En esta página
- La factura que no esperas
- Los tokens, en términos sencillos
- Por qué «simplemente chatear» se vuelve caro a medida que crece una conversación
- Dónde se produce realmente el desperdicio
- Un ejemplo ilustrativo: 10 tareas al día, dos formas diferentes
- Por qué un archivo de Skill bien creado supera a un prompt improvisado
- Hábitos prácticos que realmente marcan la diferencia
- Preguntas frecuentes
La factura que no esperas
La mayoría de las personas que usan Claude o ChatGPT para trabajar a diario nunca han mirado realmente por qué están pagando. Hay una suscripción mensual o una clave de API con un saldo que se va agotando silenciosamente, y la cifra cambia: a veces más despacio de lo esperado, a veces mucho más rápido. Si alguna vez te has preguntado por qué una semana «ligera» de trabajo asistido por AI costó más que una semana intensa, la respuesta casi nunca es que la AI sea «cara». Normalmente tiene que ver con lo que envías, no solo con lo que preguntas.
Esta publicación explica las matemáticas reales -con un lenguaje sencillo y sin jerga- para que puedas ver de dónde viene realmente el coste y por qué la solución no es «usar menos la AI», sino «dejar de pagar para volver a explicarte en cada mensaje».
Los tokens, en términos sencillos
Cada mensaje que envías y cada respuesta que recibes se divide en pequeños fragmentos llamados tokens. Como regla general aproximada, un token equivale a unos tres cuartos de palabra, por lo que 1.000 palabras de texto son aproximadamente entre 1.300 y 1.400 tokens. Las palabras cortas, las frases comunes y el código suelen comprimirse en menos tokens por palabra; las palabras poco habituales, el formato y los textos en idiomas distintos del inglés pueden usar más.
Dos cosas suelen confundir a la gente cuando piensa en esto por primera vez:
- Se cuentan ambas direcciones. Las palabras que escribes (entrada) y las palabras que la AI devuelve (salida) se facturan o se contabilizan. Una respuesta larga y detallada cuesta más que una respuesta de una sola línea, incluso ante la misma pregunta.
- Cada mensaje vuelve a enviar toda la conversación. Esta es la parte de la que casi nadie se da cuenta hasta que la ve explicada. Los modelos de IA basados en chat no tienen memoria persistente entre mensajes como la tendría un colega humano. Para generar una respuesta que tenga sentido en contexto, el sistema tiene que volver a leer toda la conversación hasta ese momento -tu primer mensaje, su primera respuesta, tu segundo mensaje, su segunda respuesta, y así sucesivamente- cada vez que pulsas enviar.
Por qué «simplemente chatear» se vuelve caro a medida que crece una conversación
Esta es la parte que realmente importa. Imagina una conversación que empieza siendo breve y crece de forma natural, como lo hacen las conversaciones de trabajo reales:
- Mensaje 1: envías 200 palabras de contexto y recibes 150 palabras.
- Mensaje 2: ahora el sistema tiene que procesar el mensaje 1 y tu nuevo mensaje, y después responder de nuevo.
- Mensaje 3: vuelve a procesar los mensajes 1 y 2, además del nuevo.
Para el mensaje 10, no estás pagando por «una pregunta nueva». Estás pagando por volver a transmitir todo lo anterior, cada vez. El historial de la conversación es acumulativo: no se reinicia ni se comprime por sí solo. Una conversación de 20 turnos no cuesta el doble que una de 10; debido al efecto de reenvío, puede acabar costando varias veces más, aunque el contenido «nuevo» real de cada mensaje haya mantenido aproximadamente el mismo tamaño.
Esto es un cálculo orientativo, no una tabla de precios: los proveedores establecen y modifican sus propias tarifas por token, y siempre debes consultar los precios publicados actuales en el sitio web del proveedor (anthropic.com u openai.com) si quieres cifras exactas para tu plan. Pero el mecanismo se mantiene independientemente de la tarifa: incluso un coste modesto por token, multiplicado por un historial de conversación cada vez más extenso, se acumula rápidamente. La tarifa no es la principal palanca. Lo que importa es el tamaño de lo que vuelves a enviar.
