
|---|---|---|---|
| Caracteres | Muy pequeño | Nunca son un problema | Muy larga |
| Palabras completas | Enorme, nunca completo | A menudo desconocidas | Corta |
| Tokens de subpalabra | Fijo, grande | Se forman con trozos | Intermedia |

## ¿Cómo funciona la tokenización?

La tokenización es el paso que corta el texto en tokens antes de que el modelo lo vea, y muchos modelos de lenguaje actuales, entre ellos los de OpenAI, la hacen con byte pair encoding (BPE, codificación por pares de bytes). BPE nació como un método de compresión de datos; Sennrich, Haddow y Birch lo adaptaron en un [artículo de 2015 sobre palabras raras en la traducción automática](https://arxiv.org/abs/1508.07909), en el que codificaban las palabras raras y desconocidas como secuencias de unidades de subpalabra.

Un tokenizador BPE se construye una sola vez, antes de entrenar el modelo:

1. **Empieza por las unidades más pequeñas:** caracteres sueltos, o bytes en bruto en los tokenizadores a nivel de byte como el de OpenAI, para poder representar texto en cualquier sistema de escritura.
1. **Cuenta los pares vecinos** en una muestra grande de texto de entrenamiento, como una `t` seguida de una `h` en inglés.
1. **Fusiona el par más frecuente** en una nueva entrada del vocabulario, `th`, que desde entonces cuenta como una sola unidad.
1. **Repite,** de modo que los trozos frecuentes crecen hasta formar sílabas, sufijos comunes y, al final, palabras completas con su espacio incluido, como ` the`.
1. **Detente en un tamaño objetivo.** La codificación `o200k_base` de OpenAI, por ejemplo, tiene unas 200.000 entradas.
1. **Codifica el texto nuevo** aplicando las fusiones aprendidas a tu prompt y sustituyendo cada trozo por su número de identificación.

Como las fusiones siguen la frecuencia, los trozos comunes se convierten en un solo token y los raros siguen divididos. Los espacios también importan: en `o200k_base`, `price` y ` price` con un espacio delante son dos tokens distintos.

Cada familia de modelos tiene su propio tokenizador, así que el mismo texto da recuentos diferentes en modelos diferentes, incluso del mismo proveedor. Anthropic indica que Claude Opus 4.7 y los modelos posteriores usan un tokenizador más nuevo que produce, para el mismo texto, aproximadamente un 30 % más de tokens que los anteriores.

## ¿Cómo se ve una frase dividida en tokens?

La forma más rápida de entender los tokens es ver cómo un tokenizador real divide una frase. Pasamos dos frases con el mismo significado por la biblioteca de código abierto [tiktoken](https://github.com/openai/tiktoken) de OpenAI (versión 0.14.0) con la codificación `o200k_base`, la que la biblioteca usa para GPT-4o. Las barras marcan dónde termina un token y empieza el siguiente:

```text
Inglés, 10 tokens:
Your| order| has| been| shipped| and| will| arrive| tomorrow|.

Turco, 16 tokens:
Sip|ariş|iniz| k|arg|oya| ver|ildi| ve| yar|ın| el|iniz|de| olacak|.
```

| Frase | Caracteres | Palabras | Tokens |
|---|---|---|---|
| Inglés | 53 | 9 | 10 |
| Turco | 53 | 7 | 16 |

Las dos frases tienen exactamente 53 caracteres y, sin embargo, la turca necesita un 60 % más de tokens. La muestra deja ver los patrones habituales:

- **Los espacios viajan con la palabra siguiente:** ` order` es un solo token, así que los espacios rara vez cuestan un token propio.
- **La puntuación suele ir aparte:** el punto final es un token en las dos frases.
- **Las palabras inglesas comunes se mantienen enteras,** mientras que las turcas se dividen en los sufijos y a veces dentro de la raíz: `kargoya` (a la empresa de mensajería) se convierte en ` k`, `arg` y `oya`.
- **Los números se dividen en bloques:** la fecha `2026-11-18` ocupa seis tokens en la misma codificación.

Estos recuentos valen solo para esta codificación; el tokenizador de otro modelo traza los límites en otros puntos.

