No existe un mejor modelo de IA en términos absolutos: la elección correcta depende de tu tarea, tu presupuesto y la sensibilidad de tus datos. En noviembre de 2026, los tres grandes editores ofrecen cada uno una gama escalonada (un modelo puntero, un modelo intermedio, un modelo económico), y la diferencia de precio entre estos niveles suele superar un factor de diez. El método más fiable sigue siendo preseleccionar dos o tres modelos según criterios objetivos y luego probarlos con tus propios ejemplos.
Esta guía sirve de mapa del tema. Explica qué es un gran modelo de lenguaje, qué criterios comparar, cómo leer los precios y las clasificaciones, y cuándo preferir un modelo propietario, abierto o instalado localmente. Termina con un protocolo de prueba y una tabla de decisión. Todos los datos de precio y gama se han verificado en las páginas oficiales de los editores en noviembre de 2026; evolucionan rápido, compruébalos antes de cualquier decisión comprometedora.
La respuesta corta: ¿qué familias de modelos comparar en noviembre de 2026?
El mercado de modelos generalistas se estructura en torno a unas pocas familias. Cada una despliega varios niveles de potencia, y a menudo es el nivel, más que la marca, lo que determina la relación calidad-precio. La tabla siguiente resume las gamas anunciadas por los editores, con sus tarifas de API por un millón de tokens de entrada y salida.
| Editor | Modelo puntero | Modelo intermedio | Modelo económico | Ventana de contexto |
|---|---|---|---|---|
| Anthropic | Claude Fable 5.2 (8 $ / 40 $); Claude Opus 5.5 (4 $ / 20 $) | Claude Sonnet 5.5 (2 $ / 10 $) | Claude Haiku 5.5 (a partir de 0,10 $ / 0,50 $) | 1 millón de tokens |
| OpenAI | GPT-6 Astra (10 $ / 50 $) | GPT-6.1 Sol (2 $ / 10 $); GPT-6.1 Terra (1 $ / 5 $) | GPT-6 Luna (0,10 $ / 0,50 $) | 1,05 millones de tokens |
| Gemini 4 Carbon y Gemini 4 Argon (2 $ / 10 $ hasta el 30 de noviembre de 2026, luego 4 $ / 20 $) | Gemini 4 Hydrogen (1,50 $ / 7,50 $) | Gemini 3.5 Flash-Lite (0,30 $ / 2,50 $) | 1 millón de tokens (Gemini 4) | |
| Mistral AI | Mistral Large 4 (pesos abiertos) | Mistral Small 4 (Apache 2.0) | Ministral 3 (3B, 8B, 14B, Apache 2.0) | No especificada en la página consultada |
Fuentes »: « visión general de los modelos Claude« , catálogo de modelos OpenAI, tarifas de la API Gemini y catálogo Mistral AI, consultados el 14 de noviembre de 2026. Los niveles «puntero», «intermedio» y «económico» son nuestra interpretación de los posicionamientos anunciados, no una clasificación de los editores.
Algunas referencias oficiales ayudan a empezar. Anthropic recomienda comenzar con Claude Opus 5.5 para la mayoría de los usos y reservar Claude Fable 5.2 para el razonamiento exigente y las tareas agentísticas largas. OpenAI presenta GPT-6 Astra como su modelo estrella para el razonamiento complejo y el código, y GPT-6 Luna para las tareas específicas de alto volumen. Google describe Gemini 4 Carbon como su modelo más potente, aunque indica que Gemini 4 Argon sigue siendo más adecuado para la mayoría de los trabajos de desarrollo y ofimática avanzada, ya que Carbon consume más tokens para explorar y verificar. Para alinear estos modelos lado a lado, el comparador interactivo de modelos del sitio muestra precio, contexto y capacidades de dos a cuatro modelos en una misma tabla, con datos actualizados diariamente.
Si tu pregunta se refiere únicamente a los asistentes de consumo, nuestra comparativa ChatGPT vs Claude vs Gemini detalla las ofertas, las integraciones y las pruebas de las tres aplicaciones. Esta guía cubre el conjunto de modelos y el método de elección.
