Lotook
Cada pocas semanas, un nuevo modelo encabeza una clasificación y surge la misma pregunta: ¿deberías cambiar? Mi respuesta sincera es casi siempre que depende de lo que hagas con él y que el modelo más reciente rara vez es el mejor punto de partida.
No existe un único mejor modelo de IA. Existe el modelo que mejor se adapta a tu tarea, tu presupuesto y tus limitaciones. Esta guía presenta el método que yo usaría para elegir, además de una prueba rápida que puedes hacer antes de comprometer dinero o código con un proveedor.
La situación este otoño
En el otoño de 2026, cada uno de los laboratorios más grandes presentó una nueva generación, todos con aproximadamente un mes de diferencia.
- Anthropic lanzó Claude Opus 5.5 el 22 de septiembre y Claude Sonnet 5.5 el 28 de septiembre. Según Anthropic, Opus 5.5 rinde al nivel de Claude Fable 5.1 en la mayoría de las tareas con un coste un 40% inferior al de Opus 5, y Sonnet 5.5 es más de un 30% más rápido que Sonnet 5.
- Google anunció Gemini 4 Argon el 30 de septiembre, inicialmente para un grupo de profesionales de defensa de la ciberseguridad. Después, el 13 de octubre, lo puso a disposición de desarrolladores y empresas de todo el mundo a través de su API, así como de los suscriptores de pago de la aplicación Gemini.
- OpenAI lanzó GPT-6 Astra a principios de septiembre y los modelos más pequeños GPT-6 Sol y Luna el 22 de septiembre. El 7 de octubre anunció que los nuevos modelos llegarían a los usuarios de ChatGPT con planes tanto gratuitos como de pago.
Las familias de modelos de pesos abiertos, como DeepSeek y Qwen, también lanzaron nuevas versiones durante el verano y el otoño. Para saber más sobre los cambios, consulta nuestro resumen de los lanzamientos de modelos del otoño de 2026 y nuestro análisis de los modelos de pesos abiertos de este año.
Cuando leas esto, algunos de esos nombres habrán cambiado. Las preguntas siguientes no, y por eso son un mejor punto de partida que cualquier lista de ganadores.
Empieza por la tarea, no por la clasificación
Antes de comparar modelos, anota qué necesitas que haga realmente uno de ellos. La mayoría de los usos reales se agrupan en unas pocas categorías:
- Redacción y edición: borradores, reescrituras, resúmenes y traducción.
- Análisis e investigación: lectura de documentos largos, comparación de fuentes y respuestas a preguntas sobre datos.
- Programación: escritura, explicación, revisión y corrección de código.
- Extracción y clasificación: extracción de campos de documentos, etiquetado de tickets y derivación de mensajes.
- Conversación: chat de atención al cliente, donde el tono, la seguridad y la coherencia importan más que la brillantez pura.
- Agentes: tareas de varios pasos en las que el modelo utiliza herramientas por su cuenta. Nuestro artículo sobre qué es un agente de IA explica en qué se diferencian.
Este paso parece obvio, pero es el que la mayoría se salta. Un modelo brillante para el razonamiento difícil puede ser excesivo y demasiado caro para etiquetar tickets de soporte. Un modelo pequeño y rápido, perfecto para etiquetar, puede fallar ante un contrato de 60 páginas.
Seis preguntas que determinan la elección
1. ¿Qué dificultad tiene realmente la tarea?
La mayoría de las familias de modelos tienen ahora varios niveles: un modelo insignia grande, uno mediano para el trabajo habitual y otro pequeño y rápido.
| Nivel | Adecuado para | Concesión |
|---|---|---|
| Insignia | Razonamiento complejo, código difícil, tareas largas de agentes, análisis de consecuencias importantes | Mayor coste, normalmente el más lento |
| Intermedio | La mayoría de las tareas de redacción, investigación, programación y trabajo empresarial cotidiano | A veces pasa por alto problemas sutiles o de varios pasos |
| Pequeño | Clasificación a gran escala, extracción, autocompletado, chat sencillo | Más débil en matices, documentos largos y razonamiento |
Por defecto, empiezo por el nivel intermedio y solo subo cuando puedo señalar fallos concretos que el modelo más grande realmente corrige. «Parece más inteligente» no es una razón para pagar varias veces más.
