BOGOTÁ — La gerente de operaciones de una mediana empresa colombiana abre la factura mensual de su chatbot de atención al cliente y encuentra una línea que crece sin permiso: cada consulta que un agente resuelve, cada documento que el sistema clasifica, cada respuesta que sale por WhatsApp tiene un precio marginal. No está comprando “inteligencia artificial” en abstracto. Está comprando tokens, segundos de cómputo y milisegundos de espera. Esta semana, un análisis publicado en la prensa empresarial brasileña puso números exactos a esa intuición y lanzó una conclusión incómoda para el marketing de los laboratorios: la IA perfecta no existe; existe la IA adecuada para cada operación.
El texto, una columna de Lucas Vanzin replicada en varios medios empresariales de Brasil, se apoya en el Artificial Analysis Intelligence Index, que evaluó 12 de los principales modelos globales —GPT, Gemini, Claude, Grok, DeepSeek, Llama y Mistral— combinando nueve evaluaciones independientes que miden razonamiento, programación, conocimiento, confiabilidad, uso de herramientas y desempeño en tareas profesionales. No es una encuesta de opinión ni un ranking de popularidad: es una medición operativa.
El nut graf: el mercado de la IA empresarial está cambiando de eje. Durante dos años, la competencia se jugó en un solo tablero —quién es más listo—, y los laboratorios convirtieron cada décima de punto en un trofeo de prensa. El índice de Artificial Analysis revela que ese tablero era una ilusión parcial: el modelo que lidera en inteligencia no es el que responde más rápido, ni el que sale más barato por tarea, ni el que menos tokens consume. Comprar IA en 2026 es comprar una matriz de cuatro variables que se mueven en direcciones distintas, y optimizar solo una es regalar dinero en las otras tres. La unidad económica de la empresa ya no es la licencia: es la tarea terminada, con su precio, su velocidad y su latencia.
La anatomía del ranking: cuatro coronas, cuatro ganadores
Los datos del análisis desarman la idea de un campeón absoluto. En el índice de inteligencia —la medida que los laboratorios más publicitan—, Claude lidera con 63 puntos, seguido por ChatGPT y Grok con 61, y por Kimi y GLM con 60. Hasta aquí, la narrativa habitual: el podio de los “más listos”.
Pero el ranking cambia de dueño en cuanto se mide lo que ocurre en producción. En velocidad de generación, Gemini lidera con 346 tokens por segundo, seguido por Nemotron con 307 y ChatGPT con 200; Gemini también registra el menor tiempo medio por tarea, 0,6 minutos. En costo, el orden se invierte por completo: ChatGPT presenta el menor costo por tarea, 0,05 dólares, seguido por Nemotron con 0,08 y GLM con 0,09. Y en eficiencia de consumo —cuántos tokens necesita cada modelo para concluir las tareas del índice—, Gemini utiliza cerca de 14.000 tokens por tarea, frente a los 17.000 de ChatGPT y los 22.000 de Grok.
| Dimensión | Líder | Dato medido |
|---|---|---|
| Inteligencia (índice compuesto) | Claude | 63 puntos (ChatGPT y Grok: 61) |
| Velocidad de generación | Gemini | 346 tokens/segundo |
| Costo por tarea | ChatGPT | 0,05 USD por tarea |
| Eficiencia (tokens por tarea) | Gemini | ~14.000 tokens |
| Latencia al primer token | Nemotron | 7,2 segundos |
La latencia —el tiempo que un cliente espera mirando los tres puntos suspensivos— tiene su propio podio: Nemotron genera el primer token en 7,2 segundos, seguido por Gemini con 8,1 y ChatGPT con 10,8. En el tiempo total para procesar la entrada, razonar y entregar una respuesta de 500 tokens, Nemotron también lidera con 8,8 segundos.
┌──────────────────────────────────────────┐
│ ¿QUÉ NECESITA LA OPERACIÓN? │
└───────────────────┬──────────────────────┘
┌───────────┼──────────────┐
▼ ▼ ▼
Razonamiento Volumen Latencia
complejo masivo crítica
(auditoría, (clasificar (WhatsApp,
código, miles de voz,
legales) PQRS) agentes)
│ │ │
▼ ▼ ▼
Prioriza Prioriza Prioriza
INTELIGENCIA COSTO POR VELOCIDAD +
aunque cueste TAREA y LATENCIA
más por eficiencia aunque el
tarea de tokens modelo no sea
el "más listo"El diagrama resume el marco de decisión que el análisis propone: la pregunta “¿cuál es la mejor IA?” está mal formulada. La pregunta correcta es “¿qué variable manda en esta operación?”.