¿Cómo funcionan los grandes modelos de lenguaje?
Un gran modelo de lenguaje (LLM, por large language model) es una red neuronal entrenada para predecir la continuación de un texto. El texto se divide en tokens, fragmentos de palabras o caracteres, y el modelo calcula en cada paso el token más probable teniendo en cuenta todo lo anterior. Esta mecánica simple, aplicada a miles de millones de parámetros y a inmensos corpus, produce capacidades de redacción, traducción, razonamiento y programación.
Las nociones que hay que conocer antes de comparar
Cuatro nociones reaparecen en todas las fichas técnicas. La ventana de contexto es la cantidad de texto que el modelo puede tener en cuenta de una vez, incluidas instrucciones, documentos e historial; Anthropic indica que un millón de tokens corresponde a aproximadamente 555 000 palabras con la segmentación utilizada por sus modelos actuales. La salida máxima limita la longitud de una respuesta: 128 000 tokens para los modelos Claude y OpenAI listados arriba. El razonamiento (o thinking) designa los tokens que el modelo genera para reflexionar antes de responder; la mayoría de los modelos recientes permiten ajustar su intensidad mediante un nivel de esfuerzo, de «low» a «max». Por último, la llamada a herramientas permite al modelo desencadenar una búsqueda web, una ejecución de código o una función de tu aplicación. Para profundizar, lee nuestro artículo «IA multimodal: modelos capaces de entender texto, imagen, audio y vídeo».
Un modelo pasa por dos grandes fases. El preentrenamiento le enseña el idioma y una amplia cultura general a partir de textos. El postentrenamiento lo ajusta después para seguir instrucciones, rechazar ciertas peticiones y razonar por pasos, a menudo mediante aprendizaje por refuerzo. Es esta segunda fase la que explica por qué dos modelos de tamaño comparable se comportan de manera muy diferente ante la misma instrucción.
También hay que distinguir el modelo del producto. ChatGPT, Claude o la aplicación Gemini son interfaces que añaden memoria, búsqueda web, conectores y límites de uso alrededor de uno o varios modelos. Comparar «ChatGPT y Claude» equivale a comparar productos; comparar «GPT-6.1 Sol y Claude Sonnet 5.5» a través de la API equivale a comparar modelos. Cuando el modelo actúa solo en varios pasos, con herramientas, se habla de agente: nuestra guía completa de agentes IA explica lo que esto cambia para la elección del modelo.
¿Qué criterios comparar antes de elegir un modelo?
Una comparativa útil comienza con una lista de criterios fijada antes de mirar los resultados. Si no, se acaba justificando el modelo ya preferido. Esta es la cuadrícula que recomendamos, del criterio más discriminante al más secundario para un uso profesional.
- Calidad en tu tarea: exactitud, respeto del formato solicitado, pertinencia. Es el único criterio que importa realmente, y ninguna clasificación pública lo mide por ti.
- Fiabilidad: tasa de errores fácticos, estabilidad de las respuestas de un ensayo a otro, capacidad de decir «no lo sé».
- Coste total: precio por token, pero también número de tokens consumidos, incluidos los del razonamiento, y número de ensayos necesarios para obtener un resultado utilizable.
- Latencia: tiempo antes de la primera palabra y duración total, decisivos para un servicio al cliente o una interfaz interactiva.
- Contexto y formatos: volumen de documentos a procesar, lectura de imágenes, PDF, audio o vídeo.
- Herramientas e integraciones: llamada a funciones, salidas estructuradas en JSON, conectores hacia tus programas.
- Datos y conformidad: uso de tus contenidos para el entrenamiento, duración de conservación, lugar de alojamiento, contrato.
- Licencia y dependencia: posibilidad de descargar los pesos, cambiar de proveedor, hacer funcionar el modelo en tus instalaciones.
