Qué modelo de IA usar para trabajar en 2026: guía práctica

👁 116 lecturas

¿Qué modelo de IA para trabajar elegiría ahora mismo? Mi primera opción para código e instrucciones estrictas sería Astra; para buscar en documentos y redactar borradores económicos, Gemini 3.8 Flash; y para empezar en el entorno de Claude, Claude Opus 5. Dejaría Fable 5.1 reservado para los problemas que un modelo más barato no logre resolver. No se trata de un ranking general ni de una promesa de resultados perfectos: es un orden de prueba respaldado por datos o documentación técnica.

Revisé la información oficial de los proveedores el 11/09/2026. Mis mediciones propias incluyen sus fechas correspondientes. Como no dispongo de un test exhaustivo para cada tarea ofimática, distingo con claridad entre diferencias medidas en pruebas y propuestas de uso estimadas. Cuando no cuento con una medición empírica, detallo qué modelo probaría y qué requisitos tendría que cumplir para seguir utilizándolo.

Mi mapa de selección según la tarea

Empiezo siempre por el resultado que se necesita obtener. El texto debe mantener la fidelidad a los hechos, el código debe superar las pruebas y la respuesta extraída de un documento debe indicar su fuente. Solo cuando se cumple esta condición comparo el tiempo y el coste. El resultado más barato del mercado no resuelve nada si no se puede aprovechar.

Redacción: borrador, corrección y entrega final

Para generar un borrador empiezo con Gemini, ya que cuento con una medición precisa de su coste. En una prueba de redacción de un artículo realizada el 10/09/2026 (llevada a cabo en polaco), Gemini 3.8 Flash generó 1032 palabras por aprox. 0,0108 EUR (0,01207 USD). Astra redactó 906 palabras por aprox. 0,1004 EUR (0,11228 USD), y Fable 886 palabras por aprox. 0,1692 EUR (0,18913 USD) -cambio de referencia del BCE del 12/10/2026: 1 EUR = 1,1181 USD (fuente)-. Fuente: mi medición de coste por artículo, revisada el 11/09/2026.

Esto no significa que el borrador más económico ofrezca automáticamente la misma calidad. Compruebo si los datos son exactos, si el modelo acató la orden y cuánto texto debo reescribir. Ante un encargo con documentación amplia, prefiero ordenar primero los materiales de origen. A partir de ahí redacto o solicito los fragmentos necesarios; no le pido a la IA que estructure el tema e invente los datos ausentes al mismo tiempo.

Para corrección lingüística también contemplo Astra y Fable. En un test del 09/09/2026 (evaluado sobre textos en polaco), ambos obtuvieron una puntuación de 6/6, frente al 5/6 de Gemini (revisión: 11/09/2026). En el caso de Gemini faltó responder a una parte concreta de la tarea, lo que no demuestra necesariamente que desconociera la forma adecuada.

El criterio práctico es determinante: la corrección no puede alterar el sentido. Reviso sobre todo negaciones, nombres propios, relaciones de causalidad y grados de certeza. Una frase como «puede ayudar» no puede convertirse tras la edición en «resuelve el problema». Si el modelo tiende a exagerar afirmaciones, cambio de instrucción o de herramienta, con independencia de su precisión gramatical.

Este planteamiento carece de sentido si pretendes publicar directamente sin revisar. Mis pruebas no garantizan textos impecables. Tampoco he medido qué modelo asimila mejor el tono personal de un autor; para evaluar eso convendría aportar muestras previas y definir restricciones editoriales estrictas.

Programación: Astra como punto de partida, verificación fuera del chat

En el test combinado del 09/09/2026, Astra logró 9/9 puntos con un coste de aprox. 0,0443 EUR (0,04955 USD; tipo BCE 12/10/2026) y un tiempo de 35,3 s. Fable y Gemini obtuvieron 8/9 cada uno (datos revisados el 11/09/2026). Es mi base para la primera prueba práctica, no una demostración indiscutible en cualquier tarea de desarrollo.

