El mercado de modelos de lenguaje de gran escala ha adoptado una narrativa que merece ser cuestionada con más rigor del que recibe: la idea de que una ventana de contexto más grande equivale, de forma directa, a mayor inteligencia, mayor utilidad, mayor valor. La carrera por los millones de tokens se presenta como progreso lineal. Más es mejor. Siempre.
Esta narrativa tiene un nombre: la Falacia del Token Abundante. Y sus consecuencias —para quienes construyen con estos sistemas y para quienes los evalúan— son más profundas de lo que la industria tiene incentivos para admitir.
La Paradoja de Jevons aplicada a los LLMs
En 1865, el economista William Stanley Jevons observó algo contraintuitivo en la industria del carbón: a medida que las máquinas de vapor se volvían más eficientes, el consumo total de carbón aumentaba, no disminuía. La eficiencia no reducía la demanda; la expandía, porque hacía el recurso más accesible y generaba nuevos usos que antes no existían.
La Paradoja de Jevons opera hoy en el mercado de tokens. A medida que el costo por token disminuye y los contextos se expanden, el consumo total no se optimiza: se infla. Los sistemas se diseñan para usar más tokens porque pueden. Los prompts se vuelven más largos porque la restricción desapareció. El resultado no es más eficiencia cognitiva; es más ruido a menor costo unitario.
El problema no es técnico. Es de incentivos. Los proveedores de LLMs facturan por token. Su modelo de negocio se beneficia directamente de la expansión del consumo. Llamar a esto "progreso" es confundir el crecimiento del mercado con el crecimiento del valor.
Shannon y el ruido que se llama contexto
Claude Shannon formalizó en 1948 la teoría matemática de la comunicación. Su contribución central es deceptivamente simple: la información no es la cantidad de datos transmitidos, sino la cantidad de sorpresa —la reducción de incertidumbre— que esos datos producen en el receptor.
Un mensaje que repite lo que el receptor ya sabe tiene alta entropía aparente y baja información real. Un contexto de un millón de tokens lleno de redundancia, relleno y señales débiles no es un millón de tokens de información. Es, en términos shannonianos, un canal con alta tasa de transmisión y baja densidad de señal.
El modelo que procesa ese contexto no se vuelve más inteligente por tenerlo disponible. Se vuelve más lento, más costoso, y potencialmente más distraído —los fenómenos de "lost in the middle" documentados en la literatura técnica muestran que los modelos degradan su rendimiento en tareas de recuperación cuando el contexto relevante está enterrado en contexto irrelevante.
Más contexto no es más señal. Con frecuencia es más ruido con mejor empaquetado.
El Efecto de Densidad Semántica
El concepto de Densidad de Valor por Token (DVT) propone una métrica alternativa a la ventana de contexto como indicador de calidad en sistemas de lenguaje.
DVT mide la relación entre el valor generado por una interacción con un LLM y el costo en tokens de esa interacción. Un sistema con alta DVT produce resultados de alto valor con consumo eficiente. Un sistema con baja DVT requiere contextos masivos para producir resultados mediocres.
El Efecto de Densidad Semántica describe lo que ocurre cuando se optimiza para DVT en lugar de para volumen: las instrucciones se vuelven más precisas, los contratos entre capas del sistema se vuelven más rigurosos, y el resultado final mejora no porque haya más información disponible sino porque la información disponible está mejor estructurada.
Este no es un argumento contra los contextos largos cuando son necesarios. Es un argumento contra la confusión entre capacidad y uso óptimo. Un modelo que puede procesar un millón de tokens no necesita un millón de tokens para resolver la mayoría de los problemas. Y diseñar sistemas que asuman lo contrario no es sofisticación; es pereza arquitectónica subsidiada por hardware barato.
Las consecuencias para quien construye
Para los equipos que construyen sistemas sobre LLMs, la Falacia del Token Abundante tiene consecuencias prácticas y costosas.
El primer costo es económico: los sistemas diseñados sin economía de tokens escalan de forma no lineal. Lo que funciona en prototipo se vuelve prohibitivo en producción. El costo por llamada que parece trivial en desarrollo se multiplica por millones de interacciones en producción.
El segundo costo es de calidad: los sistemas con contextos mal gestionados son más difíciles de depurar, más propensos a inconsistencias, y más difíciles de auditar. La arquitectura que no respeta la densidad semántica produce sistemas que nadie puede mantener con confianza.
El tercer costo es estratégico: depender de ventanas de contexto cada vez más grandes como sustituto del diseño arquitectónico riguroso es una deuda técnica que el mercado eventualmente cobrará.
Una métrica diferente
La pregunta que DVT propone no es ¿cuántos tokens puede procesar este modelo? sino ¿cuánto valor produce este sistema por token consumido?
Esta pregunta cambia lo que se optimiza. Cambia cómo se diseñan los prompts, cómo se estructuran los contratos entre agentes, cómo se evalúa la calidad de una arquitectura. Orienta la atención hacia la precisión, la estructura y la coherencia en lugar de hacia la acumulación.
No es una métrica que el mercado de LLMs tiene incentivos para adoptar. Precisamente por eso es necesaria.
La abundancia de tokens es real. El valor de esa abundancia no es proporcional a su tamaño. Esa distinción, pequeña en apariencia, es la diferencia entre sistemas que escalan con inteligencia y sistemas que escalan con presupuesto.
Dominio público. Este texto es de voz colectiva — libre para usar, reproducir y transformar sin restricción. Atribución a Coodzavui si se desea, pero sin obligación.