2. ¿Cuánto lo vas a usar?
Si usas una aplicación de chat, tu coste es la suscripción y esta pregunta apenas importa. Si desarrollas con una API, el coste aumenta con el uso, medido en tokens. Los tokens de salida suelen costar varias veces más que los de entrada, así que las tareas que escriben mucho cuestan más que las que leen mucho. Si envías las mismas instrucciones largas una y otra vez, busca la opción de almacenar prompts en caché. Si no necesitas respuestas inmediatas, busca precios por lotes.
Los precios también cambian, a veces según un calendario. Google lanzó Gemini 4 Argon con una tarifa introductoria de API de $2 por millón de tokens de entrada y $10 por millón de tokens de salida hasta el 30 de noviembre de 2026. Después, según Google, el precio estándar es de $4 y $20. Si preparas el presupuesto para el próximo año, usa el segundo precio.
3. ¿Qué velocidad necesitas?
Un cliente que espera en una ventana de chat nota cada segundo. En un informe que se genera durante la noche no ocurre lo mismo. La velocidad tiene dos componentes: cuánto tardan en aparecer las primeras palabras y con qué rapidez llega el resto. Los modelos insignia y los modos de «razonamiento» suelen ser notablemente más lentos y, para cualquier uso interactivo, eso importa más que unos cuantos puntos de benchmark.
4. ¿Cuánto necesita leer de una vez?
La ventana de contexto limita la cantidad de texto que el modelo puede tener en cuenta de una sola vez: tus instrucciones, la conversación y los documentos. Muchos modelos actuales aceptan entradas muy largas. Pero una ventana grande no equivale a usar de forma fiable todo lo que contiene. Si tu trabajo depende de un detalle escondido en la página 47, prueba exactamente eso.
5. ¿Adónde pueden ir tus datos?
Esta pregunta descarta opciones más rápido que cualquier otra, así que plantéala pronto.
- ¿Puede el proveedor conservar lo que envías o usarlo para entrenar modelos con el plan que utilizas realmente?
- ¿Deben permanecer tus datos en un país o región concretos?
- ¿Exigen los contratos o las normas certificaciones específicas?
- ¿Debe ejecutarse el modelo en tu propia infraestructura?
Si los datos no pueden salir de tu entorno, puede que la única opción adecuada sean los modelos de pesos abiertos que alojas tú mismo. Nuestra guía sobre cómo usar IA en el trabajo sin filtrar datos sensibles explica qué debes comprobar.
6. ¿Con qué debe conectarse?
Un modelo rara vez trabaja solo. Comprueba que admite lo que necesitas: uso de herramientas, salida estructurada, imágenes o audio, gestión de archivos y la plataforma en la nube que ya usa tu empresa. Los modelos grandes ya están disponibles a través de varias nubes, pero las funciones no siempre llegan a todos los lugares el mismo día.
¿Pesos abiertos o modelo cerrado?
Los modelos cerrados se usan a través de la aplicación o API de un proveedor. Los modelos de pesos abiertos publican sus pesos para que puedas descargarlos y ejecutarlos tú mismo.
Los modelos cerrados suelen ir por delante en las tareas más difíciles y no requieren que aportes infraestructura. Cambias control por comodidad.
Los modelos de pesos abiertos te dan control sobre tus datos, costes previsibles a gran escala y margen para personalizarlos. A cambio, tú te encargas del alojamiento, las actualizaciones y las medidas de seguridad. Lee también la licencia. «Abierto» abarca desde condiciones muy permisivas hasta otras bastante restrictivas.
Para muchos equipos, la respuesta realista es usar ambos: un modelo cerrado para tareas difíciles de menor volumen y uno de pesos abiertos para tareas de gran volumen, sensibles o en las que el coste sea decisivo.
