¿Gastan más tokens de Claude los prompts en español?

La respuesta corta

Sí, los prompts en español gastan algo más de tokens que el mismo mensaje escrito en inglés, pero la diferencia es pequeña y casi nunca es la razón por la que se te agota el límite. Un token es un trozo de texto, no una palabra: puede ser una palabra entera o solo un pedazo de palabra. Se cuentan las dos direcciones, lo que tú escribes y lo que Claude te responde. En una conversación normal pesa mucho más la longitud de las respuestas y el historial que se reenvía en cada turno que el idioma en el que preguntas.

Qué es un token y por qué no es una palabra

Claude no lee letras sueltas. Antes de procesar nada, el texto se parte en tokens usando un vocabulario fijo que se construyó durante el entrenamiento. Las secuencias que aparecen mucho ocupan un solo token. Las raras se parten en varios trozos. Por eso de es un token y un apellido poco común puede costar cuatro.

El glosario de Anthropic lo dice así en su versión en inglés (consultado en septiembre de 2026):

Para Claude, un token representa aproximadamente 3,5 caracteres en inglés, aunque el número exacto puede variar según el idioma.

Esa última frase es toda la respuesta de esta página. La referencia de 3,5 caracteres por token está medida sobre texto en inglés. Anthropic no publica una cifra equivalente para el español. Si alguien te da una proporción exacta, la ha sacado de una medición propia, así que pregúntale sobre qué modelo la midió y con qué texto.

¿Por qué un prompt en español gasta más tokens?

Hay dos efectos distintos y conviene no mezclarlos.

El texto es más largo. Una misma idea escrita en español suele ocupar más caracteres que en inglés. El español encadena más preposiciones (el informe de ventas del trimestre frente a quarterly sales report), las palabras medias son algo más largas y hay signos que el inglés no escribe, como la apertura de interrogación y de exclamación. En una frase corta la diferencia casi desaparece. En un documento largo que pegas en el chat, se nota.

El vocabulario del tokenizador está sesgado hacia el inglés. Aunque dos frases tengan el mismo número de caracteres, la inglesa se parte en menos piezas, porque sus secuencias aparecen muchas más veces en los datos con los que se construyó ese vocabulario. Esto no se puede estimar a ojo. Se cuenta.

Las tildes y la ñ: lo que pasa por debajo

Los tokenizadores modernos trabajan sobre bytes, no sobre letras. En UTF-8, que es la codificación que usa hoy cualquier navegador o terminal, una letra ASCII ocupa un byte, pero á, é, í, ó, ú, ñ, ü, ¿ y ¡ ocupan dos. Puedes verlo en tu propia máquina:

printf '¿Por qué?' | wc -m   # 9 caracteres
printf '¿Por qué?' | wc -c   # 11 bytes

Nueve caracteres, once bytes. Esos dos bytes de más no se convierten automáticamente en dos tokens de más: si la secuencia qué está en el vocabulario, sigue siendo una sola pieza. Lo que sí ocurre es que una palabra acentuada poco frecuente tiene más sitios por donde partirse, así que el coste real depende de la palabra concreta. Por eso la única respuesta fiable es contar, no razonar.

Un apunte práctico: escribir porque sin tilde para ahorrar tokens no ahorra nada apreciable, y además cambia el significado de la palabra. No compensa.

Cuéntalo tú mismo con count_tokens

Anthropic publica un endpoint que devuelve el número exacto de tokens de entrada de un mensaje sin llegar a enviarlo al modelo. Es gratuito y solo está sujeto a un límite de peticiones por minuto. Necesitas una clave de la API, que se crea en la consola de Anthropic y es distinta de tu suscripción a Claude Pro. Si no tienes ninguna, mira antes cómo funciona el nivel gratuito de la API de Claude.

curl https://api.anthropic.com/v1/messages/count_tokens \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "content-type: application/json" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "claude-opus-5-5",
    "messages": [{
      "role": "user",
      "content": "¿Puedes explicarme por qué esta consulta SQL tarda tanto en ejecutarse?"
    }]
  }'

La respuesta es un objeto JSON con un solo campo, input_tokens. Lanza el mismo comando con tu frase en inglés, compara los dos números y ya tienes tu proporción, medida sobre tu texto y sobre el modelo que de verdad usas. Con el SDK de Python es el mismo trabajo dentro de un bucle:

import anthropic

client = anthropic.Anthropic()

for texto in [
    "¿Puedes explicarme por qué esta consulta SQL tarda tanto en ejecutarse?",
    "Can you explain why this SQL query takes so long to run?",
]:
    r = client.messages.count_tokens(
        model="claude-opus-5-5",
        messages=[{"role": "user", "content": texto}],
    )
    print(r.input_tokens, texto)

Dos avisos sobre lo que estás midiendo. El primero: el número depende del modelo. La documentación de Anthropic indica que Claude 4.7 y los modelos posteriores usan un tokenizador nuevo, y que el mismo texto produce alrededor de un 30 % más de tokens que en los modelos anteriores (consultado en septiembre de 2026). Una proporción que leíste en 2025 no describe lo que pagas hoy, así que pasa siempre el model real. El segundo: count_tokens cuenta solo la entrada. Lo que Claude escribe se cuenta aparte y suele ser la parte grande, que es justo la diferencia entre tokens de entrada y de salida.

