Elegir un modelo de lenguaje por su tarifa por millón de tokens puede disparar la factura de IA de una empresa sin que esta lo perciba. Dos razones explican el desajuste. Primero, cada laboratorio usa un tokenizador propio: el mismo fragmento de este artículo, por ejemplo, se trocea en 160 tokens para GPT-4o y en 200 para GPT-4; un cambio reciente en el tokenizador de Anthropic elevó un 30 % el número de tokens de Claude para idéntico texto, lo que equivale de facto a una subida de precio. Segundo, la eficiencia de uso varía enormemente entre modelos, porque gran parte del consumo se destina a cadenas de pensamiento internas que se cobran igual que los tokens visibles.
Una tabla con modelos punteros estadounidenses y chinos, contrastada con la puntuación del benchmark Artificial Analysis, muestra el desajuste: GPT-5.5, con un precio por token superior al de Claude Opus 4.8, completa cada tarea del benchmark a casi la mitad de coste; GLM-5.2 es entre 3,5 y 6,8 veces más barato por token que GPT y Claude, pero su coste por tarea no baja en la misma proporción por menor eficiencia; DeepSeek V4 Pro, aunque obtiene una nota más baja en inteligencia, presenta el coste por tarea más reducido. El indicador fiable, según el análisis, es el coste por tarea completada y no la tarifa por millón de tokens.