Qué LLM elegir para mi trabajo

El principio: no hay modelo universal

Elegir un LLM no es elegir "el mejor". Es elegir el adecuado para tu tarea concreta. Un modelo que es excelente para código puede ser mediocre para redacción creativa. Uno barato puede ser perfecto para clasificación pero insuficiente para análisis complejo. Y uno con contexto enorme puede ser innecesario (y caro) si solo necesitas respuestas de un párrafo.

La pregunta correcta no es "ChatGPT o Claude?" sino "qué necesito hacer exactamente?". Para una comparativa detallada entre los 3 principales, lee nuestro artículo dedicado. Aquí vamos más allá: incluimos modelos open-source, criterios de selección profesional y estrategias de combinación.

Panorama de modelos en mayo 2026

El mercado de LLMs ha madurado. Ya no basta con conocer "ChatGPT y poco más". Cada fabricante ofrece una familia completa de modelos con distintos perfiles de rendimiento, precio y especialización. Vamos a recorrerlos:

Familia Claude (Anthropic)

Claude Opus 4.6 es el modelo más potente de Anthropic. Destaca en razonamiento largo, análisis de documentos extensos (hasta 1M de tokens de contexto) y generación de código de alta calidad. Claude Sonnet 4.6 ofrece un equilibrio entre potencia y velocidad, ideal para tareas del día a día que requieren buen razonamiento sin el coste de Opus. Haiku 4.5 es el modelo rápido y barato de la familia: perfecto para clasificación, extracción de datos y tareas donde la latencia importa más que la profundidad. Para entender cómo funcionan estos modelos por dentro, tenemos una guía completa.

La ventaja diferencial de Anthropic es Claude Code: un agente que opera directamente en tu terminal, lee tu repositorio completo y ejecuta comandos. No es un chatbot con acceso a código, es un ingeniero de software que trabaja en tu entorno real.

Familia GPT (OpenAI)

GPT-4o sigue siendo el modelo de referencia para conversación fluida, brainstorming creativo y generación de contenido. GPT-4o mini es la versión económica, con rendimiento sorprendente para su precio. OpenAI también ofrece o3, un modelo de razonamiento que "piensa antes de responder" y es fuerte en matemáticas y problemas complejos, aunque más lento y caro.

El ecosistema de OpenAI (ChatGPT Plus, Copilot, DALL-E, Whisper) es el más amplio. Si ya usas sus herramientas, la integración es sencilla.

Familia Gemini (Google)

Gemini 2.5 Pro es el modelo premium de Google, con ventana de contexto de 1M+ tokens y la integración nativa más profunda con Google Workspace (Drive, Docs, Sheets, Gmail, Calendar). Gemini Flash es uno de los modelos más baratos del mercado por API, ideal para volumen alto y tareas simples.

La ventaja principal de Gemini: si tu empresa vive en Google Workspace, el acceso a tus datos es directo, sin exportaciones ni copiar-pegar.

DeepSeek

DeepSeek V3 ha sorprendido al mercado ofreciendo rendimiento cercano a GPT-4o a una fracción del precio por API. Es especialmente fuerte en código y razonamiento matemático. DeepSeek R1 es su modelo de razonamiento. La principal consideración: los datos pasan por servidores en China, lo que puede ser un problema de privacidad para datos sensibles o empresas reguladas.

Modelos open-source: Llama, Qwen, Phi

Llama 4 (Meta) ofrece modelos de 8B a 405B parámetros, con licencia permisiva para uso comercial. Qwen 3.5 (Alibaba) destaca en multiidioma y razonamiento, con versiones de 7B a 72B. Phi-4 (Microsoft) es un modelo compacto (14B) con rendimiento que supera a modelos mucho mayores en benchmarks específicos. Todos se pueden ejecutar en tu propia infraestructura con herramientas como vLLM u Ollama.