Dónde se produce realmente el desperdicio
Ahora añadamos cómo trabaja realmente la mayoría de la gente. Un trabajador del conocimiento típico que realiza tareas asistidas por AI - redactar correos electrónicos, resumir llamadas, analizar una hoja de cálculo, redactar un informe breve, revisar una cláusula contractual - no comienza cada tarea desde cero. Lo vuelve a explicar todo, una y otra vez:
- «Eres un [role] con experiencia. Actúa como un [X] sénior. Este es el tono de nuestra marca / el contexto de nuestro equipo / nuestras preferencias de formato...»
- Información de contexto sobre la empresa, el proyecto, la audiencia y las limitaciones.
- Las mismas instrucciones sobre tono y estilo que escribió ayer y anteayer.
Nada de eso es información «nueva» para la tarea en cuestión: es texto superfluo. Pero como se escribe de nuevo en la ventana de chat (o, peor aún, se va acumulando orgánicamente dentro de una conversación larga y divagante), se cuenta, se vuelve a enviar y se vuelve a cobrar cada vez.
Un ejemplo ilustrativo: 10 tareas al día, dos formas diferentes
Comparemos dos enfoques para el mismo día de trabajo: 10 tareas asistidas por AI, cada una de las cuales requiere que la AI actúe como un tipo específico de especialista (por ejemplo, un analista de marketing que revise cifras de campañas o un gerente de operaciones que perfeccione un documento de procesos).
Enfoque A: prompts reescritos sobre la marcha
Cada una de las 10 tareas comienza con la persona volviendo a escribir (o copiando y pegando de un documento antiguo) uno o dos párrafos de contexto del rol: «Eres un analista sénior de marketing con experiencia en atribución y ROI de campañas. Analiza los siguientes datos y dame un resumen estructurado con recomendaciones...». Después viene la tarea real. Luego, a menudo, un par de mensajes de seguimiento dentro del mismo hilo para aclarar o perfeccionar el resultado, y cada uno vuelve a enviar todo lo anterior. Repite este patrón de texto superfluo más seguimiento en 10 tareas distintas y acabas pagando de nuevo, prácticamente, las mismas instrucciones docenas de veces a lo largo del día, todos los días.
Enfoque B: una configuración sencilla basada en un archivo de habilidades
El rol, el tono, los estándares y el método de trabajo se escriben una sola vez, cuidadosamente, como un prompt de sistema compacto - un «archivo de habilidades» - y se cargan al inicio de la sesión en lugar de volver a escribirlos. Se prepara de antemano una vez, se mantiene conciso (sin divagaciones ni instrucciones redundantes) y se reutiliza en cada tarea de ese rol. La persona solo indica la tarea. No hace falta volver a explicar quién debe ser la AI, cómo dar formato a las respuestas ni cómo es una respuesta de calidad: todo eso ya está establecido, de forma concisa, al principio.
La diferencia en el cálculo de tokens no se debe a que la AI "trabaje más" en el enfoque B, sino a que la parte repetida y genérica de cada mensaje se reduce drásticamente. Menos texto genérico reenviado en cada mensaje, a lo largo de cada mensaje de cada tarea y de cada día: eso se acumula rápidamente, igual que el problema del crecimiento de la conversación, pero en la dirección opuesta.
Un prompt de sistema prediseñado que convierte Claude o ChatGPT en un analista sénior de marketing: ROI de campañas, atribución y estándares de informes configurados una sola vez, para que no tengas que volver a explicar el rol cada vez que pegues cifras nuevas.
Ver Rafa - Especialista en analítica de marketing →Por qué un archivo de Skill bien creado supera a un prompt improvisado
No todos los "prompts reutilizables" resuelven este problema. Un prompt de sistema excesivamente largo y genérico -cinco páginas de instrucciones vagas "por si acaso"- puede ser tan derrochador como volver a escribirlo, porque sigue siendo texto genérico que se reenvía en cada mensaje, solo que se pega una vez en lugar de escribirse de nuevo cada vez. La clave que realmente importa es la concisión: un archivo de Skill que indique exactamente cuál es el rol, exactamente cómo debe formatearse la respuesta y exactamente qué significa "terminado", sin nada más, cargado una sola vez por sesión.
Esa es la verdadera diferencia entre un archivo de Skill y un prompt suelto que sigues reescribiendo: no se trata solo de comodidad, sino de reducir permanentemente la parte repetida de cada mensaje que envías durante toda la vida de esa sesión de trabajo.
