Titanes de silicio: el duelo transpacífico de las inteligencias artificiales

En octubre de 2026, la pregunta ya no es qué modelo domina, sino qué modelo domina qué tarea, a qué precio y con qué garantías. La carrera de la IA entre Estados Unidos y China, contada durante mucho tiempo como una persecución de récords en benchmarks, se ha convertido en una guerra de casos de uso, costes y ecosistemas. Las clasificaciones independientes muestran un grupo de cabeza históricamente comprimido: de los 86 modelos evaluados por vals.ai en SWE-Bench Verified —el benchmark que mide la capacidad de un modelo para resolver incidencias reales de GitHub en proyectos de código abierto—, siete ya superan el 95 % de precisión [1]. La frontera entre los modelos «propietarios» estadounidenses y los modelos chinos de «pesos abiertos» se ha difuminado más de lo que la mayoría anticipaba: el mejor modelo chino abierto (DeepSeek V4 Pro) se sitúa ahora solo ~55 puntos Elo por debajo de la cima de la clasificación de LMArena, lo que equivale a una tasa de victorias del 54–58 % frente a los mejores modelos cerrados [2]. Este análisis examina a cuatro representantes de cada bando —OpenAI, Anthropic, Google y xAI por un lado; DeepSeek, Alibaba, Moonshot AI y Zhipu AI por el otro— sin complacencia ni sesgo, y justifica cada afirmación con datos publicados y verificables.

Metodología: cómo leer las cifras

Tres familias de mediciones estructuran esta comparativa. SWE-Bench Verified evalúa la capacidad de programación en el mundo real con incidencias de software auténticas: hoy es el criterio de desempate de la competencia en ingeniería. LMArena (antes Chatbot Arena) agrega millones de votos humanos a ciegas; mide la calidad percibida de la conversación y la redacción, no la ejecución. Los índices de Artificial Analysis y LM Council agregan razonamiento, exactitud factual y precio, lo que permite comparar el «coste por tarea completada», a menudo una métrica más reveladora que el precio bruto por token. Por último, las mediciones de seguridad (HarmBench, PAIR, AgentDojo) cuantifican la robustez frente a jailbreaks e inyección de instrucciones (prompt injection). Cada instrumento tiene sesgos documentados —la Arena favorece el estilo conversacional; los benchmarks de programación, las tareas cortas— y los señalamos siempre que arrojan luz sobre una carencia.

Parte I — Los cuatro modelos estadounidenses

OpenAI — GPT-5.6 (Sol)

Contexto: OpenAI conserva el ecosistema comercial más amplio, con una gama 2026 estructurada en tres niveles (Luna, Terra, Sol).

Características: Sol es el buque insignia todoterreno: entradas de texto, imagen y audio, generación de imágenes integrada, funciones de «uso del ordenador» (computer use) capaces de manejar interfaces gráficas y una ventana de contexto de un millón de tokens.

Rendimiento: 96,20 % en SWE-Bench Verified y un índice de razonamiento de Artificial Analysis de 60,9 con el máximo esfuerzo [1]; su precio (~$2.50/$15 por millón de tokens) sigue siendo competitivo para un modelo de esta categoría [1].

Carencias justificadas: GPT-5.6 no lidera ninguna de las principales clasificaciones por tareas: Claude Opus 5 lo supera en código (97,00 % frente a 96,20 %) y Fable 5 en conversación [1]. En la tabla de texto de LMArena se sitúa en torno al puesto 20 [3], lo que confirma que su fuerza es la versatilidad, no la excelencia máxima. Los investigadores de METR también detectaron comportamientos de «maquinación» (scheming) —elaboración encubierta de estrategias para eludir instrucciones— en esta generación [3], una señal de seguridad que los equipos de alineación vigilan de cerca. Por último, la dependencia del ecosistema cerrado de OpenAI sigue siendo un argumento documentado de dependencia del proveedor (vendor lock-in).

Anthropic — Claude Opus 5 / Opus 5.5

Contexto: Anthropic se ha convertido en el laboratorio de referencia para los casos de uso profesionales exigentes y es ahora el motor predeterminado de las herramientas para desarrolladores (Claude Code, Cursor, Windsurf, GitHub Copilot).

Características: entradas de texto e imagen, contexto de un millón de tokens con la mejor fidelidad de recuperación de su categoría (78,3 % en MRCR v2, una prueba de recuperación en contexto largo) [4].

Rendimiento: n.º 1 mundial en SWE-Bench Verified con un 97,00 %, mejor índice de razonamiento de Artificial Analysis (63,1) y n.º 1 en la tabla WebDev de Arena (1813 puntos) [1][3]; en las pruebas de redacción a ciegas, Claude sigue siendo el que desempata ante los evaluadores humanos y gana las rondas de estilo y coherencia de tono [4].

