Eficiencia de tokens: por qué menos palabras es una ventaja

En julio de 2026, el CEO de OpenAI promocionó un modelo nuevo presumiendo de contención. Sam Altman le dijo a CNBC que GPT-5.6 Sol es “54 % más eficiente en tokens en tareas de programación con IA”. Hacer marketing con la eficiencia de tokens es genuinamente nuevo, y señala algo real: la restricción que manda en la industria se corrió de “¿puede el modelo hacer esto?” a “¿cuánto cuesta que lo haga?”. Para un papá esto importa más de lo que parece. La misma economía que hace que los laboratorios optimicen para usar menos palabras explica por qué la versión gratis de un chatbot se vuelve más seca, por qué el ayudante de tareas de tu hijo a veces corta a mitad de camino, y por qué “sé breve” hoy es un logro técnico y no una preferencia de estilo.

Puntos clave

• Un token es más o menos tres cuartos de una palabra, la unidad que un modelo de lenguaje lee y escribe. El costo, los límites de contexto y la velocidad se miden todos en tokens.
• La afirmación de Altman: GPT-5.6 Sol es “54 % más eficiente en tokens” en tareas de programación (9 de julio de 2026). El contexto independiente: en el Coding Agent Index de Artificial Analysis, Sol marcó 80, 2,8 puntos por encima de Fable 5, “usando menos de la mitad de los tokens de salida”.
• Precios publicados al lanzamiento, por millón de tokens: Sol US$5 de entrada / US$30 de salida, Terra US$2,50 / US$15, Luna US$1 / US$6. Fable 5.1 de Anthropic es US$10 / US$50, con lecturas de caché reducidas 75 % a US$0,25.
• Menos tokens significa más barato, más rápido y más espacio libre en la ventana de contexto. También puede significar menos razonamiento visible, que es un costo real para un estudiante que intenta aprender.
• La lección para la casa: enséñale a tu hijo a pedir el razonamiento explícitamente cuando lo necesita, y a reconocer que la brevedad es una decisión económica que tomó otra persona.

Qué se afirmó exactamente, y quién lo dijo

OpenAI lanzó la familia GPT-5.6 el 9 de julio de 2026, después de una vista previa limitada el 26 de junio que se retrasó por restricciones gubernamentales. Tres variantes: Sol (la de punta, presentada como el mejor modelo de programación), Terra (intermedia) y Luna (la más rápida y barata). Los precios por millón de tokens al lanzamiento fueron US$5 de entrada y US$30 de salida para Sol, US$2,50 y US$15 para Terra, US$1 y US$6 para Luna.

La frase de Altman sobre el “54 % más eficiente en tokens” salió en una entrevista con CNBC y se refería específicamente a tareas de programación. Trátala como una afirmación de una empresa sobre su propio producto, en una categoría de tarea que eligió la empresa. El número independiente es más útil: el Coding Agent Index de Artificial Analysis puso a Sol en 80, 2,8 puntos por encima del Fable 5 de Anthropic, usando menos de la mitad de los tokens de salida y costando cerca de un tercio menos.

Esa es la forma de la afirmación. Una ganancia modesta de calidad más una ganancia grande de eficiencia. En un mercado donde los clientes pagan por token, la mitad de la eficiencia puede importar más comercialmente que la mitad de la calidad.

El lanzamiento de Anthropic del 1 de septiembre de 2026 hace el mismo punto desde otro ángulo. Claude Fable 5.1 mantuvo su precio de US$10 por millón de tokens de entrada y US$50 de salida, y recortó las lecturas de caché 75 %, de US$1,00 a US$0,25 por millón. Anthropic reportó el efecto neto como cerca de 25 % más barato para cargas típicas y hasta un 45 % para tareas muy agénticas. Nadie anunció un modelo más grande. Las dos empresas anunciaron usar menos.

Eficiencia de tokens: qué es un token y por qué es la unidad de todo

Un token es un pedazo de texto. No una palabra, no una letra. Las palabras comunes en general son un token; las más largas o raras se parten en varias; la puntuación y los espacios cuentan. La regla práctica es cerca de cuatro caracteres, o tres cuartos de palabra, por token en inglés; en español suele ser un poco menos eficiente por los acentos y las palabras más largas.

