Usar una inteligencia artificial en francés puede consumir más tokens que formularle exactamente la misma pregunta en inglés. Un estudio de Thomas Serval, publicado en septiembre de 2026, mide un sobrecoste del 31 al 58 % para el francés, según el tokenizador utilizado. Esta diferencia invisible puede aumentar la factura de las API, reducir la cantidad de conversación que se conserva en memoria y modificar las condiciones en las que el modelo genera sus respuestas.

Nos hemos acostumbrado a considerar ChatGPT un interlocutor universal. Le hablamos en nuestro idioma, responde y la ilusión funciona lo bastante bien como para que casi nadie se pregunte qué ocurre entre la frase escrita y su comprensión por la máquina. Sin embargo, los idiomas no son iguales ante este mecanismo. Algunos encajan casi de forma natural en el sistema. Otros tienen que pagar un peaje adicional.

¿Por qué una frase en francés consume más tokens?

Una inteligencia artificial no lee las frases como nosotros. Antes de que un modelo de lenguaje pueda procesarlas, un componente llamado tokenizador divide el texto en fragmentos denominados tokens. Estos fragmentos pueden corresponder a palabras completas, partes de palabras o caracteres.

OpenAI ofrece una regla aproximada para el inglés habitual: un token equivale a unos cuatro caracteres, es decir, tres cuartas partes de una palabra. Pero esta aproximación no se aplica por igual a todos los idiomas.

La razón es técnica. Los tokenizadores aprenden a segmentar eficientemente las secuencias que encuentran durante su desarrollo. Cuando predominan los datos en inglés, muchas secuencias inglesas se convierten en unidades fáciles de reconocer. Expresiones equivalentes en francés pueden dividirse en varios fragmentos.

Así, una palabra inglesa frecuente puede ocupar un solo token, mientras que su equivalente francés a veces necesita dos o tres. El fenómeno es todavía más acusado en determinados sistemas de escritura no latinos.

Sin embargo, no basta con distinguir entre idiomas con abundantes recursos y otros menos representados. Una investigación publicada por Rest of World sobre los trabajos de la Coalition for Language Equity in AI Research destaca que el propio sistema de escritura influye considerablemente en la fragmentación. Por tanto, el árabe o el hindi pueden sufrir penalizaciones que no se explican simplemente por su número de hablantes.

¿Cuánto cuesta realmente este impuesto lingüístico?

Las cifras son lo bastante importantes como para ir más allá de una simple curiosidad técnica.

Según el estudio de Thomas Serval, vinculado a NEOMA Business School y realizado sobre el corpus multilingüe NTREX-128, el francés necesita entre 1,31 y 1,58 veces más tokens que el inglés, según los sistemas analizados. El análisis compara siete tokenizadores asociados, entre otros, a OpenAI, Meta, Alibaba, DeepSeek, Google, Mistral y Anthropic.

Otro análisis publicado en mayo de 2026 por Prompt Inspiration estima un sobrecoste medio de aproximadamente el 48 % para los prompts escritos en francés. Esta estimación coincide en orden de magnitud con el estudio anterior, pero los métodos de cálculo no son necesariamente idénticos. Por ello, sería incorrecto presentar ese porcentaje como una constante válida para todas las conversaciones y todos los modelos.

Las diferencias pueden ser mucho mayores en otros idiomas. Según los trabajos de la Coalition for Language Equity in AI Research recogidos por Rest of World, la diferencia entre los idiomas menos y más costosos de los veinte más utilizados en Internet oscila entre un factor de 1,5 y 5. Al ampliar el análisis a doscientos idiomas, la diferencia puede alcanzar un factor de 17.

¿Qué significan estas cifras en una factura?

Tomemos un ejemplo meramente ilustrativo. Si un procesamiento en inglés supone un gasto de 10 euros en tokens, un aumento del 48 % elevaría el gasto equivalente a 14,80 euros, con el mismo precio por token. Para un servicio que procesa numerosas solicitudes cada día, esta diferencia se repite con cada uso.

