¿Importa en qué idioma le hablas a la IA?

Si hablas más de un idioma, probablemente has tenido esta duda en medio de una conversación con una IA:

«¿Debería preguntar esto en inglés? ¿Obtendré una mejor respuesta?»

Es una pregunta válida. Quizá piensas en español, trabajas en inglés o escribes a tu familia en chino. Quizá alguien te dijo que «la IA simplemente funciona mejor en inglés» y lo dejó ahí.

La respuesta honesta es: sí, el idioma puede importar, pero normalmente menos de lo que dicen los mitos, y no siempre de la manera que esperarías.

El idioma puede cambiar tres cosas distintas: cuánto cuestan tus palabras, cuánto tarda la respuesta y qué tan buena es. Veamos cada una en términos sencillos.

TL;DR

• La IA no lee palabras como nosotros. Lee tokens, pequeños fragmentos de texto, y un mismo significado puede necesitar cantidades muy distintas de tokens según el idioma.
• En una prueba amplia y equitativa con las mismas 2,009 oraciones, el español necesitó alrededor de 32% más tokens que el inglés con el tokenizer más reciente de OpenAI, y el chino necesitó alrededor de 28% más. Con un tokenizer anterior de OpenAI, la diferencia fue mucho mayor: 55% para el español y 91% para el chino.
• Depende de la herramienta que hace los cortes. Con el tokenizer de Qwen, el chino necesitó solo alrededor de 7% más tokens que el inglés, mientras que el español necesitó alrededor de 52% más. En comparación con el tokenizer anterior de OpenAI, el orden se invierte.
• En cuanto a la calidad de las respuestas, el inglés suele ocupar el primer lugar en las pruebas publicadas, pero el español a menudo le sigue de cerca. El chino tiende a quedar un poco más atrás, y los modelos mini y nano de OpenAI son los que más pierden.
• La velocidad depende del número de tokens: más tokens generalmente significan más espera, aunque no hay que tomarlo como una regla exacta de cronómetro.
• La regla práctica es simple: escribe en el idioma en el que mejor piensas. Una pregunta clara en español supera a una pregunta confusa en inglés.

Una pregunta en tres idiomas

Imagina que le pides el mismo favor a un asistente de IA en tres idiomas:

• Inglés: “Please explain how to save for a house, step by step.”
• Español: “Por favor, explícame cómo ahorrar para una casa, paso a paso.”
• Chino: “请一步步解释如何存钱买房。”

Una persona ve una sola petición expresada de tres maneras.

La IA primero ve algo distinto. Antes de que pueda pensar en casas o ahorros, un software llamado tokenizer divide tu texto en tokens, y el modelo trabaja con esos fragmentos.

En ese paso de división comienza la historia, porque los fragmentos no se cortan de la misma manera en todos los idiomas.

El token: el medidor invisible

Un token es un pequeño fragmento de texto. A veces es una palabra completa. Otras veces es la mitad de una palabra, una letra, un espacio o un grupo común de caracteres.

La forma más fácil de imaginarlo es esta:

Piensa en el taxímetro de un taxi. El auto es tu texto. El medidor no te cobra por el viaje como un todo, sino por pequeñas unidades de distancia. Los tokens son esas unidades para la IA.

¿Por qué debería importarte el medidor? Porque en la mayoría de los servicios de IA que cobran por uso, pagas por token. Los tokens también ocupan la memoria que el modelo tiene de la conversación, y el modelo produce su respuesta token por token.

Así que un mismo viaje puede costar distintas cantidades según cómo cuente el medidor. Y el medidor se calibró principalmente en carreteras inglesas.

flowchart LR
    A["Escribes una pregunta"] --> B["El tokenizer la divide en tokens"]
    B --> C{"¿Cuántos tokens?"}
    C --> D["Costo y espacio en memoria"]
    C --> E["Pasos para responder y tiempo de espera"]
    F["Tamaño y entrenamiento del modelo"] --> G["Calidad de la respuesta"]
    B --> G

Ese diagrama resume prácticamente todo el artículo. Ahora pongámosle algunas cifras.