¿Por qué esta unidad manda en la industria? Porque el costo de un transformer escala con los tokens de tres maneras distintas.

Dinero. Los proveedores cobran por millón de tokens, por separado para entrada y salida, y la salida suele costar cinco o seis veces más que la entrada. Esa asimetría es la razón por la que un modelo que da la misma respuesta con la mitad de palabras es dramáticamente más barato de operar. También es la razón por la que las apps construidas sobre estos modelos están diseñadas para respuestas cortas.

Tiempo. El texto se genera un token a la vez. La mitad de los tokens es más o menos la mitad de la espera. Para un agente que toma doscientas acciones en un ciclo, eso compuesto es la diferencia entre un minuto y diez.

Memoria. Cada modelo tiene una ventana de contexto, el total de tokens que puede sostener a la vez. La de Fable 5.1 es de un millón. Suena infinito hasta que un agente está leyendo una base de código, sosteniendo un historial de conversación y llevando sus propias notas. Los tokens gastados en frases infladas son tokens que no están disponibles para contenido real.

¿Y de dónde sale la eficiencia? De tres lugares, y vale distinguirlos porque tienen implicancias distintas para tu hijo.

Primero, menos relleno. Los modelos entrenados con aprendizaje por refuerzo sobre preferencias humanas aprendieron que las respuestas largas, con reservas y viñetas, puntuaban bien con los evaluadores. Eso produjo el estilo chatbot conocido: repetir la pregunta, ofrecer advertencias, resumir lo que se acaba de decir. El entrenamiento más nuevo castiga eso explícitamente. Esta parte es ganancia pura.

Segundo, menos acciones desperdiciadas en ciclos de agente. Un agente de programación que lee el archivo correcto primero, en vez de explorar seis equivocados, usa menos tokens porque tomó mejores decisiones. Es una mejora de capacidad que aparece como número de eficiencia.

Tercero, y esta es la que hay que mirar, menos razonamiento visible. Los modelos que “piensan” antes de responder generan tokens intermedios. Comprimir u ocultar esa cadena reduce el conteo de tokens y también puede reducir lo que ve un estudiante. Para un profesional que entrega código, el razonamiento invisible está bien. Para un chico de 14 que intenta aprender a factorizar un polinomio, el razonamiento era el producto.

Ese tercer mecanismo es la complicación honesta de toda la historia, y no es hipotética. La encuesta de Common Sense Media del 18 de agosto de 2026, con 1.017 adolescentes, encontró que el 70 % usa IA para el colegio y, de esos, el 63 % obtiene una respuesta directa: 25 % la usa tal cual, 31 % la reescribe para que suene propia, 35 % la mejora. Los modelos más secos hacen más rápido el camino de “usarla tal cual”. El modo Estudio de OpenAI, lanzado con ChatGPT para Adolescentes el mismo día, empuja para el otro lado usando preguntas y guía paso a paso en vez de respuestas terminadas. Dos fuerzas opuestas, lanzadas el mismo mes.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: la regla de las 20 palabras

Pídele que cuente su día con todas las palabras que quiera. Después pídele que lo cuente otra vez en exactamente veinte palabras. Cuéntenlas juntos. La segunda versión casi siempre es mejor: se cae el relleno y quedan los hechos. Dile que a las computadoras les cobran plata por cada palabra, así que les están enseñando a hacer la versión de veinte. A un niño de seis la idea de que le cobren por palabra le parece deliciosamente injusta, y eso la vuelve memorable.

De 9 a 12 años: contar tokens a mano

Usen la página pública de tokenización de OpenAI (o simplemente la regla de los cuatro caracteres) y que tu hijo cuente los tokens de tres frases: una simple, una con una palabra técnica larga, y una con una palabra que se invente. La inventada se va a partir en pedazos, y ahí es donde la abstracción se vuelve concreta. Después hagan la aritmética: a US$30 por millón de tokens de salida, ¿cuánto cuesta una respuesta de 500 tokens? (Cerca de 1,5 centavos.) Ese número les encanta.

De 13 en adelante: el experimento de los dos prompts

Que tu adolescente haga la misma pregunta de tarea dos veces: una en forma simple, y otra con “muéstrame tu razonamiento paso a paso y no me des la respuesta final”. Que guarde las dos y compare largo y utilidad real para aprender. La primera es más barata para la empresa. La segunda es mejor para él. Este experimento le da una razón concreta para escribir mejores prompts, que convence más que decírselo.

