Cada vez que un agente de inteligencia artificial necesita buscar información en internet, se enfrenta a un dilema silencioso: consumir una cantidad desproporcionada de tokens para obtener unos pocos datos útiles. Un reciente análisis publicado en ML Mastery desglosó, campo por campo, lo que ocurre con una búsqueda típica: 24.723 tokens. La cifra, lejos de ser anecdótica, evidencia un problema estructural en la forma en que las máquinas interactúan con la web diseñada para humanos.
¿Qué hay dentro de esos 24.723 tokens? En primer lugar, no son solo los resultados orgánicos. El desglose muestra que una parte significativa corresponde a la estructura completa de la página de resultados del buscador: la barra de navegación, el pie de página, los enlaces de sitios relacionados, los breadcrumbs, los botones de paginación y, sobre todo, el código HTML y CSS incrustado que el agente debe procesar aunque no aporte información semántica relevante. A esto se suman los snippets, las preguntas frecuentes, los paneles de conocimiento y, por supuesto, los anuncios patrocinados, que suelen ocupar un espacio considerable y que el agente no puede ignorar fácilmente sin arriesgarse a perder contexto.
El problema no es menor. Los agentes de IA, como los que se construyen sobre GPT-4 o modelos similares, tienen una ventana de contexto limitada. Si una sola consulta de búsqueda consume 24.000 tokens, el agente solo podrá procesar un puñado de estas búsquedas antes de quedarse sin espacio para el razonamiento, la memoria o la generación de la respuesta final. Esto se traduce en mayor costo económico, mayor latencia y, en muchos casos, en respuestas más pobres porque el modelo se ve obligado a resumir o descartar información relevante.
El análisis también revela un desajuste fundamental: las páginas de resultados están diseñadas para el consumo humano, con jerarquías visuales, elementos interactivos y una densidad de información que nosotros podemos filtrar en segundos. Pero un modelo de lenguaje no “ve” una página como la vemos nosotros; la convierte en tokens de texto plano, perdiendo las señales visuales que nos indican qué es un anuncio, qué es un resultado orgánico o qué es un enlace de navegación. Así, el agente gasta tokens en un mar de ruido para extraer una gota de señal.
¿Por qué debería importarnos? Porque la tendencia es que cada vez más aplicaciones de IA dependan de búsquedas en vivo para responder preguntas actualizadas, verificar hechos o ejecutar tareas de investigación. Si cada búsqueda cuesta una fracción de un centavo en tokens, multiplicado por millones de consultas diarias, el impacto económico es enorme. Y lo que es peor: si no se optimiza esta interacción, los agentes seguirán siendo lentos y caros, limitando su adopción en sectores donde el margen es estrecho.
La solución no pasa por abandonar las búsquedas, sino por repensar cómo se estructuran para las máquinas. Algunas alternativas ya están en marcha: las APIs de búsqueda personalizadas que devuelven solo campos limpios (título, URL, snippet), el uso de marcado semántico como Schema.org para que los agentes extraigan datos estructurados sin necesidad de parsear todo el HTML, o el enfoque de “leer menos, entender mejor”, donde el agente hace varias búsquedas específicas en lugar de una sola búsqueda amplia. También está la opción de intermediarios que pre-procesan las páginas y extraen el contenido relevante antes de pasárselo al modelo, reduciendo drásticamente el recuento de tokens.
El caso de los 24.723 tokens es un recordatorio incómodo de que la web no está preparada para la era de los agentes autónomos. Pero también es una oportunidad: quienes construyan las herramientas y los estándares que reduzcan esta fricción dominarán la próxima ola de aplicaciones de IA. Para los desarrolladores, la lección es clara: optimizar el consumo de tokens no es un lujo, es una necesidad competitiva. Para el resto de nosotros, la próxima vez que veamos a un agente de IA “pensar” durante varios segundos, recordemos que detrás de esa pausa hay una factura de tokens que alguien está pagando.