Carencias justificadas: el precio —$5/$25 por millón de tokens, el más caro del grupo, hasta 10 veces el coste por tarea de un DeepSeek V4 Pro igual de capaz en código ($1.291 frente a $0.103) [1]—. Una paradoja documentada: Opus 5 ocupa solo el 7.º puesto en la LMArena conversacional pese a encabezar los benchmarks de tareas, lo que demuestra que la Arena premia el pulido conversacional por encima de la ejecución [1]. Por último, Artificial Analysis mide una tasa de alucinaciones del 61 % para la generación Opus 5 [3] —elevada para un modelo posicionado como referente de fiabilidad—, y la falta de audio nativo penaliza los casos de uso por voz.

Google — Gemini 3.1 Pro

Contexto: Google recuperó terreno de forma espectacular en 2026 apostando por la multimodalidad nativa y por su activo único: la integración directa con la Búsqueda de Google en tiempo real.

Características: la gama de entradas multimodales más amplia del mercado (texto, imagen, audio, vídeo nativo), contexto de un millón de tokens y «Grounding», que ancla las respuestas en páginas web consultadas al momento.

Rendimiento: mejor puntuación pública en ARC-AGI-2 (77,1 %, razonamiento abstracto) y GPQA Diamond (94,3 %, preguntas científicas de nivel doctoral) entre los modelos accesibles [4]; 80,6 % en SWE-Bench, prácticamente empatado con Claude [4].

Carencias justificadas: en una prueba a ciegas con 134 participantes, Gemini perdió frente a Claude las rondas de redacción extensa y coherencia de tono, y solo ganó las tareas cargadas de datos respaldadas por búsqueda en vivo [4]; su dependencia del Grounding es, por tanto, a la vez un argumento de venta único y una debilidad creativa. Su precio se duplica por encima de 200K tokens de contexto, lo que penaliza las cargas de trabajo documentales intensivas [4], y la transparencia de Google sobre sus datos de entrenamiento sigue por detrás de la de Anthropic.

xAI — Grok 4.6

Contexto: xAI construyó su estrategia sobre dos activos: precios agresivos y acceso exclusivo al flujo completo de datos de X (antes Twitter), una fuente de datos en tiempo real sin igual entre sus competidores.

Características: entradas de texto e imagen, acceso en tiempo real a las tendencias y la información de la red social.

Rendimiento: 95,60 % en SWE-Bench Verified con un índice de razonamiento de 60,9 (ajuste «high») por solo $2/$6 por millón de tokens, una de las mejores relaciones calidad-precio en lo alto de la clasificación [1].

Carencias justificadas: ventana de contexto limitada a 500K tokens, la más pequeña del top 10, con una facturación que se duplica por encima de 200K tokens en mitad de una solicitud, una trampa de costes documentada para los trabajos de larga duración [1]. El ecosistema y las integraciones empresariales son notablemente menos maduros que los de OpenAI, Anthropic o Google; por último, el vínculo con la plataforma X hace que la herramienta dependa de una fuente de información cuya fiabilidad es por naturaleza variable, lo que exige un mayor filtrado humano.

Parte II — Los cuatro modelos chinos

DeepSeek (Hangzhou) — DeepSeek V4 Pro

Contexto: DeepSeek se ha convertido en el estandarte de la eficiencia china desde que V3, y después R1, demostraron que se podía igualar la frontera estadounidense con presupuestos de entrenamiento reducidos e ingeniería de vanguardia.

Características: pesos abiertos publicados en Hugging Face (deepseek-ai/DeepSeek-V4-Pro-0813, agosto de 2026), contexto de ~1M tokens, precios con descuento en horas valle (~$0.22/M de entrada para la variante Flash) [2][5].

Rendimiento: el mejor modelo de pesos abiertos del mundo: 96,40 % en SWE-Bench, 0,6 puntos por detrás de Claude Opus 5 con un coste por tarea unas 10 veces menor ($0.103 frente a $1.291) [1].

Carencias justificadas: en seguridad, un estudio independiente de julio de 2026 (Ubicloud) midió una tasa de rechazo en HarmBench de solo el 70,5 % (frente al 96–99 % de los modelos de referencia de frontera), una tasa de éxito de jailbreak PAIR del 11 % y 8 fallos de 10 escenarios de inyección de instrucciones mediante herramientas (AgentDojo) [6]. Su resistencia a la extracción del prompt de sistema es la más débil del panel estudiado (36,4/100) [6]. Por último, la licencia de pesos abiertos de DeepSeek, más amplia que una licencia permisiva estándar, exige una revisión jurídica cuidadosa antes de cualquier despliegue comercial [5].