Al programar, comienzo detallando el error y la forma de reproducirlo. Separo las condiciones del problema de las sospechas sobre su causa. Si condicionas al modelo con un diagnóstico equivocado, puedes recibir una solución impecable para un fallo inexistente. En mi propio test, el evaluador automatizado necesitó ajustes, por lo que nunca me salto la lectura de las justificaciones.

A la hora de corregir código, pido la modificación mínima necesaria para solventar el problema y ejecuto los tests en mi entorno. Si el modelo no cuenta con acceso a un entorno de ejecución real, la afirmación «los tests pasan con éxito» no tiene valor. Necesito ver el comando ejecutado o la advertencia explícita de que la comprobación queda pendiente.

Dentro del ecosistema de Claude, empezaría con Opus. Anthropic lo recomienda como punto de partida para la mayoría de casos, reservando Fable para situaciones complejas donde Opus se queda corto. Fuente: documentación técnica de Fable, 11/09/2026. Al no disponer de mediciones propias de Opus en esta batería concreta, no le asigno puntuación directa.

Daría el salto a Fable si puedo identificar con precisión el error que Opus no logra subsanar y dispongo de medios para verificarlo. Pagar más solo por una respuesta más larga no merece la pena. Si dos modelos superan las mismas pruebas, comparo la legibilidad del cambio propuesto y el esfuerzo de ajuste manual.

Documentos extensos: Gemini para localizar, test específico para interpretar

En la medición del 10/09/2026, Gemini localizó la frase oculta en 3/3 intentos con un coste de aprox. 0,0527 EUR (0,05889 USD) y una media de 3,3 s. Astra también completó los 3/3 con un coste de aprox. 0,8962 EUR (1,00205 USD) y un tiempo medio de 2,0 s (conversión estimada según tasa BCE del 12/10/2026, 1 EUR = 1,1181 USD). Fuente: test de ventana de contexto, comprobado el 11/09/2026. Los costes corresponden a la batería completa de pruebas y los tiempos representan la respuesta media del conjunto.

Por tanto, para buscar una cifra, una cláusula o un fragmento determinado, Gemini es mi primera opción. Pido la cita literal y su ubicación en el texto si la estructura del archivo lo permite, comparando siempre el resultado con el original. Si la extracción del PDF altera tablas o desordena secciones, conviene revisar la preparación del archivo antes de sustituir el modelo.

Al trabajar con archivos contractuales extensos, se requiere además comprobar cómo se cruza la información. Una cláusula general puede residir en el contrato marco y su excepción en un anexo posterior. Dar con ambos párrafos no garantiza que el modelo deduzca la aplicación jurídica correcta. En estos escenarios exijo distinguir citas literales de interpretaciones, señalando cualquier ambigüedad.

No conviene extrapolar la capacidad de búsqueda a un dictamen legal. No he evaluado esa función en esta medición. Cuando un error de interpretación acarrea consecuencias de peso, la respuesta debe tratarse como un borrador de trabajo sujeto a revisión humana, nunca como una conclusión definitiva.

Análisis de datos: priorizar la reproducibilidad

Para trabajar con hojas de cálculo o tablas, elegiría inicialmente Astra en un entorno con herramientas de cálculo integradas. La documentación de OpenAI (consultada el 11/09/2026) confirma el soporte de herramientas como el intérprete de código en la API Responses. Esto describe la capacidad técnica de integración; no implica que cualquier interfaz de chat con Astra disponga de ellas activadas.

Primero pregunto qué columnas se han interpretado y aclaro el tratamiento de celdas vacías, unidades de medida y márgenes temporales. En comparativas entre periodos, me aseguro de que ambos tramos contemplen los mismos conceptos. No tiene sentido ajustar un gráfico sin verificar antes qué métricas se están calculando.

