«ghbdtn» en lugar de «привет» sale a un LLM de 4 a 7 veces más caro: 350–500 tokens frente a 70–90
Si escribes «ghbdtn» en lugar de «привет» (hola), la red neuronal no entiende de inmediato que es texto ruso tecleado con la distribución de teclado inglesa y gasta tokens en descifrarlo. El autor de la utilidad Zyabra lo midió: la frase limpia ocupa 70–90 tokens, y con el error y contexto ruso en el chat son 350–500, es decir, de 4 a 7 veces más. Sin contexto, el modelo llegó a gastar 2298 tokens y 145 segundos y aun así no descifró la frase. Por eso conviene corregir la distribución del teclado antes de enviar.
Procesado por IA desde Habr AI; editado por Hamidun News
Cualquiera que escriba mucho ha enviado alguna vez «ghbdtn» en lugar de «привет» (hola): los dedos estaban en la distribución inglesa y la cabeza en ruso. En un mensajero normal es una torpeza menor. Con un modelo de lenguaje se suma una cuestión de dinero y tiempo: la red neuronal intenta entender qué querías decir y gasta tokens en ello (unidades de texto por las que se paga y de las que depende la velocidad de respuesta).
El autor de la utilidad Zyabra (un conmutador local de distribución de teclado que borra por sí solo lo tecleado por error y lo reescribe correctamente) decidió calcular cuánto cuesta exactamente. El resultado: un mensaje limpio cuesta 70–90 tokens y 5–7 segundos, mientras que un error de distribución accidental con contexto ruso en el chat cuesta 350–500 tokens y 25–30 segundos, es decir, de 4 a 7 veces más.
Primera prueba: cifras que inquietan
El experimento es sencillo. El autor tomó frases cortas que realmente podría enviar por accidente con la distribución equivocada y, para cada una, mandó a un modelo local dos variantes: la normal y la «rota». Sin prompt de sistema, sin historial de chat, un solo mensaje. El modelo es un Qwen3.8-Flash-Next local sobre Strata, como lo llama el autor.
Los resultados difirieron mucho:
- «Умничка)» (¡qué lista!): 70 tokens y 5,4 segundos; con la distribución equivocada («Evybxrf)»), 2356 tokens y 148 segundos, y el modelo no llegó a descifrar la frase;
- «Спасибо, то что нужно!» (¡Gracias, justo lo que necesitaba!): 84 tokens y 7,5 segundos frente a 440 tokens y 30 segundos, descifrada correctamente;
- «Погнали» (Vamos): 66 tokens y 6,2 segundos frente a 336 tokens y 24 segundos, también correcta.
Con «Evybxrf)» el modelo se puso a probar ROT13 y el cifrado César, tardó casi dos minutos y medio y al final preguntó qué se quería decir. Parecía un argumento contundente a favor de la utilidad: un ahorro de decenas de veces.
Un momento: en un chat real el mensaje rara vez es el primero
El propio autor detectó el punto débil de la prueba. En la vida real, antes del error casi siempre hay una conversación en ruso, mientras que en la medición el modelo resolvía el acertijo desde cero. Repitió la comprobación con la misma frase en tres variantes:
- sin contexto: 2298 tokens, 145 segundos, no la descifró;
- con el prompt de sistema «hablamos en ruso»: 495 tokens, 32 segundos, la descifró, aunque con una pequeña imprecisión («умничк)»);
- con una réplica rusa previa en el historial: 344 tokens, 23 segundos, la descifró con exactitud.
El contexto hace la respuesta de 6 a 7 veces más barata y rápida. Una réplica real funcionó incluso mejor que una instrucción explícita: el modelo tiene algo a lo que agarrarse y entiende antes que tiene delante texto ruso escrito en alfabeto latino, y no un cifrado.
Balance honesto y qué se deduce de él
El coste realista de un error accidental no son más de 2000 tokens y dos minutos y medio, sino unos 350–500 tokens y 25–30 segundos cuando el chat ya tiene contexto ruso. Sigue siendo de 4 a 7 veces más caro que un mensaje limpio. Si en una tarde se acumulan dos decenas de fallos así, salen varios miles de tokens de más y un par de minutos de espera. A eso se suma el riesgo de que el modelo no lo consiga y simplemente vuelva a preguntar.
Para quienes pagan por API las cifras serán otras, pero la lógica es la misma: los tokens no se van en tu pregunta, sino en el descifrado. Hay dos conclusiones prácticas. La primera: si construyes un chatbot o un asistente para usuarios rusohablantes, mantén contexto en ruso en el prompt o en el historial; reduce de forma notable el coste de un error de tecleo. La segunda: es mejor corregir la distribución antes de enviar que confiar en que el modelo se las arregle.
También hay limitaciones. Son mediciones de una sola persona, con un único modelo local y unas pocas frases, no un benchmark amplio. Otros modelos pueden manejar mejor o peor la distribución «torcida», y el tiempo de respuesta en servicios en la nube depende además de la carga. El propio autor describe el resultado como «no inflado», no como universal.
La propia Zyabra es gratuita, funciona en Windows, Linux y macOS, y el código y los binarios están en github.com/DmNep/zyabra. El autor subraya que es completamente local: no escribe lo tecleado en el disco, no lleva registro de pulsaciones, no toca el portapapeles y no abre la red. En memoria solo guarda la palabra actual sin terminar y la última sustitución. Para un programa que ve cada pulsación de tecla, es un detalle importante.
- 28 oct 2026Memoria de un agente de IA: SQL y SPARQL responden correctamente en el 98% de los casos, pero SPARQL cuesta entre un 7 y un 145% más
- 20 nov 2026Torneo de agentes en Cisco: 1200 ingenieros, y ganó quien escribió 1220 tokens en lugar de 1430
- 21 nov 2026AWS muestra que un modelo con un token dos veces más caro sale un 65% más barato por tarea
- 18 nov 2026Alibaba abarata Qwen4-Max un 67% por tarea, pero GPT-6.1 Sol sale más barato: $3,27 frente a $1,27
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Primera prueba: cifras que inquietan?
El experimento es sencillo. El autor tomó frases cortas que realmente podría enviar por accidente con la distribución equivocada y, para cada una, mandó a un modelo local dos variantes: la normal y la «rota». Sin prompt de sistema, sin historial de chat, un solo mensaje. El modelo es un Qwen3.8-Flash-Next local sobre Strata, como lo llama el autor.
¿Qué se sabe sobre Un momento: en un chat real el mensaje rara vez es el primero?
El propio autor detectó el punto débil de la prueba. En la vida real, antes del error casi siempre hay una conversación en ruso, mientras que en la medición el modelo resolvía el acertijo desde cero. Repitió la comprobación con la misma frase en tres variantes: sin contexto: 2298 tokens, 145 segundos, no la descifró; con el prompt de sistema «hablamos en ruso»: 495 tokens, 32 segundos, la descifró, aunque con una pequeña imprecisión («умничк)»); con una réplica rusa previa en el historial: 344…
¿Qué se sabe sobre Balance honesto y qué se deduce de él?
El coste realista de un error accidental no son más de 2000 tokens y dos minutos y medio, sino unos 350–500 tokens y 25–30 segundos cuando el chat ya tiene contexto ruso. Sigue siendo de 4 a 7 veces más caro que un mensaje limpio. Si en una tarde se acumulan dos decenas de fallos así, salen varios miles de tokens de más y un par de minutos de espera. A eso se suma el riesgo de que el modelo no lo consiga y simplemente vuelva a preguntar.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.