La pregunta que debes hacer: “¿Esa respuesta fue corta porque fue eficiente, o corta porque se saltó la parte que necesitabas?”

Verboso vs. eficiente: la misma respuesta de dos formas

Dimensión	Respuesta verbosa	Respuesta eficiente en tokens	A quién beneficia
Forma típica	Repite la pregunta, agrega reservas, resume en viñetas	Respuesta directa, marco mínimo	Eficiente: el proveedor y el cliente que paga
Costo a US$30 por M de tokens de salida	800 tokens, cerca de 2,4 centavos	350 tokens, cerca de 1,1 centavos	Eficiente
Latencia	Espera más larga, proporcional a los tokens	Más o menos la mitad	Eficiente
Ventana de contexto consumida	Más, dejando menos para contenido	Menos	Eficiente
Razonamiento visible para quien aprende	Suele mostrar los pasos	Puede ocultarlos o comprimirlos	Verbosa, para un estudiante
Riesgo de “copiar y pegar”	Menor, hay que editar	Mayor, lista para usar	Verbosa, irónicamente
Mejor uso en casa	Cuando se aprende un método nuevo	Cuando se revisa una respuesta ya sabida	Depende de la tarea

Lee las últimas tres filas juntas. La eficiencia es una victoria genuina de ingeniería en costo, velocidad y memoria, y una pérdida leve para un chico que necesita ver el desarrollo. Saber en qué situación estás es la habilidad.

¿Y en América Latina?

Acá el costo por token no es una abstracción de empresa: es la razón por la que muchas apps educativas de la región usan modelos más chicos o limitan las respuestas. Un colegio en Bogotá o en Puebla que quiere darle IA a 800 estudiantes tiene un presupuesto que se calcula literalmente en tokens, y la diferencia entre US$30 y US$6 por millón de salida decide si el proyecto existe. Cuando la herramienta del colegio de tu hijo responde corto, muchas veces es economía, no pedagogía.

Hay un segundo punto técnico que conviene que sepas: los tokenizadores están optimizados para inglés. El mismo contenido en español suele consumir más tokens que en inglés, porque las palabras son más largas y los acentos a veces se parten. Eso significa que, para el mismo presupuesto, un estudiante que trabaja en español obtiene menos que uno que trabaja en inglés. No es una teoría de conspiración, es una consecuencia del diseño, y es una de las razones por las que vale que tu hijo sepa pedir el razonamiento en vez de aceptar la respuesta corta por defecto. Y con PISA 2025 mostrando que el 56 % de los estudiantes colombianos ya usa IA semanalmente, es una diferencia que se acumula.

Qué hacer en casa

Que “muéstrame el razonamiento” sea un prompt fijo de la casa

Escríbelo en una nota adhesiva donde se hace la tarea. La salida seca hoy es el valor por defecto porque es más barata; conseguir los pasos requiere pedirlos. Un chico que pide en automático está usando una mejor herramienta que uno que acepta el valor por defecto, al mismo costo.

Enséñale la aritmética por token una vez

US$30 por millón de tokens de salida. Una respuesta de 500 tokens cuesta cerca de un centavo y medio. Veinte preguntas, treinta centavos. Ese solo cálculo desmitifica todo el negocio de la IA y explica por qué los niveles gratis son limitados, por qué los colegios se preocupan por presupuesto y por qué los modelos se vuelven más secos. Toma cinco minutos.

Nota cuándo una respuesta quedó más corta de lo que la tarea pedía

Código cortado, una solución de matemática que se salta el medio, un resumen que pierde el argumento. Eso son artefactos de eficiencia, no culpa de tu hijo, y nombrarlos le enseña a discutirle a una herramienta en vez de suponer que él entendió mal.

Usa el precio como ejercicio de alfabetización, no de compra

Comparar US$5 por millón de tokens de entrada contra US$10 con lecturas de caché 75 % más baratas es un problema real de hoja de cálculo con compromisos reales. Para un adolescente interesado en negocios o ingeniería, es una introducción inusualmente buena a la economía unitaria. Nuestros textos sobre cómo funcionan los modelos de IA y sobre cómo generan texto los modelos de lenguaje tienen los detalles.

