Cómo elegir entre GPT, Claude, Gemini o un modelo europeo o abierto

Publicado: 2026-05-04 · Actualizado: 2026-10-28

Por Goiko, Founder & AI Solutions CTO de GUGŌ Creative

Cómo elegir GPT, Claude, Gemini o un modelo europeo o abierto: evaluación propia, coste por tarea, latencia, contexto, residencia de datos y dependencia.

Para elegir entre GPT, Claude, Gemini o un modelo europeo o abierto no sirve una clasificación general: se elige con una evaluación propia. Reúne casos reales de tu tarea con la respuesta correcta, fija antes qué cuenta como aprobado y prueba dos o tres candidatos en las mismas condiciones. Compara calidad en tu tarea, coste por tarea aceptada —no solo por token—, latencia con tu carga, contexto necesario y condiciones de datos: dónde se procesan, cuánto se guardan y si se usan para entrenar. Entre los que aprueben, elige el más barato y sencillo de operar.

Las alternativas tienen su sitio: un proveedor europeo como Mistral simplifica que los datos se queden en la UE, y un modelo de pesos abiertos autoalojado compensa cuando los datos no pueden salir de tu infraestructura. Elijas lo que elijas, pon una capa propia entre tu aplicación y el proveedor, porque los modelos se retiran y los precios cambian. Los datos de esta guía proceden de la documentación oficial consultada el 28 de octubre de 2026; no incluimos benchmarks ni puntuaciones propias.

Tabla comparativa: GPT, Claude, Gemini, Mistral y modelos abiertos

Un modelo de propósito general por proveedor, con precios de API estándar en dólares por millón de tokens. No es una clasificación y cambia a menudo: compruébala antes de presupuestar.

Fuentes: fichas de GPT-6.1 Sol, Claude, Gemini 4 Argon y gpt-oss-120b, y el catálogo de Mistral. Los modelos actuales de Claude admiten entrada de texto e imagen y salida de texto, igual que GPT-6.1 Sol. Las tarifas de OpenAI, Anthropic y Google rebajan un 50 % el procesamiento por lotes y cobran mucho menos por la entrada que se lee de caché.

Cómo hacer una evaluación propia de modelos de IA

Las clasificaciones públicas sirven para hacer una lista corta, pero miden tareas que no son la tuya. La guía de evaluaciones de OpenAI las describe como pruebas que comprueban si las salidas cumplen los criterios que tú fijas, y la guía para elegir modelo de Anthropic considera un buen conjunto de pruebas el paso más importante de la decisión. En la práctica:

1. Delimita la tarea y su salida. «Clasificar la solicitud y extraer cinco campos en JSON» se puede evaluar; «ayudar al equipo de soporte», no.
2. Reúne casos reales o anonimizados con la respuesta correcta revisada por quien conoce el proceso, incluidos casos ambiguos y sin respuesta posible. Unas decenas bastan para una primera criba.
3. Fija el aprobado antes de ejecutar: porcentaje mínimo de aciertos, errores inaceptables —inventar un dato o saltarse un permiso—, latencia máxima y coste máximo por tarea.
4. Prueba en igualdad de condiciones: mismo esquema de salida, instrucciones equivalentes, varias repeticiones por caso y registro de tokens, tiempos y reintentos. Si adaptas las instrucciones a un modelo, anota el cambio.
5. Corrige sin ver la marca. Campos, formato y categorías se puntúan con código; el resto lo revisa una persona sin saber qué modelo respondió. Si usas otro modelo como juez, calíbralo antes con revisiones humanas.
6. Guarda la batería. Es la que repetirás cuando cambie la versión, el proveedor o el proceso.

Prueba también el nivel de razonamiento: los tres modelos de referencia permiten ajustarlo, y Anthropic señala que suele ser mejor palanca que cambiar de modelo. Más método en testing de sistemas de IA y una primera criba en nuestro comparador de LLMs.

Coste por token frente a coste por tarea

El precio por millón de tokens es la materia prima; lo que paga tu empresa es cada tarea que sale bien. Influyen factores que la tarifa no muestra:

• Salida y razonamiento. En los modelos de referencia la salida cuesta cinco veces más que la entrada, y los tokens de razonamiento también se facturan.
• Contexto largo. OpenAI cobra el doble por la entrada y 1,5 veces por la salida en peticiones de más de 272.000 tokens de entrada; Claude Haiku 5.5 sube de precio por encima de 100.000.
• Región. Los endpoints regionales de OpenAI y los de Claude en nubes de terceros llevan un recargo del 10 %.
• Precios temporales. La tarifa de Gemini 4 Argon se duplica el 1 de diciembre de 2026.
• Reintentos y revisión. Una respuesta barata que hay que repetir o corregir a mano sale cara.