## ¿Por qué algunos idiomas usan más tokens que el inglés?

Algunos idiomas usan más tokens porque un tokenizador aprende sus trozos de su texto de entrenamiento: lo que allí era frecuente se convierte en tokens completos, y lo que era raro queda dividido. Un tokenizador entrenado sobre todo con texto en inglés contiene muchas palabras inglesas completas y menos palabras completas de otros idiomas.

La diferencia puede ser grande. En un estudio presentado en NeurIPS 2023, [Petrov y sus colegas](https://arxiv.org/abs/2305.15425) observaron que el mismo texto en distintos idiomas puede variar hasta 15 veces en número de tokens, y que la diferencia se mantiene incluso en tokenizadores creados para muchos idiomas. Los efectos que señalan son un precio más alto por el mismo servicio, respuestas más lentas y menos espacio en cada solicitud.

El turco añade una segunda razón. Es una lengua aglutinante: une una cadena de sufijos a una raíz, de modo que una sola palabra puede expresar toda una frase inglesa. `bulamadıklarımızdan` («de los que no pudimos encontrar») es una sola palabra y cinco tokens; su equivalente inglés de seis palabras, `from those we could not find`, ocupa seis. Por palabra, el turco parece caro; por significado, la diferencia es menor, aunque en nuestra frase de arriba seguían siendo 16 tokens frente a 10.

## ¿Cómo influyen los tokens en el costo de la IA?

Las API de IA cobran por token y cuentan por separado los tokens de entrada y los de salida. Los tokens de entrada son todo lo que envías: instrucciones del sistema, historial de la conversación, documentos, definiciones de herramientas e imágenes. Los tokens de salida son lo que el modelo escribe como respuesta.

Las listas de precios de OpenAI y Anthropic, consultadas el 18 de noviembre de 2026, expresan los precios por millón de tokens, y las dos cobran más por un token de salida que por uno de entrada. Ambas ofrecen además una tarifa más baja para la entrada en caché (cached input), un prefijo repetido, como un prompt de sistema largo, que el proveedor conserva entre solicitudes.

Dos detalles sorprenden a quien empieza. El razonamiento oculto se factura como salida: la guía de razonamiento de OpenAI dice que los tokens de razonamiento no son visibles a través de la API, pero se facturan como tokens de salida, y Anthropic dice lo mismo de sus tokens de pensamiento (thinking). Además, un chat basado en la API suele reenviar la conversación anterior con cada mensaje nuevo, así que el historial se vuelve a pagar en cada turno.

El costo de una solicitud es el número de tokens de entrada por la tarifa de entrada más el número de tokens de salida por la tarifa de salida. Un prompt en turco con un 60 % más de tokens que su equivalente en inglés cuesta un 60 % más de enviar.

## ¿Qué es un límite de tokens?

Un límite de tokens es el número máximo de tokens que un modelo puede manejar en una solicitud, y hay dos. La ventana de contexto es el total que el modelo puede tener en cuenta a la vez, incluida su propia respuesta. La salida máxima limita cuántos tokens puede escribir en una respuesta, y puedes fijarla más baja a través de la API.

Todo cuenta para la ventana de contexto: instrucciones, historial, documentos, resultados de herramientas, imágenes y la salida. Qué debe entrar en esa ventana, y por qué una más grande no es automáticamente mejor, se explica en [context engineering vs. prompt engineering](/es/blog/context-engineering-vs-prompt-engineering).

Lo que ocurre en el límite depende de dónde lo alcances:

- **La entrada sola ya es demasiado larga:** la API rechaza la solicitud; la de Anthropic devuelve el error `prompt is too long`.
- **La respuesta alcanza el tope de salida:** la generación se detiene a mitad de frase y la respuesta queda marcada como cortada (`stop_reason` es `max_tokens` en la API de Anthropic y el estado es `incomplete` en la de OpenAI).
- **A una aplicación de chat se le acaba el espacio:** puede descartar o resumir los mensajes más antiguos, así que el asistente «olvida» el comienzo de una conversación larga.

