Cómo elegir un modelo de IA

No hay mejor modelo general

La primera regla: no existe el mejor modelo de IA en abstracto. El que lidera programación puede ser mediocre analizando imágenes; el más capaz suele ser el más caro y lento; el más barato puede alcanzar si tu tarea es simple. Quien te recomiende un modelo sin preguntar tu caso está haciendo marketing, no asesoramiento.

La forma profesional de elegir es invertir el orden: primero definir la tarea y las restricciones, después filtrar candidatos con criterios objetivos y por último probar con tus propios ejemplos. Este sitio te ayuda en cada paso: el asistente ¿Qué IA necesito? filtra por tu caso, el comparador pone fichas lado a lado y el observatorio muestra benchmarks por capacidad.

Los nueve criterios

1. Tarea: ¿programar, razonar, visión, audio, embeddings, generar multimedia? Cada familia brilla en lo suyo (ver especialización abajo).
2. Calidad medida: benchmarks de TU capacidad (SWE-bench para código, MMMU para visión), nunca un puntaje general inventado.
3. Latencia: modelos grandes responden más lento; para chat interactivo o agentes con muchos pasos, la velocidad es calidad.
4. Costo: precio de entrada y de salida por separado, más tu volumen estimado (usá la calculadora del comparador).
5. Privacidad: ¿pueden tus datos viajar a un proveedor? Si no, filtrá por ejecución local.
6. Contexto: ¿entran tus documentos enteros? Ventana grande más precio por token: hacé la cuenta.
7. Herramientas: si necesitás agentes, exigí tool calling y salida estructurada confirmados.
8. Ejecución local: licencia + parámetros vs tu hardware.
9. Licencia y estabilidad: ¿podés construir un negocio encima? ¿El proveedor mantiene versiones o las retira cada año?

Especialización: familias por uso

• Generalistas: buenos en todo; son el punto de partida razonable para tareas variadas.
• Programación: entrenados con énfasis en código; se evalúan con HumanEval y SWE-bench.
• Razonamiento: generan pasos intermedios largos; mejores en matemática y lógica, más lentos y caros.
• Visión y audio: entienden o generan esas modalidades (ver guía de multimodalidad).
• Embeddings: no conversan; convierten texto en vectores para búsqueda semántica y RAG.
• Generación multimedia: imagen, video o voz, normalmente modelos especializados aparte del LLM.

Empezá por un generalista capaz, medí con tus ejemplos reales y solo entonces especializá: la mayoría de las decepciones vienen de elegir el modelo por el anuncio en vez de por la tarea.

Fuentes

• Evaluating Large Language Models Trained on Code (HumanEval) (paper) · consultado 20/09/2026
• SWE-bench (documentación oficial del benchmark) (documentacion-oficial) · consultado 20/09/2026