Un ejemplo cifrado: el coste de un mismo trabajo según el modelo
Tomemos una carga de trabajo típica: un millón de tokens enviados al modelo y 200 000 tokens generados, lo que corresponde por ejemplo a unos cientos de resúmenes de documentos. Con las tarifas públicas registradas en noviembre de 2026, el cálculo da diferencias considerables.
| Modelo | Entrada (1 M tokens) | Salida (200 000 tokens) | Total |
|---|---|---|---|
| GPT-6 Astra | 10 $ | 10 $ | 20 $ |
| Claude Fable 5.2 | 8 $ | 8 $ | 16 $ |
| Claude Opus 5.5 | 4 $ | 4 $ | 8 $ |
| Gemini 4 Argon (tarifa a partir del 1 de diciembre de 2026) | 4 $ | 4 $ | 8 $ |
| GPT-6.1 Sol o Claude Sonnet 5.5 | 2 $ | 2 $ | 4 $ |
| Gemini 4 Hydrogen | 1,50 $ | 1,50 $ | 3 $ |
| GPT-6 Luna | 0,10 $ | 0,10 $ | 0,20 $ |
Este cálculo tiene dos límites importantes. Primero, cada editor segmenta el texto a su manera: el mismo documento no produce el mismo número de tokens en Anthropic, OpenAI o Google. Luego, los tokens de razonamiento se facturan como tokens de salida, y un modelo ajustado a un esfuerzo alto puede generar muchos más que la respuesta visible. El precio por token es solo un punto de partida; solo una prueba con tus datos da el coste real por tarea exitosa. Para un proyecto de agente, el calculador de coste de un agente IA ayuda a integrar el número de pasos y llamadas.
¿Qué LLM priorizar para redactar, programar y razonar?
Los editores reclaman todos la excelencia en los mismos terrenos, lo que hace que sus anuncios sean poco discriminantes. Es más útil distinguir tres niveles de prueba: lo que afirma el editor, lo que miden evaluaciones independientes y lo que tú observas en tus propios casos. La tabla siguiente separa los dos primeros niveles para los principales usos.
| Uso | Posicionamiento anunciado por los editores | Lo que dicen las mediciones independientes | Punto de atención |
|---|---|---|---|
| Código y agentes de desarrollo | Anthropic posiciona Claude Opus 5.5 en el código agentístico de larga duración; OpenAI presenta GPT-6 Astra como su modelo estrella para el código; Google apunta Gemini 4 Carbon al código complejo en varios pasos. | Las puntuaciones publicadas por los editores se cruzan: en algunas pruebas Anthropic supera a OpenAI, en otras ocurre lo contrario, según los propios cuadros de Anthropic. | La herramienta (IDE, agente en línea de comandos) pesa tanto como el modelo. |
| Redacción y síntesis | OpenAI destaca una escritura natural para GPT-6.1 Terra; los demás editores hablan de trabajo de conocimiento en sentido amplio. | En la clasificación de alucinaciones de Vectara (resúmenes de documentos), los modelos más potentes no son los más fieles. | La fidelidad al texto fuente se prueba, no se deduce del tamaño del modelo. |
| Razonamiento y análisis | Anthropic orienta Claude Fable 5.2 hacia el razonamiento exigente; Google presenta Carbon como adecuado para la investigación científica abierta. | En Humanity’s Last Exam con herramientas, Anthropic publica un 67,7 % para Claude Opus 5.5 frente a un 57,2 % para GPT-6 Astra: una cifra del editor, medida en sus propias condiciones. | Un esfuerzo de razonamiento alto multiplica el coste y la latencia. |
| Tareas de alto volumen (clasificación, extracción, enrutamiento) | Anthropic destina Claude Haiku 5.5 a la clasificación y extracción; OpenAI destina GPT-6 Luna a tareas específicas de alto volumen. | Los benchmarks más citados se centran en tareas difíciles y aportan poca información sobre estos usos. | Un modelo pequeño bien dirigido suele bastar; pruébalo antes de pagar por un modelo grande. |
Redacción y síntesis de documentos
Para redactar, dos cualidades se miden por separado: la fidelidad a las fuentes y la calidad del estilo. La clasificación de alucinaciones de Vectara, actualizada el 22 de octubre de 2026, hace resumir más de 7 700 artículos a cada modelo y mide la proporción de resúmenes que contienen información ausente del texto original. Registra un 6,5 % para GPT-6 Sol, un 8,7 % para GPT-6 Astra, un 9,9 % para Claude Opus 5.5 y un 12,1 % para Gemini 4 Argon, mientras que varios modelos pequeños lo hacen mejor. Esta prueba solo cubre resúmenes cortos evaluados por un modelo juez desarrollado por Vectara; no dice nada del estilo. Nuestro dossier sobre los mejores modelos IA para redactar y resumir documentos propone una cuadrícula completa, y la cuestión de las alucinaciones de los LLM es objeto de un artículo dedicado. Para profundizar, consulta «Los mejores modelos IA para redactar y resumir documentos».