Solicito la fórmula o el script ejecutado, el resultado obtenido y el detalle de los registros descartados. Si las cifras no cuadran, puedo rastrear el paso erróneo. Una afirmación sobre el incremento en ventas, por muy ordenada que se presente en una tabla, no permite validar el análisis por sí sola.

Gemini sería mi alternativa directa si los datos combinan tablas con contenido visual. Su ficha técnica (11/09/2026) confirma entrada multimodal y ejecución de código. Sin embargo, carezco de un test comparativo propio sobre hojas de cálculo entre ambos modelos. Mi elección final depende de poder reproducir el cálculo sobre mis propios archivos.

Atención al cliente: Gemini en fase piloto, sin atajos

Gemini resulta adecuado para ensayar la generación de respuestas apoyadas en una base de conocimiento interna, principalmente por su eficacia al localizar datos y su bajo coste en mis pruebas. Conviene matizar: no he medido aquí interacciones reales con clientes, tolerancia a instrucciones contradictorias o gestión de reclamaciones críticas.

Comenzaría una prueba piloto exigiendo aprobación humana previa para cada respuesta. El modelo recibe la ficha del producto, la política de la empresa y la consulta del usuario, con la orden de indicar qué fragmento fundamenta su propuesta. Si la documentación no recoge una condición requerida, debe advertir de la omisión en lugar de inventar plazos o descuentos.

En el conjunto de validación incluyo preguntas ambiguas o sin respuesta en la documentación. Cuando el sistema deriva correctamente el caso a un agente humano, lo considero un acierto. No busco una IA que responda siempre a cualquier precio, sino una cuyas respuestas se puedan contrastar y justificar.

Astra sería mi alternativa si las reglas del servicio son muy complejas, apoyándome en sus resultados en tests de instrucciones. Solo activaría Fable si demuestra una ventaja tangible en los casos reales analizados. Ninguno de estos pasos equivale por sí solo a un bot de atención al cliente listo para producción: hacen falta integraciones técnicas, capas de control y protocolos claros para gestionar incidencias.

Aprendizaje: Astra para guiar ejercicios prácticos

Para ejercicios de estudio con pautas estrictas, empezaría con Astra. Su rendimiento en seguimiento de instrucciones justifica probarlo como tutor interactivo que formule preguntas sin desvelar la solución antes de tiempo. Esto no garantiza que se aprenda más rápido con él, pues no dispongo de métricas sobre rendimiento pedagógico.

Defino el temario, mi nivel y el objetivo fijado. Pido un problema práctico, intento resolverlo por mi cuenta y solicito que el modelo señale el primer paso incorrecto. Si se limita a dar la solución final sin más, corrijo la instrucción. Al estudiar, no basta con acumular respuestas correctas de una IA; lo importante es poder explicar el razonamiento por uno mismo después.

Para repasar a partir de apuntes o textos propios recurriría a Gemini, exigiendo siempre referencias a las fuentes. Claude funcionaría como interlocutor complementario para clarificar conceptos difíciles. No entro a valorar empatía o dotes docentes: sin mediciones objetivas, serían meras impresiones subjetivas.

Precios y costes de cada opción

Para integraciones y automatizaciones comparo las tarifas estándar de las API. Para trabajo interactivo manual reviso las suscripciones y la disponibilidad real de cada modelo. Una factura aislada de una prueba técnica no equivale a un presupuesto mensual fijo.

Nota sobre divisas: los importes en euros son estimaciones basadas en la referencia oficial del BCE de 1 EUR = 1,1181 USD a 12/10/2026 (fuente). La tabla no incluye descuentos por volumen, almacenamiento en caché ni costes de herramientas adicionales. Las tarifas de Google figuran vigentes hasta el 31/12/2026 según su lista de precios (11/09/2026). Astra aplica precios más altos en entradas que superen los 272 000 tokens, como detalla la ficha técnica de OpenAI (11/09/2026), un factor a vigilar al procesar documentos masivos.

