guía
Un prompt medio en castellano lleva entre un 30 % y un 50 % de texto que no cambia la respuesta del modelo: cortesías, muletillas, perífrasis administrativas y repeticiones. Esta guía explica qué es exactamente ese texto, cómo identificarlo y dónde está el límite a partir del cual recortar deja de ahorrar y empieza a romper.
Los ejemplos y las cifras salen del motor de Prampt: 226 sustituciones verificadas, 137 en castellano y 89 en inglés.
Un modelo de lenguaje no lee letras ni palabras: lee tokens, fragmentos de texto de unos cuatro caracteres de media en español. «Optimizador» son varios tokens; «de» es uno solo. Todo lo que le envías se convierte en esa unidad antes de que el modelo empiece a pensar.
Eso importa por dos motivos distintos, y conviene no confundirlos. Si pagas por API, cada token de entrada se factura en todas y cada una de las llamadas: un prompt de sistema inflado multiplica su desperdicio por el volumen de tu producto. Si usas un plan gratuito, no pagas nada, pero cada token consume ventana de contexto y acerca el momento en que la conversación se corta o el modelo empieza a olvidar el principio.
En los dos casos el token es presupuesto. Se paga en euros o se paga en espacio.
Es el error más común al recortar a mano. Sustituir «ya que» por «porque» no ahorra ni un carácter —las dos tienen seis— y sin embargo sí ahorra un token: «ya que» son dos palabras y «porque» una sola. Al revés también pasa: acortar una palabra larga puede no cambiar nada si el tokenizador ya la partía por ahí.
Por eso una cuenta de caracteres es una aproximación y no una medida. La única cifra fiable es la que da el propio tokenizador del modelo que vas a usar, y varía entre proveedores: el mismo texto no cuesta lo mismo en tokens según a quién se lo mandes.
No todo el texto de sobra sobra igual. Estas seis categorías van de menos a más invasivas: las dos primeras se pueden quitar sin mirar, y las últimas conviene revisarlas antes de enviar el resultado.
Un modelo de lenguaje no se ofende. «Por favor», «muchas gracias» o «si no es molestia» no cambian su respuesta en absoluto, pero ocupan sitio en cada llamada. Es la categoría más fácil de quitar y la que menos riesgo tiene: no toca la instrucción.
Expresiones que rellenan sin aportar: «básicamente», «en realidad», «como puedes ver». Son restos del habla que se cuelan al escribir y que el modelo procesa igual que cualquier otra palabra.
Aquí está el grueso del ahorro. El castellano administrativo alarga conectores hasta el absurdo, y cada uno tiene un equivalente corto que dice exactamente lo mismo.
«Quiero que me analices», «necesito que escribas». El modelo ya sabe que le estás pidiendo algo: el verbo en imperativo basta. Es más invasivo que una cortesía porque cambia la forma verbal, así que conviene revisar el resultado.
«Quiero que actúes como un experto en marketing con mucha experiencia» se compacta a «Rol: experto en marketing». La instrucción sobrevive entera; lo que desaparece es la escenificación.
«Muy», «realmente», «absolutamente», «totalmente». No añaden información: un resumen «absolutamente completo» y uno «completo» son el mismo resumen. Van en nivel agresivo porque hay contextos donde el énfasis sí importa.
Recortar un prompt tiene un límite claro, y cruzarlo no ahorra dinero: rompe la llamada. Hay cuatro clases de contenido que deben salir intactas de cualquier optimización, porque su valor está en ser exactamente lo que son:
A mano funciona una vez. Si tienes un prompt de sistema fijo, lo repasas, lo acortas y lo dejas escrito: no necesitas ninguna herramienta para eso, y de hecho es lo que recomendamos.
El problema aparece cuando el texto cambia en cada llamada —lo que escribe el usuario, los documentos que recuperas de una base, el historial que arrastras—. Ahí no puedes anticipar qué va a llegar, así que la única opción es aplicar las reglas en el momento.
Y hay un tercer caso: cuando somos varios. Una persona acorta a su manera y otra a la suya, y a los tres meses cada prompt del equipo tiene un estilo distinto. Un diccionario compartido convierte el criterio en algo que no depende de quién escriba.
La forma evidente de acortar un prompt es pedírselo a un modelo. Y es una mala idea salvo en un caso concreto.
Gastar tokens de un modelo para ahorrar tokens de un modelo solo compensa si el resultado se reutiliza muchísimo. Comprimir un prompt con una llamada de API cuesta más que lo que ahorra esa misma llamada: solo sale a cuenta si el texto comprimido se va a enviar cientos de veces después. Para todo lo demás, la cuenta sale en negativo.
Un motor de reglas no tiene ese problema. No cuesta nada por ejecutarse, responde en el mismo instante, y —lo que más importa cuando el resultado va a producción— es determinista: las mismas entradas dan la misma salida siempre. Un modelo te da una versión distinta cada vez, y eso convierte cualquier prueba en algo que no se puede reproducir.
El optimizador aplica estas 226 reglas mientras escribes, con un diff palabra a palabra para que veas exactamente qué se quita. Es ilimitado y no pide tarjeta.
Sigue leyendo: planes y preguntas frecuentes · qué se guarda y qué no