Usa los benchmarks para seleccionar candidatos, no como veredicto
Los benchmarks sirven para reducir el número de candidatos, con algunas salvedades.
Las puntuaciones publicadas por el creador de un modelo son elegidas por ese mismo creador. Trátalas como afirmaciones hasta que otra persona las reproduzca, igual que comprobarías cualquier respuesta de IA antes de confiar en ella.
Los comparadores independientes ayudan. Artificial Analysis mide inteligencia, velocidad y precio entre distintos modelos y proveedores. Arena, antes LMArena, clasifica los modelos según los votos de las personas en comparaciones directas a ciegas. Vale la pena consultar ambos. Ninguno sabe nada de tu tarea.
Además, los benchmarks populares pierden capacidad de discriminación. Cuando todos los modelos punteros obtienen puntuaciones en la parte alta de los 90 en una prueba, las diferencias dejan de decirte mucho.
El benchmark más fiable es tu propio trabajo.
Haz tu propia prueba de 30 minutos
No necesitas un equipo de evaluación para tomar una buena decisión. Necesitas ejemplos reales y una comparación justa.
- Reúne de 10 a 20 ejemplos reales de la tarea, incluidos algunos complicados o difíciles. Elimina primero cualquier información confidencial.
- Anota cómo sería una buena respuesta para cada ejemplo antes de ver los resultados. Basta una lista breve: datos correctos, formato adecuado, longitud razonable y nada inventado.
- Prueba dos o tres modelos candidatos con los mismos ejemplos y las mismas instrucciones.
- Compara a ciegas si puedes. Pega los resultados en un documento sin los nombres de los modelos y puntúalos según tu lista. Te sorprenderá cuánto influyen las marcas en tu juicio.
- Anota el coste y el tiempo de cada ejecución.
- Lee los fallos, no solo los promedios. Una respuesta incorrecta expresada con seguridad en un contexto sensible puede importar más que una puntuación general ligeramente mejor.
Si dos modelos empatan, elige el más barato o el más rápido. Si el modelo caro solo gana en los casos más difíciles, envíale únicamente esos casos.
Si solo buscas un punto de partida
- Para uso personal: utiliza el modelo predeterminado del asistente por el que ya pagas. Cambia a su modelo insignia o a su modo de «razonamiento» para problemas realmente difíciles y consulta a un segundo proveedor cuando haya algo importante en juego. El desacuerdo entre dos buenos modelos es una señal útil.
- Para un equipo pequeño: establece un modelo intermedio como estándar mediante un plan empresarial aprobado y deriva los casos difíciles a un modelo insignia.
- Para desarrolladores: usa un modelo pequeño para clasificación y extracción a gran escala, uno intermedio para la mayor parte de la generación y uno insignia solo cuando tus propias pruebas demuestren que compensa su coste.
Planea volver a elegir
Los modelos mejoran y se abaratan rápidamente, así que considera esta decisión como algo con fecha de caducidad. En producción, fija una versión concreta del modelo para que su comportamiento no cambie sin que te des cuenta. Conserva tu conjunto de pruebas, ejecútalo de nuevo cuando salga una versión nueva y cambia solo cuando el nuevo modelo gane con tus propios ejemplos. Yo pondría un recordatorio en el calendario para hacerlo una vez por trimestre.
Fuentes
- Anthropic, Introducing Claude Opus 5.5, 22 de septiembre de 2026, y Introducing Claude Sonnet 5.5, 28 de septiembre de 2026
- Google, Gemini 4 Argon: our next era of frontier intelligence, 30 de septiembre de 2026, y Gemini 4 Argon: Built to solve your hardest problems, 13 de octubre de 2026
- Google Cloud, Gemini 4 Argon available on Google Cloud, 13 de octubre de 2026
- TechCrunch, OpenAI launches GPT-6 Sol and Luna, 22 de septiembre de 2026
- OpenAI, GPT-6 Sol and GPT-6 Luna: October 2026 update, 7 de octubre de 2026
- Artificial Analysis y Arena
