Consideraciones clave

Elegir el modelo de lenguaje grande (LLM) adecuado es una de las decisiones más importantes en el desarrollo de IA. Una mala elección puede llevar a un rendimiento bajo, costes excesivos o dependencia de un proveedor. Además, es un blanco móvil: los nombres de los modelos, los límites de contexto y los precios de lista cambian varias veces al año. Trata cualquier comparación —incluida la tabla siguiente— como una instantánea con fecha, no como una clasificación permanente, y vuelve a consultar la página de precios del proveedor antes de comprometer un presupuesto.

Criterios de evaluación

  • Ajuste a la tarea: ¿El modelo destaca en tu tarea específica (programación, razonamiento, escritura creativa, resumen)? Pruébalo en la tarea, no por impresión general.
  • Ventana de contexto: ¿Cuánto texto puede procesar a la vez? Los flujos con documentos largos necesitan espacio para la entrada y la salida.
  • Latencia: ¿A qué velocidad responde? Los productos interactivos tienen límites más estrictos que los procesos por lotes.
  • Coste: ¿Cuáles son los costes por token de entrada y de salida? Los tokens de salida suelen costar varias veces más que los de entrada.
  • Privacidad: ¿Puedes autoalojarlo o debes usar una API en la nube? Los datos regulados pueden descartar a algunos proveedores por completo.

Opciones populares en 2026

  • Claude (Anthropic): Excelente para documentos largos, razonamiento matizado y programación.
  • GPT-6 (OpenAI): Sólidas capacidades multimodales, con una familia que abarca modelos insignia, intermedios y económicos.
  • Gemini (Google): Grandes ventanas de contexto, con el modelo insignia fuera del nivel gratuito.
  • Qwen (Alibaba): El mejor rendimiento en chino de su clase, con opciones de pesos abiertos.
  • Llama (Meta): Totalmente de código abierto, autoalojable y con una comunidad sólida.

Marco de decisión

Empieza definiendo tus requisitos imprescindibles: ¿latencia inferior a 2 segundos? ¿Un presupuesto mensual fijo? ¿Soberanía total de los datos? Después compara 2 o 3 finalistas con tus datos reales antes de comprometerte. Primero los requisitos y después los nombres: un modelo que lidera una tabla pública puede seguir incumpliendo tus límites de latencia, privacidad o coste.

Un orden útil es: latencia y disponibilidad primero, presupuesto segundo, soberanía de datos tercero y capacidad bruta al final. Cualquier candidato que falle un requisito obligatorio queda fuera, por buena que parezca su demo. Solo entonces compara los supervivientes con una muestra de 50–100 ejemplos reales, incluidos los difíciles. Mide el coste de extremo a extremo por tarea completada con éxito, no el coste por token, e incluye reintentos y revisión humana.

Tabla comparativa de costes

La tabla siguiente agrupa los modelos actuales en tres niveles de precio. Léela como un conjunto de niveles, no como una clasificación. Los modelos insignia pueden costar entre 50 y 100 veces más por token que los económicos, así que la primera pregunta es si tu tarea necesita realmente el nivel superior.

| Modelo | Entrada ($/1M) | Salida ($/1M) | Contexto |

|--------|----------------|---------------|----------|

| GPT-6 Astra | $10.00 | $50.00 | 1.05M |

| GPT-6.1 Sol | $2.00 | $10.00 | 1.05M |

| GPT-6 Luna | $0.10 | $0.50 | 1.05M |

| Claude Fable 5.1 | $10.00 | $50.00 | 1M |

| Claude Opus 5.5 | $4.00 | $20.00 | 1M |

| Claude Sonnet 5.5 | $2.00 | $10.00 | 1M |

| Claude Haiku 5.5 | $0.10 | $0.50 | 1M |

| Gemini 4 Argon | Consultar precio oficial | Consultar precio oficial | 1M |

Precios verificados el 2026-10-15 en la página oficial de precios de cada proveedor; consulta al proveedor antes de comprometer un presupuesto.

El coste de autoalojar depende de las tarifas de alquiler de GPU y de la utilización, no de un precio de lista.

Ejemplo de coste mensual

Supón una carga de 1M tokens de entrada y 200K tokens de salida al mes. Con los precios de lista anteriores:

  • GPT-6 Astra: 1M × $10.00 + 0.2M × $50.00 = $10.00 + $10.00 = $20.00 al mes
  • Claude Sonnet 5.5: 1M × $2.00 + 0.2M × $10.00 = $2.00 + $2.00 = $4.00 al mes
  • GPT-6 Luna: 1M × $0.10 + 0.2M × $0.50 = $0.10 + $0.10 = $0.20 al mes

Estas cifras son aritmética sobre precios unitarios publicados. No dicen nada sobre la calidad de las respuestas, la latencia o la fiabilidad; eso todavía hay que probarlo con tu carga de trabajo.

La proporción importa más que las cifras absolutas: con estos precios, para el mismo volumen de tokens el modelo insignia cuesta cinco veces más que el intermedio y cien veces más que el económico. Si esa diferencia merece la pena depende de la calidad que midas con tus propios datos, no solo del precio.

Modos de fallo habituales

  • Mirar solo el precio unitario: los reintentos, las llamadas fallidas y los prompts largos multiplican los tokens. Un modelo que cuesta la mitad pero necesita dos intentos ya no es más barato.
  • Ignorar la longitud del contexto: una tarifa por token baja con un prompt muy largo puede seguir produciendo una petición cara. Mide tokens por petición, no solo el precio por millón.
  • Usar un modelo insignia para clasificar: el etiquetado, el enrutamiento y la extracción suelen funcionar bien con un modelo económico. Reserva el insignia para los casos difíciles.
  • Ignorar los descuentos por caché y por lotes: muchos proveedores cobran menos por prefijos repetidos o por trabajos asíncronos por lotes. Si los ignoras, tu estimación será demasiado alta y puede empujarte al modelo equivocado.

Consejos prácticos

  • Empieza por el modelo más barato que funcione: usa un modelo económico como GPT-6 Luna o el Gemini Flash actual para tareas simples. Sube de nivel solo cuando la calidad no baste.
  • Haz pruebas con TUS datos: las puntuaciones de las tablas no reflejan tu caso concreto. Prueba con 50–100 ejemplos reales.
  • Considera el coste total de propiedad: el autoalojamiento exige tiempo de DevOps. Las API en la nube no requieren mantenimiento, pero cobran más por token.
  • Planifica la portabilidad: abstrae tu capa de LLM (LiteLLM o LangChain) para cambiar de proveedor sin reescribir.
  • Revisa los precios antes de comprometerte: los precios de lista y las gamas de modelos cambian. Fecha tus supuestos y revísalos cuando salga un modelo nuevo.