La factura que no ves venir
La mayoría de las personas que usan Claude o ChatGPT para trabajar a diario nunca han comprobado 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 IA costó más que una intensa, la respuesta casi nunca es que la IA sea «cara». Normalmente tiene que ver con lo que estás enviando, no solo con lo que estás preguntando.
Esta publicación explica las matemáticas reales —en 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 IA», sino «dejar de pagar por volver a explicarte en cada mensaje».
Tokens, explicado en lenguaje sencillo
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 inusuales, el formato y los textos que no están en inglés pueden usar más.
Dos cosas suelen confundir a la gente cuando piensa en esto por primera vez:
- Se cuentan ambas direcciones. Tanto las palabras que escribes (entrada) como las palabras que la IA te devuelve (salida) se cobran o se contabilizan. Una respuesta larga y detallada cuesta más que una respuesta de una sola línea, incluso para 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 desglosada. Los modelos de IA conversacional 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 «solo charlar» se vuelve caro a medida que crece una conversación
Esta es la parte que realmente importa. Imagina una conversación que comienza 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: el sistema ahora 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 terminar costando varias veces más, aunque el contenido «nuevo» de cada mensaje mantenga aproximadamente el mismo tamaño.
Estas son cifras orientativas, no una tabla de precios: los proveedores establecen y modifican sus propias tarifas por token, y siempre debes consultar los precios publicados actualmente en el sitio 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 mayor, se acumula rápidamente. La tarifa no es la principal variable. 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 las personas. Un trabajador del conocimiento típico que realiza tareas asistidas por AI —redactar correos electrónicos, resumir llamadas, analizar una hoja de cálculo, escribir un informe breve o revisar una cláusula contractual— no empieza cada tarea desde cero. Lo vuelve a explicar todo, cada 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 el día anterior.
Nada de eso es información «nueva» para la tarea en cuestión: es texto estándar. Pero como se escribe de nuevo en la ventana del 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 facturar 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 el AI actúe como un tipo específico de especialista (por ejemplo, un analista de marketing que revise las cifras de una campaña o un gerente de operaciones que perfeccione un documento de procesos).
Enfoque A: prompts improvisados vueltos a escribir
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 sobre el 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. Multiplica ese patrón de texto estándar más seguimiento por 10 tareas separadas y estarás pagando de nuevo, esencialmente, por las mismas instrucciones docenas de veces, durante todo el 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 redactan 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 configuran de antemano una vez, se mantienen concisos (sin divagaciones ni instrucciones redundantes) y se reutilizan en cada tarea de ese rol. La persona simplemente indica la tarea. No hace falta volver a explicar quién se supone que es el AI, cómo dar formato a las respuestas ni qué significa que algo sea «bueno»: todo eso ya está establecido de forma concisa desde el 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 estándar de cada mensaje se reduce drásticamente. Menos texto estándar reenviado por mensaje, en cada mensaje de cada tarea, cada día: eso se acumula rápidamente, del mismo modo que el problema del crecimiento de la conversación, pero en sentido contrario.
Un prompt del sistema prediseñado que convierte Claude o ChatGPT en un analista sénior de marketing: fija de una vez el ROI de campañas, la atribución y los estándares de informes, para que no tengas que volver a explicar el rol cada vez que pegues nuevas cifras.
Ver a 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 del sistema voluminoso y demasiado genérico —cinco páginas de instrucciones vagas «por si acaso»— puede ser tan derrochador como volver a escribirlo todo, porque sigue siendo texto estándar que se reenvía en cada mensaje; la única diferencia es 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 dar formato a la salida y exactamente qué significa «terminado», nada más, cargado una sola vez al inicio de cada 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 sesión de trabajo.
Configura Claude o ChatGPT como gerente sénior de operaciones: incorpora SOP, auditorías de procesos y marcos de priorización, para que cada tarea nueva comience de forma concisa, sin volver a explicar desde cero tu contexto operativo.
Ver a Owen - Gerente de Operaciones →Hábitos prácticos que realmente marcan la diferencia
Independientemente de la herramienta o el plan que uses, algunos hábitos reducen el «costo oculto de reenvío» más que cualquier otra cosa:
- Inicia las tareas nuevas en conversaciones nuevas en lugar de acumularlo todo en un hilo que crece sin parar. Una conversación nueva y enfocada reenvía mucho menos historial en cada mensaje.
- Define 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 del sistema largo y desmesurado sigue siendo texto estándar que se reenvía: redúcelo a lo que realmente cambia la salida.
- Solicita la longitud de salida 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 costos con precisión: las tarifas y los modelos cambian, y es mejor confirmar las cifras exactas en la fuente que basarse en cualquier estimación de terceros.
Una habilidad de agent de operaciones configurada para tareas recurrentes y estructuradas, diseñada para mantener las instrucciones compactas y coherentes en lugar de hacerlas crecer con cada nueva solicitud.
Ver Arthur - AI Operations Agent →Indica cómo usas realmente los chats de AI, ya sea tú o tu equipo, 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 habilidades 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 contabiliza tanto lo que envías como lo que recibes. Un modelo que redacta respuestas largas y exhaustivas por defecto usará más tokens de salida que uno que escribe respuestas concisas y enfocadas, incluso ante exactamente la misma pregunta.
¿Por qué una conversación larga cuesta mucho más que una corta, tarea por tarea?
Porque la mayoría de las herramientas de AI basadas en chat no conservan la memoria entre mensajes por sí solas: para responder de forma coherente 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 duración de la conversación.
¿Un archivo de habilidades es solo un nombre sofisticado para un prompt guardado?
Funcionalmente, sí: es un prompt del sistema o una instrucción de proyecto que escribes una vez y reutilizas. Lo que diferencia uno bueno de un prompt improvisado es la disciplina: establece el rol, los estándares y el formato de salida de manera precisa y concisa, para que la parte «genérica» 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 comenzar conversaciones nuevas para tareas nuevas disminuirá tu uso, independientemente de cuál sea la tarifa por token este mes. Si quieres calcular los costos exactos según 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 genérico que de la tarifa por token en sí; cada mensaje vuelve a enviar toda la conversación, por lo que los prompts reescritos de forma improvisada se acumulan rápidamente. Un archivo de habilidades 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.