La fricción: benchmark contra factura
Detrás de la retórica corporativa se libra una disputa silenciosa entre dos escuelas. La primera —la de los laboratorios— vive del benchmark: cada punto del índice de inteligencia es un argumento de venta, y la narrativa es que más inteligencia equivale a más tareas autónomas, lo que equivale a más valor. Es una historia limpia, fácil de presentar en un keynote.
La segunda escuela —la del análisis brasileño y la de un ranking independiente publicado en España a comienzos de octubre de 2026— responde con la factura. Ese ranking español, construido sobre el mismo índice de Artificial Analysis (versión 4.3.2), muestra a Claude Opus 5.5 en cabeza con 58 puntos, seguido por GPT-6 Astra y Gemini 4 Argon, pero su conclusión editorial es demoledora para la primera escuela: la decisión se ha vuelto más comercial que técnica. Precios, privacidad y ecosistema pesan más que un punto porcentual en un benchmark. Su receta no es elegir un ganador, sino no casarse con ninguno: dar a cada equipo acceso a varios modelos desde una plataforma única y asignar el modelo por defecto según el tipo de tarea.
La paradoja que subyace al anuncio es que ambas escuelas tienen razón a medias. Un modelo más inteligente puede resolver en una sola pasada lo que otro resuelve en tres, y eso también es economía. Pero cuando la diferencia de inteligencia entre el primero y el tercero del ranking es de dos puntos y la diferencia de costo por tarea es de varios múltiplos, la aritmética empresarial no perdona: pagar el triple por tarea para obtener el mismo resultado no es estrategia, es margen regalado.
El lente latinoamericano: dólares afuera, pesos adentro
Para una empresa en Colombia, el ranking tiene una quinta dimensión que los índices globales no miden: la factura llega en dólares y el presupuesto está en pesos. Cada centavo por tarea se multiplica por la tasa de cambio y por el volumen, y un chatbot que atiende diez mil consultas al mes convierte una diferencia de 0,03 dólares por tarea en una línea presupuestal visible.
Los casos de uso típicos del país caen en casillas distintas del diagrama. Un asistente de WhatsApp para una EPS o un banco vive o muere por la latencia: el tiempo al primer token es la diferencia entre un cliente atendido y un cliente que cuelga. Una conciliación contable o una revisión contractual tolera un costo por tarea mayor a cambio de razonamiento fiable. Y una operación que clasifica miles de PQRS, facturas o hojas de vida al día es territorio del costo por tarea: ahí ganan los modelos eficientes y los pesos abiertos.
Esa última categoría abre la puerta de la soberanía. Llama, Mistral, DeepSeek, GLM y Kimi aparecen en el ranking no como curiosidades académicas, sino como opciones operativas: modelos de pesos abiertos que pueden correrse en infraestructura propia, sin que los datos sensibles de banca, salud o gobierno viajen a servidores extranjeros. Para sectores regulados, esa variable puede pesar más que cualquier podio de inteligencia.
El análisis conecta además con la tendencia que este mismo blog documentó hace días: la economía de la inferencia se está convirtiendo en el presupuesto más vigilado de la empresa. Como muestran las proyecciones de Gartner sobre el costo de los agentes, para 2029 la mayoría de las organizaciones medirá el costo total de su IA frente al valor obtenido. El ranking de Artificial Analysis es, en el fondo, la primera herramienta práctica para esa medición: cuatro variables, doce modelos, cero excusas.
Quien quiera profundizar en la comparación directa entre los tres grandes puede revisar la comparativa de Grok, GPT y Claude publicada este año; y para una guía general de los modelos disponibles, el pilar de modelos de IA de Arpón mantiene el mapa completo actualizado.
La gerente de operaciones del comienzo de esta historia no necesita el modelo más listo del mundo. Necesita saber cuánto cuesta cada tarea que su empresa repite diez mil veces al mes, cuántos segundos tarda en responder y qué pasa con sus datos en el camino. El ranking no le dice cuál IA comprar. Le dice, por fin, qué preguntas hacer antes de firmar.