Programación
Para programar, la distinción esencial opone la asistencia en el editor (completado, explicación, pequeñas correcciones) y las tareas agentísticas sobre un repositorio completo, donde el modelo lee el código, lanza comandos y propone una modificación completa. Los modelos punteros marcan la diferencia sobre todo en el segundo tipo de tarea. Nuestro artículo sobre el mejor LLM para programar describe un protocolo de comparación reproducible.
Razonamiento
Los modelos llamados de razonamiento dedican tokens a reflexionar antes de responder. Ganan en problemas de varios pasos (matemáticas, planificación, análisis jurídico o financiero), pero a menudo no aportan nada en una reformulación o traducción simple. El funcionamiento y los límites de un modelo de razonamiento IA se detallan en un satélite de esta guía, al igual que los modelos de IA multimodal capaces de leer imágenes, audio y vídeo. Para un enfoque por profesión, consulta también nuestra guía del mejor modelo IA según el uso y el oficio.
¿Cómo interpretar precio, contexto y benchmarks?
Tres cifras dominan las fichas técnicas: el precio por millón de tokens, el tamaño de la ventana de contexto y las puntuaciones en benchmarks. Cada una es exacta, pero cada una induce fácilmente a error si se lee de forma aislada.
El precio: mirar más allá de la tarifa base
Las cuadrículas tarifarias incluyen mecanismos que cambian fuertemente la factura. En Anthropic, las peticiones enviadas en procesamiento por lotes cuestan un 50 % menos, y la relectura de un contexto puesto en caché cuesta una fracción del precio normal (10 % del precio de entrada por regla general, 5 % en Claude Opus 5.5 y Claude Sonnet 5.5, 2,5 % en Claude Fable 5.2). En Google, Gemini 4 Carbon y Gemini 4 Argon se benefician de una tarifa de lanzamiento que se duplica el 1 de diciembre de 2026, y la documentación precisa que los tokens de razonamiento se facturan. Una comparativa de los precios de las API LLM, satélite de esta guía, detalla estos cálculos.
El contexto: una capacidad, no una garantía
Una ventana de un millón de tokens permite enviar un informe anual completo o un repositorio de código de tamaño medio. No garantiza que el modelo explotará cada pasaje con la misma atención, ni que enviarlo sea económico: cada petición factura todo el contexto transmitido. Para interrogar regularmente una base documental, una arquitectura de búsqueda documental (RAG) que solo envía los pasajes pertinentes sigue siendo a menudo más fiable y más barata; la elección de la segmentación de los documentos se explica en nuestro artículo sobre la estrategia de chunking.
Los benchmarks: condiciones raramente idénticas
Una puntuación de benchmark solo tiene sentido con sus condiciones de medida. En el anuncio de Claude Opus 5.5, Anthropic precisa en nota que sus resultados se obtienen al esfuerzo máximo, salvo excepción, y que en Terminal-Bench 4.0 su modelo se mide al esfuerzo «xhigh» cuando GPT-6 Astra se mide al esfuerzo «high», cifra tomada de OpenAI; el error típico anunciado alcanza ±2,6 puntos. Los índices independientes armonizan más: Artificial Analysis agrega nueve evaluaciones en cuatro categorías de igual peso (trabajo de conocimiento, código, ciencias, cultura general), con las mismas instrucciones para todos los modelos. Las clasificaciones por votos del público tienen sus propios sesgos: un estudio publicado en 2025, The Leaderboard Illusion, mostró que algunos editores probaban en privado numerosas variantes en Chatbot Arena antes de publicar la mejor.