No obstante, hay que distinguir dos situaciones. Un usuario que paga una suscripción fija a ChatGPT no recibe automáticamente una factura más alta por escribir en francés. En cambio, un desarrollador o una empresa que utiliza una API facturada por token sí puede asumir ese consumo adicional.

Publicidad

El verdadero problema, por tanto, no es solo pagar más. Es disponer de una capacidad de procesamiento diferente con el mismo presupuesto o límite de tokens.

¿Por qué puede perjudicar esta diferencia a las respuestas?

Cada modelo dispone de una ventana de contexto, es decir, una cantidad limitada de tokens que puede tener en cuenta mientras trabaja. Esta ventana incluye, entre otras cosas, las instrucciones, los mensajes anteriores y los documentos proporcionados.

Si dos conversaciones expresan el mismo contenido, pero la conversación en francés necesita más tokens, no ocupan el mismo espacio en esa ventana. La conversación francesa puede alcanzar sus límites antes.

Imaginemos un profesor particular virtual. Acompaña a un alumno, recuerda sus errores, sus dificultades y las explicaciones ya ofrecidas. Si ese historial consume más tokens en el idioma del alumno, el servicio dispone de menos espacio para conservar la información útil para ayudarlo.

Es precisamente el ejemplo planteado por Pratyush Choudhury, cofundador de Activate AI, en la investigación de Rest of World. La penalización lingüística puede convertirse entonces en una desventaja educativa.

Sin embargo, hay un matiz esencial: consumir más tokens no significa automáticamente que el modelo razone peor. La fragmentación aumenta la presión sobre el contexto y puede incrementar la latencia, pero por sí sola no demuestra una reducción sistemática de la calidad intelectual de las respuestas.

Un estudio académico presentado en EMNLP en 2023, dedicado a los costes y la utilidad de la API de OpenAI en veintidós idiomas, documenta no obstante una desigualdad más amplia: muchos usuarios de idiomas distintos del inglés soportan costes superiores y obtienen resultados menos favorables.

En otras palabras, existen dos problemas distintos que pueden acumularse: la forma en que se fragmentan las frases y la capacidad del modelo para trabajar bien en cada idioma. Confundirlos impediría entender qué hay que mejorar realmente.

¿Todos los modelos de IA perjudican por igual al francés?

No. La elección del tokenizador modifica considerablemente el coste lingüístico.

En la comparación publicada por Thomas Serval, Mistral Tekken aparece como el tokenizador que menos penaliza al francés entre los siete sistemas estudiados. Este resultado sugiere que parte de la desigualdad puede corregirse directamente mediante el diseño técnico.

Una recopilación presentada por Prompt Inspiration también atribuye a Gemini 3.1 y Qwen 3.6 un coeficiente global de sobrecoste de 1,17 respecto al inglés en los idiomas evaluados. En cambio, indica un coeficiente medio de 2,07 para Anthropic y una proporción de 3,11 para un prompt en hindi que utiliza su API.

Estas comparaciones deben interpretarse con cautela. Las últimas cifras proceden de una recopilación secundaria y no bastan para establecer una clasificación universal de los modelos. Sobre todo, un tokenizador económico no está necesariamente asociado al modelo que ofrece las mejores respuestas. La calidad de las respuestas, las capacidades de razonamiento y el consumo de tokens deben evaluarse por separado.

¿Se puede eliminar esta penalización lingüística?

La respuesta es alentadora: el sobrecoste no es una inevitabilidad matemática. Se debe en parte a decisiones técnicas.

El estudio de Thomas Serval presenta, entre otras cosas, un tokenizador especialmente adaptado al francés que reduce el consumo de tokens un 11,5 % respecto a los sistemas estándar examinados. El prototipo también presenta situaciones en las que rinde peor. No es, por tanto, una solución mágica, sino una demostración concreta de que otro diseño es posible.