## ¿Cómo se cuentan los tokens?

Cuenta los tokens con el tokenizador o la herramienta de recuento del modelo que usas, porque cada familia de modelos divide el texto a su manera:

- **OpenAI** publica la biblioteca tiktoken que usamos arriba y una página web de tokenizador en su plataforma para desarrolladores.
- **Anthropic** ofrece un [endpoint de recuento de tokens](https://platform.claude.com/docs/en/build-with-claude/token-counting) gratuito, `/v1/messages/count_tokens`, que acepta la misma entrada que una solicitud real, imágenes y PDF incluidos, y devuelve una estimación.
- **Google** ofrece el método `count_tokens` en la Gemini API, y su [documentación sobre tokens](https://aistudio.google.com/docs/tokens) explica cómo se cuentan las imágenes y el audio.
- **Cada respuesta de la API** informa de los tokens realmente usados en un campo `usage`, y ese número es el que se te factura.

Para una estimación rápida, los proveedores dan reglas prácticas para el inglés. La documentación de OpenAI dice que un token equivale a unos 4 caracteres o 0,75 palabras de texto en inglés, así que 1.000 tokens son unas 750 palabras; la de Google dice que 100 tokens son unas 60 a 80 palabras en inglés. Ninguna de las dos vale para otros idiomas: nuestra frase turca promedió 3,3 caracteres por token y la inglesa, 5,3.

## ¿Cómo puedes usar menos tokens?

Envía solo el texto que el modelo necesita y no pidas más salida de la que vas a usar:

- **Envía texto limpio, no HTML en bruto.** El marcado, los scripts y los menús pueden costar mucho más que el contenido. En nuestra prueba de [web scraping para RAG](/es/blog/web-scraping-for-rag), una página de documentación ocupó 21.044 tokens como HTML en bruto y 4.405 como Markdown.
- **Recorta el historial:** conserva completos los últimos turnos y resume el resto.
- **Limita y da forma a la salida:** fija una longitud máxima y pide un formato, como tres viñetas, en lugar de un texto abierto.
- **Elimina el texto repetitivo,** como definiciones de herramientas que no usas y ejemplos duplicados.
- **Guarda en caché los prefijos fijos** cuando la API lo permita; siguen ocupando espacio, pero cuestan menos.
- **Redimensiona las imágenes** a lo que necesita la tarea antes de enviarlas.

Las páginas web merecen una mención aparte: los sistemas de recuperación, los agentes de investigación y los conjuntos de evaluación suelen construirse con páginas públicas, y cada página que se pasa a un modelo se paga en tokens, así que extraer primero el contenido principal es el paso más barato. Cuando recopilas esas páginas desde muchos países a gran escala, los [Proxies residenciales](https://proxynet.io/es/residential-proxy) ayudan: dirigen cada solicitud a través de una conexión doméstica en el país que elijas, de modo que obtienes la página que ven los visitantes locales. Recopila dentro de los términos del sitio y a un ritmo respetuoso.

Los equipos que prefieran no encargarse ellos mismos de la recopilación pueden preguntar a nuestro equipo de ventas por la extracción gestionada de páginas de nuestra Web Scraping API; la página de [extracción de datos](/es/data-scraping) describe nuestros pools de proxies para recopilar a gran volumen.

## ¿Dónde te encuentras con los tokens?

Te encuentras con tokens dondequiera que el texto entre en un modelo de lenguaje o salga de él: como límites de mensajes en los asistentes de chat, como unidad de las facturas y de los límites de frecuencia en los paneles de las API, como tamaño de fragmento en los sistemas de recuperación, como un precio distinto para el mismo texto en cada idioma de un proyecto de traducción y como el costo de cada llamada a una herramienta en el ciclo de un agente de IA.

## ¿Qué más significa «token»?

Fuera de los modelos de lenguaje, «token» tiene varios significados sin relación entre sí que suelen aparecer en los mismos resultados de búsqueda:

- **Token de acceso:** una llave digital temporal que un sitio o una aplicación emite después de que inicias sesión. Quien lo tenga puede actuar en tu nombre, así que un token de Discord o cualquier otro token de sesión no debe compartirse nunca.
- **Token de seguridad:** un dispositivo o una aplicación que genera códigos de inicio de sesión de un solo uso, o una llave USB que guarda un certificado digital.
- **Token cripto:** un activo digital registrado en una blockchain (cadena de bloques).
- **Token en programación:** la unidad mínima con significado que un compilador lee en el código fuente, como una palabra clave o un símbolo.