Criterios de selección: el framework de 5 factores

Para elegir modelo de forma sistemática (no por intuición), evalúa cada candidato en 5 dimensiones:

Calidad es lo primero que miras, pero no debería ser lo único. Un modelo que es un 5% mejor en calidad pero 10 veces más caro puede no merecer la pena para tu caso. Velocidad importa si el usuario final espera una respuesta en tiempo real (chatbot, autocompletado) pero no tanto para procesamiento batch nocturno. Coste puede parecer irrelevante con suscripciones de 20 USD/mes, pero al escalar por API, la diferencia entre Flash (0.25 USD/1M tokens) y Opus (15 USD/1M tokens) es de 60x. Contexto solo importa si trabajas con documentos largos o repositorios grandes. Privacidad es el factor que muchos ignoran y que puede ser el más crítico en sectores regulados.

Matriz de decisión por tarea

Esta matriz es un punto de partida. A continuación desglosamos cada caso de uso con más detalle.

Si programas

Primera opción: Claude Code (Anthropic). No es solo un modelo, es un agente en tu terminal. Lee tu repo, ejecuta tests, hace commits, se conecta con GitHub via MCP. Para desarrollo profesional no hay equivalente. Si quieres saber más sobre las funciones avanzadas, lee nuestra guía de comandos de Claude Code.

Para autocompletado en el editor, GitHub Copilot (OpenAI) sigue siendo referencia por integración en VS Code. Cursor es una alternativa que usa Claude como backend. Para una comparativa detallada entre los tres, tenemos un artículo dedicado.

Si necesitas instalar Claude Code, tenemos un tutorial paso a paso.

Si creas contenido

Primera opción: ChatGPT (OpenAI). GPT-4o es el modelo más fluido y creativo para generación de texto. Para brainstorming, copywriting y adaptación de tono, sigue siendo el mejor. Su capacidad para adoptar estilos de escritura es superior a la competencia.

Claude es mejor si necesitas análisis largo previo (investigar un tema de 50 páginas y luego escribir). Gemini si trabajas con datos de Google (Sheets, Docs, Analytics). Para emails de ventas y comunicación B2B, tanto Claude como GPT-4o funcionan bien, aunque Claude tiende a ser más directo y GPT-4o más persuasivo.

Un truco profesional: usa un modelo para el borrador y otro para la revisión. Por ejemplo, GPT-4o genera el texto y Claude lo revisa buscando inconsistencias o errores factuales. Para más técnicas avanzadas de prompts profesionales, tenemos una guía de 7 componentes.

Si analizas datos o documentos

Primera opción: Claude Opus 4.6 o Gemini 2.5 Pro. Ambos manejan 1M+ tokens. La diferencia: Claude es más preciso en análisis detallado y tiene mejor seguimiento de instrucciones complejas. Gemini es más rápido y se integra con Google Workspace, lo que elimina el paso de exportar datos.

Para análisis de hojas de cálculo, Gemini tiene ventaja directa si usas Google Sheets. Para PDFs legales o contratos, Claude Opus ofrece mayor precisión en la extracción de cláusulas y condiciones. Si manejas datos financieros sensibles, considera modelos locales (Qwen 3.5 con Ollama) para que la información no salga de tu infraestructura.

Si gestionas un equipo o negocio

Para tareas de gestión (resúmenes de reunión, informes, emails), cualquiera de los 3 grandes funciona. La diferencia está en el ecosistema:

• Todo en Google: Gemini, integración nativa con Meet, Docs, Sheets, Calendar
• Todo en Microsoft: Copilot, integrado en Teams, Office 365, Outlook
• Stack propio: Claude Code + automatización con agentes + n8n

La clave aquí no es la calidad del modelo (todos son suficientes para estas tareas) sino la fricción de integración. Un modelo un 10% peor pero que se conecta directamente a tus herramientas diarias genera más valor que uno superior que requiere copiar-pegar manualmente. Si tu empresa usa herramientas variadas, los agentes de IA pueden orquestar flujos entre plataformas.

Modelos open-source vs propietarios

Esta es una de las decisiones más importantes que puedes tomar, y depende de tres factores: control, coste y rendimiento.