Costo: mismo significado, distinta cuenta

Para comparar los idiomas de forma justa, los investigadores usan colecciones de oraciones que dicen exactamente lo mismo en muchos idiomas. Una colección conocida es FLORES-200: las mismas oraciones, traducidas cuidadosamente a 200 idiomas. Es como darle la misma maleta a cada idioma y ver cuánto espacio necesita para empacarla.

Tres tokenizers distintos empacaron las mismas 2,009 oraciones. Las cifras son el total de tokens: cuanto más altas, «más caro resulta decir lo mismo».

Una aclaración sobre la fuente: la fila del tokenizer más reciente de OpenAI es mi propio conteo, no una cifra de la tabla de Petrov, cuyo CSV publicado no tiene una columna o200k_base. Usé la biblioteca tiktoken de OpenAI con o200k_base sobre las oraciones dev + devtest de FLORES-200 del repositorio, unidas en un solo texto como lo hace el script de Petrov. Para comprobarlo, repetí el conteo con cl100k_base y reproduje exactamente los totales publicados. Si se cuentan las oraciones por separado, el chino da +88% con cl100k_base y +26% con o200k_base, y la cifra del español casi no cambia.

Esta tabla deja tres lecciones:

1. El inglés suele llevarse la mejor parte con estos tokenizers. En mi interpretación, no es una ley natural, sino un efecto secundario de los textos con los que se entrenó el tokenizer.
2. El tokenizer más reciente de OpenAI redujo la diferencia. Con el anterior de OpenAI, el chino costaba casi el doble. Con el más reciente, el español y el chino están cerca uno del otro.
3. El ganador depende del tokenizer. El tokenizer de Qwen maneja el chino muy bien y el español con mucha menos eficiencia: casi la situación opuesta.

Antes de que te preocupes por tu bolsillo, hay dos matices importantes.

Primero, si usas una aplicación de chat normal con una suscripción de tarifa fija, nadie te envía una factura por token. Estas cifras afectan directamente a las personas y empresas que pagan por la IA según el uso e, indirectamente, a los límites de uso de todos y a cuánto texto cabe en una conversación.

Segundo, estas cifras exactas corresponden a estos tokenizers concretos. Otra empresa de IA puede dividir el texto de manera distinta. No es un detalle menor: es uno de los puntos principales de este artículo.

Velocidad: por qué más tokens pueden significar más espera

La IA escribe sus respuestas token por token, un poco como una persona que escribe muy rápido, pero solo puede presionar una tecla a la vez.

La lógica es simple: si una respuesta necesita más tokens, hay más pasos para escribirla. Una pregunta más larga también requiere más pasos de lectura antes de que comience la escritura.

Eso significa que el idioma con más tokens generalmente se sentirá un poco más lento y llenará antes la memoria de la conversación.

Una aclaración: esta conclusión sobre la velocidad se deriva razonablemente de cómo funcionan estos sistemas; no es algo que hayamos medido con un cronómetro para este artículo. La carga del servidor, el tamaño del modelo y la longitud de la respuesta pueden influir mucho más en un momento dado. Toma la velocidad como «generalmente, un pequeño obstáculo», no como una promesa.

Precisión: ¿la respuesta es realmente peor?

El costo es interesante, pero esta es la pregunta que la mayoría de las personas realmente quiere hacer:

«¿La IA se vuelve menos inteligente cuando no escribo en inglés?»

Los investigadores prueban esto con grandes conjuntos de preguntas de examen, traducidas cuidadosamente a otros idiomas. El más conocido se llama MMLU: miles de preguntas de opción múltiple sobre 57 temas, desde historia hasta derecho. La forma más clara de interpretar los resultados es: para un mismo modelo, ¿qué tan cerca llega cada idioma de su puntuación en inglés?

Los porcentajes de Claude son de la propia Anthropic y se midieron con pensamiento extendido. Los porcentajes de OpenAI son mi cálculo: la puntuación de cada idioma dividida entre la puntuación MMLU en inglés del mismo modelo, tomada del README de simple-evals.