Otra vía consiste en mejorar la representación de los idiomas en los recursos utilizados para desarrollar los sistemas. El proyecto RESPIN, mencionado por Rest of World, recopila datos de texto y voz de hablantes nativos de treinta y ocho dialectos.

Los usuarios ya pueden adoptar varias prácticas para limitar los efectos del problema:

  • Comparar los tokenizadores cuando el coste de una API sea importante, en lugar de elegir únicamente por el precio anunciado por millón de tokens.
  • Vigilar el tamaño de los historiales en conversaciones largas o asistentes que manejan muchos documentos.
  • Probar distintas formulaciones con una herramienta de visualización como OpenAI Tokenizer para entender cómo se fragmenta el texto.
  • Evaluar los modelos en el idioma que realmente se utiliza, y no solo mediante benchmarks en inglés.

Traducir sistemáticamente las solicitudes al inglés podría ahorrar tokens en algunos casos, pero no es una solución universal. Añade un paso, puede alterar los matices del mensaje y no garantiza una respuesta final mejor.

El problema va mucho más allá del precio de ChatGPT

Este sesgo técnico revela una cuestión más profunda: ¿por qué un idioma debería disponer de menos capacidad de procesamiento que otro para expresar las mismas ideas?

En el software tradicional, cambiar el idioma de la interfaz generalmente no reduce la cantidad de trabajo que puede realizar el usuario. Con los modelos de lenguaje, esa equivalencia ya no está garantizada. El idioma se convierte en una variable económica y técnica, aunque permanezca invisible en la pantalla.

Los usuarios francófonos no son necesariamente los más perjudicados. Las diferencias observadas en determinadas lenguas regionales y de ultramar, que pueden alcanzar 3,3 veces el consumo del inglés en las observaciones presentadas en torno al estudio de Thomas Serval, recuerdan que el problema va más allá de los grandes idiomas internacionales.

En mi opinión, el verdadero avance no consistirá únicamente en hacer que los modelos sean más inteligentes. También consistirá en garantizar que esa inteligencia no cueste estructuralmente más según el idioma en que se le hable. Una IA supuestamente universal no debería imponer un peaje invisible a quienes no se expresan en inglés.

Preguntas frecuentes

¿Por qué un mismo texto en francés o árabe utiliza más tokens que en inglés?

Los tokenizadores reconocen con mayor eficacia determinadas secuencias frecuentes en sus datos de desarrollo, a menudo dominados por el inglés. El francés y los idiomas que utilizan otros sistemas de escritura pueden necesitar más fragmentos para representar un contenido equivalente. La magnitud de la diferencia depende del tokenizador y del idioma.

¿ChatGPT cuesta más cuando se escribe en francés?

Una suscripción fija no se encarece automáticamente para un usuario francófono. En cambio, las API facturadas por token pueden costar más: el estudio de Thomas Serval mide entre un 31 y un 58 % más de tokens para el francés, según los tokenizadores comparados. Este consumo también puede afectar a los límites de contexto.

¿ChatGPT razona peor en francés?

Un mayor consumo de tokens no demuestra directamente una menor calidad de razonamiento. Sin embargo, puede reducir el espacio disponible para el historial y los documentos, lo que puede afectar a determinadas tareas largas. El estudio publicado en EMNLP en 2023 también documenta diferencias de rendimiento y costes entre idiomas.

¿Qué modelos reducen mejor el impuesto lingüístico?

En el estudio de Thomas Serval, centrado entre otros idiomas en el francés, Mistral Tekken presenta el menor sobrecoste entre los siete tokenizadores examinados. Otras comparaciones destacan Gemini y Qwen en mediciones multilingües. No obstante, el resultado depende del corpus y del tokenizador: también hay que comparar la calidad de las respuestas antes de elegir un modelo.

Fuentes