Escribir un correo, resumir un documento o resolver una consulta parece sencillo para los asistentes de inteligencia artificial. Sin embargo, las diferencias aparecen cuando deben respetar instrucciones precisas, reconocer información que desconocen o interpretar expresiones propias del español. Una evaluación reciente permite comparar cinco de ellos y descubrir cuáles son más fiables según la tarea.
El proyecto independiente Ranking IA publicó una nueva medición el 11 de octubre de 2026. Analizó 11 modelos mediante 25 pruebas prácticas, repetidas cuatro veces por sistema. En total, examinó 1.100 respuestas de redacción, veracidad, razonamiento, seguimiento de instrucciones y dominio del idioma.
Para este artículo elegimos cinco, de fabricantes diferentes. Los resultados proceden de esa investigación, cuya metodología y datos están disponibles públicamente. ENTER.CO no hizo una prueba propia.
| Modelo evaluado | Calificación global | Dominio del español |
|---|---|---|
| Claude Fable 5.1, Anthropic | 97,3 % | 95,3 % |
| GPT-6 Astra, OpenAI | 96,5 % | 100 % |
| Grok 4.7, xAI | 87,1 % | 57,3 % |
| Gemini 3.8 Flash, Google | 81,0 % | 79,2 % |
| DeepSeek V4.1-Flash | 77,5 % | 73,5 % |
*Fuente de las cifras — Ranking IA, actualización del 11 de octubre de 2026. Son puntuaciones de modelos concretos, no de todas las versiones disponibles en sus respectivas aplicaciones.
Claude lidera la evaluación, pero GPT destaca en español
Claude Fable 5.1 obtuvo la mayor calificación global entre los cinco seleccionados. Su desempeño sugiere un buen manejo de tareas que exigen interpretar varias condiciones a la vez y mantener coherencia en textos largos.
GPT-6 Astra quedó cerca, con una diferencia de apenas 0,8 puntos porcentuales. Es el único de los cinco con puntaje perfecto en español y registró un 99,3 % en seguimiento de instrucciones. Los intervalos de confianza de ambos se superponen, por lo que esa diferencia no demuestra una superioridad estadística concluyente.
Grok presentó una situación diferente. En conjunto fue competitivo, pero quedó muy por debajo en el manejo del idioma. Esto indica que un asistente puede resolver problemas complejos y, al mismo tiempo, presentar dificultades con determinados matices del español.
Gemini sobresalió en expresión escrita y DeepSeek obtuvo buenos resultados en veracidad, pero ninguno mantuvo un rendimiento igualmente alto en todas las categorías.
¿Cuál conviene para escribir, estudiar o consultar información?
La elección depende del trabajo. Para redactar mensajes profesionales o tareas con indicaciones detalladas, Claude y GPT presentan los resultados más sólidos de esta muestra. Gemini también puede ser una alternativa para elaborar textos, aunque hay que verificar sus datos con cuidado.
Cuando se trata de hechos locales, el panorama puede cambiar. LatamBench, otro proyecto independiente, encontró variaciones importantes en el conocimiento cultural latinoamericano. Sus cifras son preliminares y no permiten declarar un ganador definitivo.
Para comprobar qué herramienta se ajusta mejor a una necesidad concreta, lo práctico es repetir una misma consulta en varias aplicaciones. Por ejemplo, solicitar un correo de 100 palabras, sintetizar un texto con cifras comprobables y pedir una explicación en español colombiano o mexicano.
La comparación debe considerar si cada respuesta cumple las condiciones, conserva los datos originales, resulta comprensible y reconoce lo que no sabe. Una redacción fluida puede contener errores, especialmente cuando hay números o documentos de por medio. Los resúmenes creados con IA merecen una revisión cuidadosa antes de utilizarlos para tomar decisiones.
Las calificaciones tampoco describen necesariamente la experiencia gratuita de cada servicio. El modelo disponible, las herramientas activadas y los límites de cada plan pueden alterar lo que recibe cada persona.
Imagen: ENTER.CO /Generada con IA (ChatGPT)