Los errores de lectura más frecuentes
- Comparar dos puntuaciones obtenidas con niveles de esfuerzo, herramientas o arneses de prueba diferentes.
- Tomar una diferencia de uno o dos puntos por una diferencia real, cuando sigue dentro del margen de error.
- Juzgar el coste por el precio por token sin contar los tokens de razonamiento ni los ensayos fallidos.
- Suponer que un modelo puntero es mejor en todo: en la fidelidad de los resúmenes, no es el caso según Vectara.
- Olvidar la fecha: una clasificación de más de tres meses describe a menudo un mercado que ya ha cambiado.
Nuestro artículo sobre los benchmarks LLM detalla la contaminación de los conjuntos de prueba, la varianza de las puntuaciones y la sensibilidad al prompt. Para construir tus propias evaluaciones, la guía para evaluar un modelo de lenguaje explica cómo puntuar respuestas, calibrar un modelo juez y seguir las regresiones.
¿Hace falta un modelo propietario, abierto o local?
Coexisten tres modos de acceso. Un modelo propietario (Claude, GPT-6, Gemini 4) solo se usa a través de la API o la aplicación de su editor, o de los clouds asociados. Un modelo con pesos abiertos (open weights) puede descargarse y ejecutarse en tus propios servidores, según las condiciones de su licencia. Un modelo local es un modelo con pesos abiertos que funciona en tu máquina o infraestructura, sin que los datos salgan.
«Abierto» cubre licencias muy diferentes. El catálogo de Mistral AI publica Mistral Small 4 y la gama Ministral 3 bajo licencia Apache 2.0, muy permisiva, pero Mistral Large 4 bajo una licencia propia, la Mistral Ecosystem Open Weight License, que regula la redistribución y el uso comercial. El mismo catálogo referencia también modelos de terceros bajo licencia MIT, como GLM 5.3 de Z.ai y DeepSeek V4.1 Flash. Según Mistral, Large 4 cuenta con 1 000 mil millones de parámetros, de los cuales 52 mil millones están activos en cada token: un modelo así se despliega en servidores equipados con varias GPU, no en un ordenador portátil. La comparativa entre LLM open source, open weights y propietarios, satélite de esta guía, precisa estas distinciones jurídicas.
Los argumentos de cada opción
| Opción | Ventajas | Límites | Casos típicos |
|---|---|---|---|
| API propietaria | Mejores prestaciones punteras, ningún hardware que gestionar, actualizaciones continuas | Dependencia del proveedor, datos transmitidos a un tercero, precios variables | Prototipado, tareas complejas, volúmenes bajos |
| Pesos abiertos alojados (cloud o proveedor tercero) | Elección del alojador, posibilidad de cambiar de prestador, costes a menudo más bajos | Posible diferencia de prestaciones con la punta, licencia que verificar | Volúmenes elevados, exigencias de soberanía |
| Local (en sitio) | Datos confinados, coste marginal bajo una vez adquirido el hardware, funcionamiento offline | Inversión en hardware, mantenimiento, modelos más pequeños en un puesto de trabajo | Datos sensibles, restricciones regulatorias fuertes |
La confidencialidad depende también del contrato, no solo del modo de acceso. En Google, la página de tarifas de la API Gemini indica que los contenidos enviados en la oferta gratuita sirven para mejorar los productos, a diferencia de los de la oferta de pago. Inversamente, los pesos abiertos no garantizan un alojamiento europeo: todo depende de dónde los hagas funcionar. Para estimar qué modelo puede ejecutar tu hardware, el calculador de modelo de IA local parte de tu memoria RAM y tu tarjeta gráfica; nuestra guía de la IA local y del RAG describe luego cómo conectar ese modelo a tus propios documentos.