Ejemplo hipotético de cálculo

Una tarea consume 6.000 tokens de entrada y 800 de salida. A 2 y 10 USD por millón, cada llamada cuesta 0,012 + 0,008 = 0,02 USD, y 10.000 tareas al mes suman unos 200 USD. Si un 15 % necesita un segundo intento, el gasto sube a unos 230 USD. Un modelo que cueste el doble pero acierte a la primera y ahorre revisión puede salir más barato por tarea aceptada. Son cifras ilustrativas, sin caché, lotes ni impuestos.

Latencia: qué medir y cómo reducirla

La latencia depende más de cómo usas el modelo que de la marca. Según la guía de latencia de OpenAI, generar tokens es casi siempre el paso más lento. Por eso:

• Mide el tiempo hasta el primer token y el total, en mediana y en percentil 95, con tu región y tu carga real.
• Pide salidas cortas y estructuradas.
• Usa un modelo pequeño o un esfuerzo bajo para clasificar o enrutar; Anthropic presenta Claude Haiku 5.5 como su modelo más rápido para ese trabajo.
• Muestra la respuesta en streaming cuando la lee una persona, y manda a lotes lo que no necesita respuesta inmediata.

Contexto: cuánto necesitas de verdad

Los tres modelos de referencia rondan el millón de tokens de contexto, así que la ventana ya no suele decidir. Importan otras dos cosas. La primera es la salida: Gemini 4 Argon genera por defecto hasta 65.536 tokens por petición síncrona, frente a los 128.000 de GPT-6.1 Sol y de Claude, y en Gemini la ventana se reparte entre entrada y salida. La segunda, que meter más texto no garantiza encontrar el dato correcto ni respetar quién puede verlo.

Con documentación que cambia o permisos por usuario, la solución es recuperar lo relevante en cada consulta, no llenar la ventana: lo explicamos en cómo funciona un sistema RAG.

Privacidad y residencia de datos

Separa tres preguntas: si el proveedor usa tus datos para entrenar, cuánto tiempo los guarda y dónde los procesa.

• OpenAI (datos en la API): no entrena con los datos de la API salvo que lo aceptes y guarda registros de abuso hasta 30 días. La residencia en Europa exige una cuenta apta y controles de retención aprobados.
• Anthropic (residencia de datos): por defecto no entrena con los datos de sus productos comerciales, según su centro de privacidad. En la Claude API la inferencia es global o solo en EE. UU.; para procesar en Europa hay que usar Claude en Amazon Bedrock, con regiones como Fráncfort, Irlanda o España.
• Google (condiciones de la API de Gemini): usa el contenido de los servicios gratuitos para mejorar sus productos, no el de los de pago, y para usuarios del Espacio Económico Europeo solo permite los de pago. Vertex AI ofrece endpoints multirregión de la UE; comprueba qué modelos los admiten.
• Microsoft Foundry (privacidad): sirve modelos de OpenAI sin que OpenAI acceda a las consultas, y una zona de datos de la UE procesa dentro de la UE.

Si hay datos personales, el proveedor es encargado del tratamiento y hacen falta contrato y medidas de seguridad; lo desarrollamos en IA interna para empresas. Es orientación técnica, no asesoramiento jurídico.

Alternativas europeas y modelos abiertos

Mistral AI aloja los datos en la UE por defecto, salvo que uses su endpoint de EE. UU., aunque algunas funciones pueden transferir datos temporalmente fuera de la UE. Sus modelos también se contratan a través de Azure, Bedrock o Vertex AI. Evalúalo como a cualquier otro candidato: ser europeo simplifica las transferencias, pero no aprueba la tarea por ti.

Un modelo de pesos abiertos se descarga y se sirve en tu infraestructura, así que los datos no salen de ella. Hay opciones con licencia Apache 2.0, como gpt-oss-120b, que según OpenAI cabe en una sola GPU H100, o Mistral Small 4 y Mistral Large 3. A cambio asumes lo que en una API hace el proveedor: GPU, escalado, actualizaciones y seguridad. Compensa con datos que no pueden salir de tu entorno, volúmenes altos y estables o necesidad de ajustar el modelo sin depender de un tercero, siempre que apruebe tu batería.