En planes de suscripción mensual no solo importa el límite de uso, sino el entorno donde opera. El acceso a Astra en entornos de trabajo dedicados no equivale a usar GPT-6 Pro en el chat convencional. Fable cuenta con un sistema propio de créditos. Analicé estas diferencias en la comparativa entre ChatGPT y Claude y los planes de Google en la comparativa con Gemini. Conviene verificar precios y condiciones en las webs oficiales antes de contratar.

Prompts listos para usar: cómo verificar el rendimiento

A continuación incluyo las instrucciones que utilizo tras adjuntar los archivos al chat (traducidas a partir del material original en polaco con el que se realizaron las pruebas). No requieren configurar variables complejas y facilitan contrastar la respuesta con el material de partida:

Lee el material adjunto a esta conversación. Señala la información necesaria para realizar mi tarea, los datos superfluos y las posibles lagunas de información. No completes las lagunas usando datos de tu memoria. Antes de ofrecer un resultado final, explica con qué criterios objetivos se podrá verificar su corrección.

Realiza la tarea descrita en esta conversación basándote exclusivamente en los datos adjuntos. Conserva con exactitud nombres propios, cifras y advertencias. Si utilizas herramientas externas o código, detalla qué pasos has ejecutado realmente. Separa el resultado verificado de aquellos pasos que no hayas podido comprobar en ejecución.

Revisa el último resultado de esta conversación frente a mi instrucción original. Enumera los requisitos incumplidos y las partes en las que hayas añadido información no presente en las fuentes. No asumas que tu respuesta anterior era correcta. Propón una corrección únicamente donde puedas justificar de forma clara el error cometido.

Límites claros: qué no debes esperar

No asumas que el modelo deducirá por arte de magia aquello que no le has proporcionado. Una respuesta extensa y detallada no es sinónimo de certeza técnica. Tampoco des por sentado que una actualización de versión mantendrá exactamente los costes o el comportamiento de tu flujo de trabajo previo. Al actualizar un modelo, repite las pruebas con tus datos de referencia guardados en lugar de fiarte de impresiones pasadas.

El límite más importante de estas recomendaciones atañe a los casos aún no medidos. Dispongo de datos empíricos sobre tareas cortas, redacción y extracción de información puntual. No tengo estudios comparativos sobre retención académica ni sobre despliegues finales de soporte comercial. Esos escenarios deben plantearse como pruebas piloto controladas; cualquier otra afirmación se alejaría de los datos reales.

Con qué modelo quedarse

Tras cada prueba, anoto el motivo exacto de descarte. Una frase como «no me convence» resulta inútil para la siguiente revisión. Un apunte como «omitió la excepción del anexo» permite rehacer el test con precisión. Escribir «entregó un borrador en vez del formato solicitado» define un fallo operativo, mientras que «no tuvo acceso a los datos» señala que hay que mejorar el contexto antes de achacar falta de capacidad al modelo.

Guardo esta ficha de evaluación junto con el prompt de entrada y la respuesta obtenida. Distingo el tiempo de respuesta de la máquina del tiempo que dedico a corregir manualmente. Al probar versiones futuras, sé con exactitud qué estoy midiendo. No hace falta una tabla exhaustiva de cada modelo del mercado: basta con un conjunto representativo de tus tareas reales y criterios definidos antes de ver el resultado.

Mantengo el modelo que resuelve la tarea y permite comprobar el resultado. Para código pruebo primero Astra; para búsquedas en documentos, Gemini; y en el ecosistema de Claude inicio con Opus, valorando el coste adicional de Fable solo ante problemas específicos. En textos separo borrador de corrección de estilo. Para análisis de datos, atención al cliente o formación, la validación se hace siempre sobre materiales propios. El nombre del modelo abre la puerta a la prueba, pero es el trabajo verificado el que decide si se queda.

// sigue leyendoBrain.fm en la práctica: trabajo profundo, estudio y concentraciónRevistaRegistro de herramientas de IA en la empresa: guía prácticaGuíasModelos de decisión frente a LLM: diferencias técnicasGuías

Kinetyra