## Errores frecuentes

- **Tratar los tokens como palabras.** Un presupuesto de 1.000 tokens no equivale a 1.000 palabras, y la proporción cambia con el idioma.
- **Reutilizar recuentos entre modelos.** El recuento de un tokenizador puede alejarse mucho del de otro.
- **Estimar otros idiomas con la regla práctica del inglés.** Mide una muestra en el tokenizador real.
- **Enviar HTML en bruto a un modelo.** El marcado puede ser la mayor parte de la factura.
- **Olvidar el lado de la salida.** Las respuestas largas y el razonamiento oculto se facturan a la tarifa de salida, que es más alta.
- **Ignorar la marca de corte.** Una respuesta detenida en el límite de salida está incompleta, aunque parezca terminada.

## Guía de decisión

| Necesidad | Qué hacer |
|---|---|
| Estimar el costo de un prompt | Contar con el tokenizador o el endpoint del proveedor |
| Tamaño aproximado en inglés | Unos 4 caracteres o 0,75 palabras por token |
| Presupuesto para otro idioma | Medir una muestra en ese idioma |
| Pasar páginas web a un modelo | Extraer el contenido principal, enviar Markdown |
| Un chat largo cuesta demasiado | Resumir los turnos antiguos, guardar en caché los prefijos fijos |
| Las respuestas se cortan a mitad de frase | Subir el límite de salida o pedir menos |
| Solicitud rechazada por demasiado larga | Dividir la entrada, recuperar solo las partes relevantes |

## Preguntas frecuentes

### ¿Cuántas palabras son 1.000 tokens?

En inglés, unas 750 palabras según la regla de OpenAI de 0,75 palabras por token, o de 600 a 800 palabras según la estimación de Google. La mayoría de los demás idiomas, el código y los textos con muchas cifras dan menos palabras por cada 1.000 tokens, así que usa esa cifra solo para prosa en inglés.

### ¿Por qué el turco usa más tokens?

Las palabras turcas son menos frecuentes que las inglesas en los textos con los que aprenden muchos tokenizadores, y el turco une largas cadenas de sufijos a una raíz, de modo que las palabras se dividen en varios trozos. En nuestro ejemplo, una frase turca con la misma longitud y el mismo significado que una inglesa necesitó 16 tokens en lugar de 10.

### ¿Los espacios y la puntuación cuentan como tokens?

Sí, aunque un espacio suele ir unido a la palabra que lo sigue, mientras que la puntuación, como el punto final, suele ser un token aparte. Los espacios de más, los saltos de línea y la sangría añaden tokens, algo que pesa sobre todo en el código y en el texto copiado de la web.

### ¿Las imágenes se cuentan en tokens?

Sí, y el número depende del tamaño de la imagen y de la fórmula del proveedor. La documentación de Gemini de Google, por ejemplo, cuenta una imagen de hasta 384 píxeles en ambos lados como 258 tokens y divide las imágenes más grandes en mosaicos de 258 tokens cada uno.

### ¿Qué pasa cuando llegas al límite de tokens?

Si la entrada es demasiado larga para la ventana de contexto, la API rechaza la solicitud. Si la respuesta alcanza el límite de salida, se detiene a mitad de frase y queda marcada como cortada. Las aplicaciones de chat, en cambio, pueden descartar o resumir los mensajes antiguos, y por eso una conversación larga puede perder el hilo de su comienzo.

### ¿Los tokens de IA son lo mismo que los tokens cripto?

No. Un token de IA es un trozo de texto que un modelo de lenguaje lee o escribe, y la unidad con la que se mide y se factura el uso del modelo. Un token cripto es un activo digital registrado en una blockchain; los dos solo comparten el nombre.

## En resumen

Un token es un trozo de texto, a menudo una palabra, a veces parte de una palabra o un signo de puntuación, que un modelo de lenguaje maneja como un número de su vocabulario. Los tokenizadores construyen ese vocabulario con los trozos frecuentes de su texto de entrenamiento, y por eso el inglés suele necesitar menos tokens que el turco. Los tokens deciden cuánto cuesta una solicitud, con la entrada y la salida facturadas por separado, y cuánto cabe en ella. Cuéntalos con el tokenizador del modelo que usas, mide cada idioma por separado y envía texto limpio en lugar de páginas en bruto, para que los tokens que pagas lleven contenido.
