El "impuesto del token": la IA cobra más caro a idiomas que no son inglés
Un estudio de CLEAR midió hasta 17 veces más tokens según el idioma, y eso encarece, demora y acorta la memoria del modelo.
26 de octubre de 2026 · 2 min de lectura
La Coalition for Language Equity in AI Research (CLEAR) publicó un estudio que mide algo que casi nadie ve al usar un chatbot: cuántos tokens hacen falta para procesar el mismo texto según el idioma. Los tokens son las unidades en que el modelo trocea lo que lee y escribe, y se cobra por ellos.
Entre los 20 idiomas más usados de internet, el más caro necesita entre 1,5 y 5 veces más tokens que el más barato. Con 200 idiomas, la brecha en uno de los modelos analizados llegó a 17 veces. Los investigadores le pusieron nombre: "tokenizer tax", el impuesto del tokenizador.
El costo no es lo único. Más tokens significan más demora y menos espacio en la ventana de contexto, la memoria de corto plazo del modelo. Pratyush Choudhury, cofundador del fondo indio Activate AI, lo ejemplificó con un tutor: si el historial de errores y explicaciones del alumno gasta el contexto más rápido en un idioma, la calidad de la clase baja.
La rareza del idioma no explica todo. El alfabeto pesa mucho. El asturiano, con pocos hablantes, sale bien parado por escribirse en alfabeto latino y parecerse al italiano. Birmano, tibetano, tifinagh, jemer, lao y ol chiki quedaron en la peor posición en casi todos los modelos.
El estudio imagina una startup en Bengaluru que paga un recargo en cada consulta mientras su competidora en Austin no.
Dheemanth Reddy, de Maya Research, espera que el precio de los tokens siga bajando, pero advierte que arreglar la brecha exige que los laboratorios diseñen tokenizadores nuevos. Raoul Nanavati, de Navana.ai, citó RESPIN, un proyecto abierto del Indian Institute of Science con fondos de la Fundación Gates que juntó texto y voz de hablantes de 38 dialectos. Choudhury pidió que cada laboratorio publique cuánto cuesta completar tareas comparables en cada idioma.