Interpreta la tabla así: si un modelo obtiene 100 puntos en inglés, una puntuación de 96.9% en chino significa que conserva casi 97 de esos puntos. Así que no: no estás hablando con una «versión menos inteligente» de la IA.

Pero hay dos patrones importantes:

• El español suele estar cerca. En los modelos de Claude y o3-high de la tabla, conserva aproximadamente entre 96–98% de la puntuación en inglés.
• Los modelos mini y nano tienen más dificultades. Los dos modelos pequeños, rápidos y económicos de OpenAI son los que más pierden fuera del inglés: bajan hasta alrededor de 89% en chino. Cuanto más pequeño es el modelo, más parece apoyarse en el inglés.

Esta es la comparación que me hizo prestar atención. En este mismo examen, el modelo gpt-4.1 de OpenAI respondió en chino (86.1 puntos) y obtuvo una puntuación ligeramente inferior a la del modelo más pequeño gpt-4.1-mini al responder en inglés (87.5 puntos). Y gpt-4.1 en español (87.6) prácticamente empató con ese modelo más pequeño en inglés.

En pocas palabras: cambiar de idioma puede costarte aproximadamente un «escalón» de modelo, como si hubieras elegido sin darte cuenta el siguiente modelo inferior. Esta es una interpretación con un nivel medio de confianza de un solo benchmark, no una ley universal. Pero es una buena razón para prestar más atención al idioma cuando eliges entre dos modelos similares.

Un examen no es tu vida. Estas pruebas miden preguntas de examen, no cómo explicarle una receta a tu abuela, redactar un correo amable o ayudar con la tarea. Si una diferencia de unos 2 a 11 puntos porcentuales en un examen se nota en una conversación cotidiana es una cuestión de criterio personal, no algo que hayan medido estas pruebas. Mi opinión es que normalmente no se nota, y precisamente por eso la prueba de cinco minutos de abajo usa tus preguntas.

El giro: depende de la herramienta

Si hay una idea de este artículo que vale la pena recordar, es esta:

«¿Qué idioma es más barato o mejor?» no tiene respuesta hasta que preguntes «¿en qué IA?».

Los resultados de los tokenizers lo mostraron para el costo: el chino es el más caro con el tokenizer anterior de OpenAI, está más o menos empatado con el español en el más reciente y es el más barato con el de Qwen.

Lo mismo ocurre con la calidad. Las cifras de este artículo provienen de modelos concretos publicados por Anthropic y OpenAI. Algunos ya no son los más recientes: por ejemplo, la documentación de Anthropic indica que Sonnet 4.5 está marcado como obsoleto desde el 2026-09-30. Un modelo desarrollado con especial atención al chino puede comportarse de forma muy distinta al patrón anterior.

Así que no conviertas esto en «el inglés siempre gana». Quédate con algo más útil: cada IA tiene un acento propio y vale la pena conocer el de la tuya.

Si te interesa el lado de quienes desarrollan tecnología del lenguaje, escribí por separado sobre Cómo construir Google Translate: antes de los LLM y con la IA moderna. Este artículo aborda la otra cara de la moneda, la del usuario.

Entonces, ¿qué idioma deberías usar?

Esta es la lista que le daría a un amigo:

1. Empieza con el idioma en el que mejor piensas. Pensar con claridad es más importante que optimizar el idioma. Una pregunta precisa en el idioma que mejor dominas superará a una pregunta poco clara en inglés.
2. Di en qué idioma quieres la respuesta. No esperes que la IA lo adivine. «Responde en español» o “请用中文回答” toma dos segundos y evita toda una categoría de confusiones. La guía multilingüe de Anthropic recomienda lo mismo y añade un consejo: escribe en la escritura propia del idioma, no en una transliteración; por ejemplo, usa caracteres chinos en lugar de pinyin.
3. Para trabajos importantes, elige el modelo más capaz, no solo el más rápido. En estas pruebas, los modelos mini y nano son los que más pierden fuera del inglés. Si la respuesta importa, aquí es donde una mejora de modelo realmente aporta algo.
4. Si dominas el inglés y estás eligiendo entre dos modelos similares, el inglés es un criterio razonable para desempatar, especialmente frente al chino en los modelos de OpenAI probados. Pero es un criterio de desempate, no una regla.
5. Si pagas por la IA según el uso o desarrollas aplicaciones para otras personas, mide tus propios idiomas. No traslades la tabla de este artículo a otro modelo. Las oraciones reales de tus usuarios, procesadas con el tokenizer de tu modelo, son las únicas cifras por las que te cobran.

Y el otro lado de la moneda es igual de importante: si tu audiencia lee español, responde en español. Una respuesta técnicamente perfecta en inglés que a tu lector le cuesta entender no es una mejor respuesta.

Pruébalo tú mismo en cinco minutos

No necesitas código, un laboratorio ni el permiso de este artículo. Necesitas una pregunta que realmente te importe.

1. Elige una pregunta real con una respuesta que puedas verificar: planear un viaje de 3 días con un presupuesto, explicar un tema escolar o resumir un texto. Anota qué debe incluir una buena respuesta.
2. Hazla en el idioma A en un chat nuevo, con tu modelo habitual. Guarda la respuesta.
3. Pregunta lo mismo en el idioma B en otro chat nuevo, con el mismo modelo. Traduce el significado con cuidado, incluidos nombres, números y detalles.
4. Compara como docente, no como fan. ¿Qué respuesta siguió mejor tus instrucciones? ¿Cuál cometió un error factual? ¿Cuál fue más útil, y no solo más larga?
5. Una mirada opcional: pega ambas preguntas en una herramienta gratuita de «tokenizer» en línea para ver por ti mismo la cantidad de tokens. Los conteos varían según la herramienta: esa diferencia es la lección.

Si ambas respuestas son igual de buenas para tus preguntas, felicidades: ya tienes tu respuesta y te costó cinco minutos en lugar de depender de la opinión de un desconocido.

Si desarrollas con API y te gusta escribir algo de código, puedes contar los tokens tú mismo. Este ejemplo cuenta las tres preguntas del comienzo del artículo con tiktoken y el tokenizer o200k_base de la tabla de costos:

import tiktoken

enc = tiktoken.get_encoding("o200k_base")

questions = {
    "English": "Please explain how to save for a house, step by step.",
    "Spanish": "Por favor, explícame cómo ahorrar para una casa, paso a paso.",
    "Chinese": "请一步步解释如何存钱买房。",
}

for language, text in questions.items():
    print(language, len(enc.encode(text)))

Haz el conteo con el tokenizer del modelo que realmente usas. Para los modelos de Claude, el endpoint de conteo de tokens de Anthropic cumple la misma función.

Lo que esta evidencia no demuestra

Una lista breve de límites, porque ser accesible no debería significar ser descuidado:

• Estos son tokenizers específicos y modelos específicos publicados, medidos en momentos concretos. Los modelos más recientes de hoy pueden obtener mejores resultados: las tablas multilingües publicadas simplemente van por detrás.
• Tenemos buenas cifras de tokens para los tokenizers de OpenAI y Qwen, pero no para el de Claude, que no medí. Anthropic ofrece un endpoint gratuito de conteo de tokens. También indica que Claude 4.7 y versiones posteriores usan un tokenizer más reciente que produce alrededor de 30% más tokens para el mismo texto. Nadie debería tomar las proporciones de OpenAI y aplicarlas a Claude.
• Las pruebas de calidad son preguntas de examen traducidas. Son una señal útil, no una medida de la conversación cotidiana, el humor, la cultura o la amabilidad.
• El efecto en la velocidad se infiere a partir de la cantidad de tokens; aquí no se midió con cronómetro.
• El mundo es más grande que tres idiomas. Los artículos de investigación detrás de este texto muestran que la desigualdad puede ser mucho más extrema para idiomas con menos recursos digitales. Petrov et al. descubrieron que un mismo texto puede necesitar hasta 15 veces más tokens en algunos idiomas. El inglés, el español y el chino son, en términos relativos, los afortunados.