En la práctica, muchas empresas terminan usando un enfoque mixto: modelos propietarios para las tareas que requieren máxima calidad, y modelos open-source self-hosted para tareas de volumen alto o datos sensibles. No es una decisión binaria.

Los modelos open-source más potentes en mayo 2026:

• Llama 4 405B: El más potente. Requiere GPU seria (A100/H100). Comparable a GPT-4 en muchas tareas.
• Qwen 3.5 72B: Excelente en multiidioma (incluido español). Buena opción para empresas europeas.
• Llama 4 70B: Mejor equilibrio potencia/requisitos. Funciona en una A100 de 80GB.
• Qwen 3.5 27B: Rendimiento sorprendente para su tamaño. Ejecutable en GPUs consumer (RTX 4090).
• Phi-4 14B: El más eficiente por parámetro. Ideal para edge computing y dispositivos con recursos limitados.

Cómo evaluar un modelo para tu caso

Los benchmarks genéricos (MMLU, HumanEval, GPQA) son útiles para hacerte una idea general, pero no predicen bien el rendimiento en tu caso de uso específico. Un modelo que lidera en MMLU puede fallar en tus prompts reales. La solución: crear tu propio mini-benchmark.

Paso 1: Recopila 10-15 prompts reales. No inventes ejemplos artificiales. Usa los prompts que realmente necesitas en tu trabajo diario. Incluye casos fáciles, medios y difíciles.

Paso 2: Define criterios de evaluación. Para cada prompt, decide qué es una "buena respuesta". Puede ser precisión factual, formato correcto, tono adecuado, longitud apropiada, o una combinación. Puntúa de 1 a 5 cada criterio.

Paso 3: Ejecuta cada prompt en 3-4 modelos. Usa la misma temperatura y configuración en todos. Registra la respuesta, el tiempo de respuesta y el coste (si usas API).

Paso 4: Compara con datos. No con impresiones. Suma las puntuaciones, calcula coste por consulta, y decide. A veces el modelo "peor" en benchmarks públicos es el mejor para tu caso.

Combinando modelos: el enfoque profesional

Los profesionales que más rendimiento extraen de la IA no usan un solo modelo. Usan varios, cada uno para lo que mejor hace. Hay tres patrones principales:

Routing por complejidad. Las tareas simples (clasificación, extracción, formateo) van a modelos baratos y rápidos (Haiku, Flash, GPT-4o mini). Las tareas complejas (análisis, razonamiento, código difícil) van a modelos premium (Opus, o3, Gemini Pro). Esto puede reducir tu factura de API un 70% sin perder calidad donde importa.

Fallback por disponibilidad. Si tu modelo principal tiene un outage o alcanza rate limits, el sistema redirige a un modelo alternativo. Por ejemplo: Claude Sonnet como primario, GPT-4o como fallback. Esto es especialmente importante en producción, donde una caída de servicio afecta a tus usuarios.

Pipeline secuencial. Un modelo genera, otro revisa. Por ejemplo: GPT-4o redacta un email, Claude lo revisa buscando errores, y Haiku lo clasifica por urgencia antes de enviarlo. Cada paso usa el modelo óptimo para esa subtarea. Para implementar estos pipelines, herramientas como n8n con agentes facilitan la orquestación.

Por presupuesto

Para la mayoría de profesionales, un plan de 20 USD/mes (Claude Max o ChatGPT Plus) es suficiente. Si automatizas con API, empieza con modelos baratos (Flash, Haiku) y escala a modelos potentes solo cuando sea necesario. Para alternativas gratuitas para programar con IA, tenemos una guía completa.

Un error frecuente: pagar por el modelo más caro "por si acaso". La diferencia entre Sonnet (3 USD/1M tokens) y Opus (15 USD/1M tokens) es 5x. Para el 80% de tareas profesionales, Sonnet es suficiente. Escala solo cuando la calidad no alcance.

Preguntas frecuentes

En el Módulo 01 de IAcademy hacemos un benchmark personalizado para que elijas la combinación óptima para tu perfil.