Verificar que la elección se sostiene
Antes de decidir, plantea tres preguntas concretas. ¿Qué datos exactos enviarás al modelo, y tu contrato autoriza su uso para el entrenamiento? ¿Qué volumen mensual prevés, y a partir de qué umbral un alojamiento dedicado se vuelve rentable? ¿Qué pasa si el modelo elegido es retirado o cambia de precio? Anthropic publica por ejemplo para cada modelo una fecha de retirada mínima (no antes de septiembre de 2027 para Claude Opus 5.5): este tipo de compromiso merece ser verificado en cada proveedor.
Método de prueba y tabla de decisión
Una prueba casera bien construida vale más que cualquier clasificación, porque mide tu tarea, con tus instrucciones y tus criterios de calidad. No exige ni equipo de investigación ni gran presupuesto: unas decenas de ejemplos bastan para decidir entre dos o tres modelos.
El protocolo en siete pasos
- Definir la tarea en una frase y listar lo que es una buena respuesta (exactitud, formato, tono, longitud).
- Reunir 30 a 50 ejemplos reales, anonimizados si es necesario, incluyendo casos difíciles y casos donde la buena respuesta es «no lo sé».
- Preseleccionar dos o tres modelos con ayuda de la cuadrícula de criterios y una herramienta como nuestro cuestionario para elegir un modelo de IA según tu tarea, que propone tres recomendaciones a partir de tu uso, tu presupuesto y tus restricciones de confidencialidad.
- Usar la misma instrucción para todos los modelos, luego una versión adaptada a cada uno si tienes tiempo: las diferencias de formulación pueden invertir una clasificación.
- Repetir cada ensayo al menos dos o tres veces para medir la estabilidad de las respuestas.
- Puntuar a ciegas, sin saber qué modelo ha producido qué respuesta, con una cuadrícula fijada de antemano.
- Registrar el coste y el tiempo reales de cada ensayo, luego calcular el coste por respuesta aceptable.
Este protocolo tiene sus límites: una pequeña muestra no detecta los errores raros, y un modelo puede degradarse o mejorar tras una actualización. Conserva tu conjunto de ejemplos y relánzalo en cada cambio de versión. Para los proyectos donde el modelo actúa con herramientas, nuestro artículo sobre la evaluación de agentes IA en empresa complementa el método con indicadores de trayectoria y éxito de las tareas.
Tabla de decisión
| Tu situación | Punto de partida sugerido | A verificar prioritariamente |
|---|---|---|
| Uso personal o equipo pequeño, sin integración | Un asistente de consumo (ChatGPT, Claude o Gemini) en su versión de pago de entrada de gama | Límites de uso, ajuste de entrenamiento con tus datos |
| Tareas complejas y poco numerosas (análisis, código en repositorio, razonamiento) | Un modelo puntero: Claude Opus 5.5, GPT-6 Astra, Gemini 4 Argon o Carbon | Coste por tarea a esfuerzo alto, latencia |
| Producción a volumen medio (redacción, soporte, síntesis) | Un modelo intermedio: Claude Sonnet 5.5, GPT-6.1 Sol o Terra, Gemini 4 Hydrogen | Fidelidad de las respuestas, salidas estructuradas |
| Alto volumen de tareas simples (clasificación, extracción, enrutamiento) | Un modelo económico: Claude Haiku 5.5, GPT-6 Luna, Gemini 3.5 Flash-Lite | Tasa de error en tus casos límite |
| Datos sensibles o exigencia de soberanía | Un modelo con pesos abiertos alojado en tus instalaciones o en un prestador de confianza | Licencia, hardware, mantenimiento |
| Agente que encadena acciones | Un modelo puntero o intermedio con llamada a herramientas fiable | Coste acumulado de los pasos, salvaguardias |
Esta tabla da un punto de partida, no una conclusión: es tu prueba la que decide. Dos prácticas mejoran luego los resultados sea cual sea el modelo elegido, y cada una es objeto de un satélite de esta guía: los métodos de prompt engineering que mejoran realmente las respuestas, y las técnicas para reducir las alucinaciones. Por último, si aún dudas en pagar una suscripción, nuestra comparación entre IA gratuita e IA de pago detalla lo que cambia realmente cada nivel de oferta.