En resumen

Entonces, ¿importa en qué idioma le hablas a la IA?

Un poco, y ahora sabes dónde se esconde ese «poco». Está en el medidor de tokens (costo), en los pasos de escritura (velocidad) y en una pequeña brecha de calidad que es mayor para los modelos mini y nano (precisión). También cambia de una IA a otra, porque cada una se crió con una dieta distinta de idiomas.

No dejes que nada de esto te aleje del idioma en el que piensas. Úsalo como usarías el conocimiento de que una compañía de taxis tiene un medidor más justo: vale la pena saberlo y, a veces, elegir en consecuencia, pero nunca es una razón para dejar de ir a donde necesitas ir.

Haz tu pregunta con claridad, di en qué idioma quieres la respuesta, elige un modelo que respete tus palabras y pruébalo tú mismo una vez. Eso te dará la mayor parte de la ventaja, en cualquier idioma.

Lecturas relacionadas

• Por qué de repente todos hablamos como gente de IA — de la misma serie: cómo las palabras de la IA llegaron al habla cotidiana.
• Ventanas de contexto de 1M vs 200K: qué cambia realmente para las aplicaciones con LLM — qué cambia con una memoria de conversación más amplia y qué sigue fallando en las aplicaciones con LLM.

Fuentes

• Petrov et al., «Los tokenizers de modelos de lenguaje introducen desigualdad entre idiomas» — 2023-05-17 — cómo los tokenizers crean diferencias de costo, latencia y contexto entre idiomas, con cantidades de tokens que pueden diferir hasta 15 veces.
• Petrov et al., repositorio tokenization-fairness, datos de FLORES-200 y longitudes de tokenización — consultado el 2026-10-30 — las oraciones de FLORES-200, el script de conteo que une todas las oraciones en un solo texto y los totales de tokens publicados del corpus para el tokenizer anterior de OpenAI, cl100k_base, y el de Qwen (Qwen-7B-Chat) usados en la tabla de costos.
• OpenAI, tiktoken — consultado el 2026-10-30 — la biblioteca de tokenización que usé para mi propio conteo con o200k_base y para repetir la validación con cl100k_base en la tabla de costos.
• Ahia et al., «¿Todos los idiomas cuestan lo mismo? La tokenización en la era de los modelos de lenguaje comerciales» — 2023-05-23 — equidad de los precios por token en 22 idiomas.
• Hendrycks et al., «Medición de la comprensión del lenguaje en múltiples tareas a gran escala» — 2020-09-07 — la prueba MMLU: 57 tareas, desde matemáticas elementales e historia de Estados Unidos hasta informática y derecho.
• Anthropic, «Soporte multilingüe» — consultado el 2026-10-30 — rendimiento de Claude Sonnet 4.5 y Haiku 4.5 por idioma en relación con el inglés (medido con pensamiento extendido), además de la recomendación de indicar el idioma de la respuesta y usar la escritura propia del idioma.
• Anthropic, «Conteo de tokens» — consultado el 2026-10-30 — el endpoint gratuito de conteo de tokens y la nota de que Claude 4.7 y versiones posteriores usan un tokenizer más reciente que produce alrededor de 30% más tokens para el mismo texto.
• Anthropic, «Modelos obsoletos» — consultado el 2026-10-30 — Claude Sonnet 4.5 marcado como obsoleto el 2026-09-30, con retiro previsto para el 2026-11-30.
• OpenAI simple-evals, «Resultados del benchmark multilingüe MMLU» — consultado el 2026-10-30 — puntuaciones de examen por idioma para los modelos de OpenAI.
• OpenAI simple-evals, README — consultado el 2026-10-30 — las puntuaciones de examen en inglés entre las que dividí la puntuación de cada idioma.