¿Merece la pena escribir los prompts en inglés?

Es la pregunta que viene después, y la respuesta honesta es que el ahorro existe pero es pequeño. Si te mueves con soltura en inglés, recortarás un porcentaje bajo de tokens de entrada, y algo más de salida si Claude también te contesta en inglés. Si tu inglés es aproximado, sales perdiendo.

El motivo es aritmético. Cada vez que vuelves a preguntar porque la respuesta no era lo que querías, se reenvía toda la conversación anterior como entrada. Un prompt vago en tu segundo idioma que obliga a dos repreguntas cuesta bastante más que el prompt preciso en español que habrías escrito a la primera. La precisión ahorra mucho más que el idioma.

Hay un caso en el que sí conviene pensarlo: cuando el material ya está en inglés. Si vas a pegar un log o un mensaje de error en inglés, no lo traduzcas antes. Pégalo tal cual y escribe tus instrucciones en español. Claude responde en el idioma en el que le hablas, así que no pierdes nada por mezclar.

Y entonces, ¿cuántos tokens tiene Claude Pro?

Es la otra mitad de la duda, y no se resuelve con una cifra de tokens sueltos. Los planes de suscripción se agotan por uso dentro de ventanas de tiempo, no con un saldo fijo que puedas dividir entre el tamaño de tus mensajes, así que calcular "me caben X prompts en español" no funciona. Lo tienes con números en cuántos tokens incluye realmente el plan Claude Pro, y si lo que quieres es la comparación con el precio por volumen de la API, en cuánto cuesta un millón de tokens en Claude.

Lo que de verdad te acaba el límite

Cuatro cosas pesan mucho más que el idioma en el que escribes.

• El historial completo se reenvía en cada turno, así que el turno veinte cuesta mucho más que el primero aunque escribas lo mismo.
• Los archivos adjuntos y el texto pegado entran enteros y se vuelven a contar en cada turno posterior de esa conversación.
• Las respuestas largas se cobran como salida, y pedir un resumen de tres líneas recorta más que traducir tu pregunta.
• El razonamiento extendido y las herramientas añaden tokens que tú no has escrito.

La lista completa, con lo que puedes hacer en cada caso, está en qué consume de verdad tu límite de Claude Pro. Si trabajas desde la terminal el reparto cambia bastante, y lo cubre cómo se gastan los tokens en Claude Code. Si el aviso ya te ha saltado, qué hacer cuando llegas al límite te da las opciones reales.

El razonamiento es idéntico para cualquier idioma que no sea el inglés. Aplicado al portugués, con sus propias cifras, lo tienes en los límites de uso de Claude Pro escribiendo en portugués.

FAQ

¿Gasta más tokens escribir a Claude en español que en inglés?

Sí, algo más, pero poco. El mismo mensaje en español suele ocupar más caracteres, y el vocabulario del tokenizador se construyó sobre todo con texto en inglés, así que el español se parte en más piezas incluso a igualdad de caracteres. Anthropic solo publica una referencia para el inglés, unos 3,5 caracteres por token, y avisa de que el número varía según el idioma. Para saber cuánto varía en tu caso, cuenta la misma frase en los dos idiomas con el endpoint /v1/messages/count_tokens.

¿Las tildes y la ñ cuentan como tokens extra?

No de forma automática. En UTF-8 ocupan dos bytes en lugar de uno, y lo puedes comprobar con printf '¿Por qué?' | wc -c, que devuelve 11 bytes para 9 caracteres. Que esos bytes se conviertan en tokens adicionales depende de si la secuencia está en el vocabulario del modelo. En palabras frecuentes no cambia nada. En palabras raras aparecen cortes de más, y el efecto se acumula en textos largos.

¿Cómo cuento los tokens de un prompt en español?

Con el endpoint de conteo de la API de Anthropic, POST https://api.anthropic.com/v1/messages/count_tokens, que devuelve input_tokens sin enviar el mensaje al modelo. Es gratuito y solo tiene un límite de peticiones por minuto. Pasa siempre el model que vas a usar de verdad: el resultado depende del tokenizador de ese modelo, y los modelos a partir de Claude 4.7 cuentan alrededor de un 30 % más que los anteriores para el mismo texto (documentación consultada en septiembre de 2026).

¿Me conviene traducir mis prompts al inglés para ahorrar?

Normalmente no. El ahorro en la entrada es un porcentaje bajo, y si el inglés no es tu idioma fuerte escribirás instrucciones más vagas. Cada repregunta reenvía toda la conversación anterior, así que dos aclaraciones de más cuestan bastante más de lo que habías ahorrado. Escribe en español y sé concreto. Lo que sí conviene es no traducir al español el material que ya está en inglés antes de pegarlo.