Dependencia de proveedor: cómo no quedarte atado

Los modelos caducan. OpenAI avisa con al menos seis meses en los modelos generales y apagará GPT-4o y GPT-4.1 el 14 de enero de 2027; Anthropic se compromete a avisar con 60 días como mínimo, y Google recomienda versiones estables en producción, porque los alias «latest» cambian de modelo con cada lanzamiento. El ajuste fino ata todavía más: OpenAI dejará de aceptar trabajos nuevos de fine-tuning el 6 de enero de 2027.

• Fija el identificador exacto del modelo probado y vigila su ciclo de vida.
• Pon una capa propia entre la aplicación y el proveedor que registre las llamadas, limite el coste y permita cambiar de modelo sin tocar el resto.
• Versiona instrucciones y esquemas y mantén un segundo candidato evaluado, aunque no esté en producción.
• Aprovecha que un modelo esté en varias nubes: Claude se ofrece en su API, Bedrock, Google Cloud y Microsoft Foundry, aunque Bedrock y Google Cloud fijan sus propias fechas de retirada.

Ejemplo hipotético: clasificar solicitudes de soporte

Una empresa quiere que un modelo proponga la categoría, un resumen y los datos que faltan en cada solicitud de soporte, sin responder al cliente. Prepara 40 solicitudes sintéticas revisadas por el equipo, con mensajes ambiguos y peticiones fuera de catálogo, y fija el aprobado: nueve de cada diez categorías correctas, ningún dato inventado y respuesta en menos de tres segundos en el percentil 95.

Prueba un modelo grande y uno pequeño de dos proveedores. Si el pequeño aprueba, se queda con él por coste y latencia; si solo aprueba el grande, calcula si el coste por tarea encaja; si ninguno aprueba, revisa antes las categorías y las instrucciones. Las 40 solicitudes se guardan para repetir la prueba con cada versión nueva.

Cuánto cuesta integrar un modelo en un proceso

Los tokens son solo una parte. Rangos de nuestro informe de precios de software e IA en España 2026:

• Automatización acotada de documentos, correos o clasificación con revisión humana: 10.000-20.000 €, en 4-6 semanas.
• Asistente con RAG sobre la documentación de la empresa: 10.000-25.000 €, en 4-8 semanas.
• Agente de IA acotado a una tarea, con revisión humana: 20.000-35.000 €, en 6-8 semanas.

Se suman el uso de modelos por API, desde unos 100 € al mes con poco volumen y 2.000-5.000 € con volumen alto; la infraestructura cloud, 50-500 € al mes, y el mantenimiento, del 15 al 25 % del desarrollo al año. El informe no publica un rango para una evaluación comparativa aislada ni para autoalojar un modelo abierto, que depende sobre todo de las GPU y la operación. Más detalle en cuánto cuesta automatizar procesos con IA.

Preguntas frecuentes

¿Cuál es mejor para una empresa: GPT, Claude o Gemini?

Ninguno en abstracto. Depende de la tarea, el presupuesto, la latencia que admite el proceso y dónde deben procesarse los datos. Lo fiable es probar dos o tres candidatos con casos reales y un aprobado fijado de antemano, y quedarse con el más barato de operar entre los que lo superen.

¿El modelo más barato por token es el más barato para mi empresa?

No necesariamente. Si exige reintentos, correcciones o una revisión larga, el coste por tarea aceptada sube. Calcula con tus casos los tokens de entrada y salida, el razonamiento, los reintentos y el tiempo de revisión.

¿Se pueden usar estos modelos procesando los datos en la UE?

Sí, con condiciones. OpenAI ofrece residencia europea a cuentas aptas; Claude, en las regiones europeas de Amazon Bedrock; Gemini, con los endpoints de la UE de Vertex AI, y Mistral aloja los datos en la UE por defecto. Comprueba el modelo concreto y el contrato.

¿Cada cuánto hay que repetir la evaluación?

Cuando cambie la versión del modelo, el proceso, los documentos, el volumen o una condición de precio o de datos. Conserva una batería estable para detectar regresiones y añade los errores nuevos que aparezcan.

Lecturas relacionadas

• Comparador de LLMs
• IA interna para empresas
• Fine-tuning o RAG
• Testing de sistemas de IA