Configura Claude o ChatGPT como un director sénior de operaciones: incluye SOP, auditorías de procesos y marcos de priorización, para que cada tarea nueva empiece de forma ágil en lugar de volver a explicar desde cero tu contexto operativo.
Ver Owen - Director de operaciones →Hábitos prácticos que realmente marcan la diferencia
Independientemente de la herramienta o el plan que uses, unos pocos hábitos reducen más que nada el "coste oculto de reenviar":
- Inicia las tareas nuevas en conversaciones nuevas en lugar de amontonarlo todo en un hilo que crece sin parar. Una conversación nueva y centrada reenvía mucho menos historial en cada mensaje.
- Indica una sola vez el rol y el contexto, de forma concisa, en lugar de volver a explicarlos dentro de la tarea cada vez.
- Mantén concisas las instrucciones iniciales. Un prompt de sistema largo y desordenado sigue siendo texto genérico que se reenvía: redúcelo a lo que realmente cambia la respuesta.
- Pide la longitud de la respuesta que realmente necesitas. Los tokens de salida también cuentan, y "dame un resumen estructurado" suele costar menos que un "cuéntame todo sobre esto" abierto.
- Consulta directamente con tu proveedor los precios publicados actuales si quieres calcular tus propios costes con precisión: las tarifas y los modelos cambian, y es mejor confirmar las cifras exactas en la fuente que basarse en una estimación de terceros.
Una skill de agent de operaciones configurada para tareas estructuradas y recurrentes, diseñada para mantener las instrucciones compactas y coherentes en lugar de hacerlas crecer con cada nueva solicitud.
Ver Arthur - AI Operations Agent →Introduce cómo tú (o tu equipo) usan realmente los chats de AI y obtén una estimación mensual real del desperdicio de tokens y del costo en dólares de volver a escribir prompts frente a usar un archivo de skill persistente. Sin registro ni correo electrónico: solo las matemáticas de esta publicación aplicadas a tus cifras.
Prueba la calculadora →Preguntas frecuentes
¿De verdad pago por las respuestas de AI y no solo por mis propios mensajes?
Sí. Se cuenta tanto lo que envías como lo que recibes. Un modelo que escribe respuestas largas y exhaustivas por defecto usará más tokens de salida que uno que escribe respuestas concisas y centradas, incluso para exactamente la misma pregunta.
¿Por qué una conversación larga cuesta mucho más que una corta para una misma tarea?
Porque la mayoría de las herramientas de AI basadas en chat no conservan la memoria entre mensajes por sí solas: para responder con sentido al mensaje 20, el sistema tiene que volver a procesar los primeros 19 mensajes (y sus propias 19 respuestas) junto con él. El historial de la conversación se reenvía completo cada vez, por lo que el costo tiende a crecer mucho más rápido que la propia longitud de la conversación.
¿Un archivo de skill es solo un nombre sofisticado para un prompt guardado?
En la práctica, sí: es un prompt de sistema o una instrucción de proyecto que escribes una vez y reutilizas. Lo que diferencia a uno «bueno» de un prompt ad hoc es la disciplina: establece el rol, los estándares y el formato de salida de forma precisa y concisa, para que la parte de «plantilla» que se reenvía con cada mensaje sea lo más pequeña posible sin dejar de cumplir su función.
¿Debería preocuparme por los importes exactos en dólares o solo por el comportamiento?
Concéntrate primero en el comportamiento: reducir el contexto repetido y empezar conversaciones nuevas para tareas nuevas disminuirá tu uso independientemente de cuál sea la tarifa por token este mes. Si quieres calcular los costos exactos para tu propio volumen, consulta las tarifas publicadas actuales en la página de precios de tu proveedor y haz las cuentas con base en la cantidad habitual de mensajes.
En resumen:
El costo en tokens del trabajo diario con AI depende mucho más del contexto repetido y de plantilla que de la tarifa por token en sí: cada mensaje vuelve a enviar toda la conversación, por lo que los prompts reescritos ad hoc se acumulan rápidamente. Un archivo de skill conciso y preparado de antemano, como Rafa o Owen, minimiza ese desperdicio al cargar el rol una sola vez y de forma precisa, en lugar de volver a explicarlo en cada mensaje.