Lo que no hay que hacer

No optimices el uso de IA de tu familia por costo. No estás pagando por token en una suscripción de consumidor, y la carrera por la eficiencia es un problema de los proveedores. Optimiza por si tu hijo puede hacer la cosa después sin la herramienta. Esa es la única métrica que importa en casa.

Qué observar en los próximos 3 meses

• Semana 4: Tu hijo puede definir un token y estimar la cantidad de tokens de una frase con un margen de error de dos veces.
• Señales de alerta en el mes 2: Tu hijo pega respuestas cortas de IA en los trabajos sin el razonamiento, o dejó de notar cuándo una respuesta está incompleta.
• Autoevaluación del mes 3: ¿“Muéstrame el razonamiento” ya es automático en tu casa? Si todavía hace falta que se lo recuerdes, deja la nota adhesiva.

Preguntas frecuentes

¿Un token es lo mismo que una palabra?

No. Un token son cerca de cuatro caracteres en inglés, o tres cuartos de palabra en promedio. Las palabras comunes son un token; las largas, raras o inventadas se parten en varias. La puntuación y los espacios también cuentan, lo que sorprende a casi todos.

¿La eficiencia de tokens empeora las respuestas?

No de forma inherente. Cortar relleno y reducir acciones desperdiciadas son mejoras puras. Comprimir u ocultar el razonamiento intermedio es un compromiso real, y pesa más para quien está aprendiendo que para un profesional. Pide los pasos cuando los necesites.

¿Por qué la salida cuesta más que la entrada?

La entrada se puede procesar en paralelo; la salida hay que generarla un token a la vez, lo que usa el hardware con menos eficiencia. Por eso la salida suele costar cinco o seis veces la entrada, y por eso reducir a la mitad los tokens de salida ahorra tanto.

¿Qué es el caché de prompts y por qué bajó 75 %?

El caché guarda la forma ya procesada del texto que envías repetidamente, como un prompt de sistema largo o un documento, para que el modelo no lo reprocese en cada turno. Anthropic bajó las lecturas de caché de US$1,00 a US$0,25 por millón de tokens el 1 de septiembre de 2026, lo que beneficia sobre todo a agentes que releen el mismo contexto muchas veces.

¿Debería elegir una herramienta de IA para mi hijo según el precio?

No. Las suscripciones de consumidor son de tarifa plana, así que el precio por token afecta a desarrolladores y colegios, no a tu cuenta doméstica. Elige según si la herramienta apoya el aprendizaje: modos de estudio, razonamiento visible, valores por defecto apropiados a la edad.

¿Una respuesta más larga significa que el modelo pensó más?

No de forma confiable. El largo correlaciona débilmente con la profundidad del razonamiento, y los modelos viejos se entrenaron de formas que premiaban la verbosidad ante evaluadores humanos. Los nuevos pueden pensar mucho y responder corto. Juzga por si la respuesta es correcta y si puedes seguir los pasos, no por el conteo de palabras.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. TechCrunch. (2026, 9 de julio). “OpenAI launches its new family of models with GPT-5.6.” https://techcrunch.com/2026/07/09/openai-launches-its-new-family-of-models-with-gpt-5-6/
2. OpenAI. “GPT-5.6.” https://openai.com/index/gpt-5-6/
3. Wikipedia. “GPT-5.6.” https://en.wikipedia.org/wiki/GPT-5.6
4. Anthropic. (2026, 1 de septiembre). “Introducing Claude Fable 5.1 and Claude Mythos 5.1.” https://www.anthropic.com/claude-fable-and-mythos-5-1
5. Common Sense Media. (2026, 18 de agosto). “Teens in the AI Era: Schoolwork and the Skills That Matter.” https://www.commonsensemedia.org/research/teens-in-the-ai-era-schoolwork-and-skills-that-matter
6. OpenAI. (2026, 18 de agosto). “Introducing ChatGPT for Teens.” https://openai.com/index/chatgpt-for-teens/
7. Pulzo. (2026, 8 de septiembre). “Estudiantes en Colombia lideran uso de IA, según la OCDE.” https://www.pulzo.com/tecnologia/inteligencia-artificial-en-la-educacion-estudiantes-en-colombia-lideran-uso-de-ia-segun-la-ocde-PP5296043A