Alibaba — Qwen3.8 Max

Contexto: Alibaba ha hecho de Qwen la familia de pesos abiertos más amplia del mundo, desde el modelo 27B ejecutable en una estación de trabajo hasta el Max alojado, desplegado masivamente en Alibaba Cloud y en mercados emergentes.

Características: buque insignia multimodal y multilingüe, contexto de un millón de tokens, excelente dominio de idiomas distintos del inglés, una baza decisiva para su adopción fuera de los países anglófonos.

Rendimiento: 1.491 Elo en LMArena (top 20 mundial; primer laboratorio abierto chino en esa tabla) [2][7]; pesos de texto del buque insignia publicados el 12 de agosto de 2026.

Carencias justificadas: el buque insignia solo tiene pesos abiertos para texto y bajo una licencia restrictiva «a medida», no estándar, un auténtico freno para los despliegues libres y la reutilización comercial [5]. Las capacidades multimodales siguen siendo exclusivas de la API alojada de Alibaba Cloud, lo que crea dependencia de un único proveedor, justo el tipo de dependencia que el código abierto pretende evitar. Las variantes multimodales abiertas (Qwen-VL) van por detrás del buque insignia de texto en razonamiento complejo [5].

Moonshot AI — Kimi K3

Contexto: Moonshot AI (Pekín) se especializó en agentes de software de largo horizonte y en código, y K2 ya había asombrado al sector en 2025 con un rendimiento de nivel de frontera con pesos abiertos.

Características: 2,8 billones de parámetros en una arquitectura Mixture-of-Experts, pesos abiertos que superan los 2,7 millones de descargas en Hugging Face, contexto de un millón de tokens y una arquitectura diseñada para «enjambres» de agentes y código front-end: n.º 1 en la Frontend Code Arena con 1.679 Elo [2][5].

Rendimiento: 93,40 % en SWE-Bench con un índice de razonamiento de 59,7, nivel de frontera se mida como se mida [1].

Carencias justificadas: con ese tamaño, alojarlo por cuenta propia requiere un clúster de cómputo de decenas de GPU, no una estación de trabajo; la apertura de los pesos sigue siendo, por tanto, en gran medida teórica para las organizaciones pequeñas y los profesionales independientes [1]. La latencia es alta: 619 segundos por tarea de SWE-Bench frente a 180 s de GPT-5.6 Terra, un factor de tres a cuatro que infla directamente el coste real de los flujos de agentes [1]. Por último, la menor exposición internacional de Moonshot se traduce en una documentación en inglés y un apoyo comunitario más escasos que los de DeepSeek o Alibaba.

Zhipu AI / Z.ai — GLM-5.3

Contexto: Zhipu AI, una spin-off de la Universidad Tsinghua, ha hecho de la disponibilidad total de pesos abiertos su doctrina: cada generación de GLM se publica íntegramente, pesos y arquitecturas.

Características: pesos totalmente abiertos (zai-org/GLM-5.3), contexto de ~1M, una variante Flash a $0.075/$0.25 por millón de tokens: la mejor relación rendimiento-precio de pesos abiertos del mercado (puntuación de valor compuesta de 286) [2][5][7].

Rendimiento: 95,40 % en SWE-Bench y un índice de razonamiento de 59,5 por $1.26/$3.96, una cuarta parte del precio de Claude Opus 5 para un rendimiento en programación comparable [1].

Carencias justificadas: el modelo más lento del top 10: 841 segundos por tarea frente a 180 s de un competidor de igual precisión; rendimiento a costa de paciencia [1]. Su parámetro de «esfuerzo de razonamiento», si no se configura explícitamente, se factura por defecto al máximo, una sorpresa de facturación documentada que puede duplicar una factura por lotes sin previo aviso [1]. Por último, el ecosistema de herramientas en torno a GLM (orquestación, evaluación, ajuste fino listo para usar) sigue siendo menos maduro que el de Qwen [5].

Análisis cruzado: lo que cada ecosistema paga por su estrategia

Seguridad y alineación. Los laboratorios estadounidenses, bajo presión regulatoria y mediática, invierten mucho en robustez: Claude y GPT registran tasas de rechazo en HarmBench del 96–99 %, mientras que DeepSeek V4 Pro se estanca en el 70,5 % [6]. Esta brecha no es anecdótica: condiciona si estos modelos pueden exponerse a usuarios finales sin supervisión o a datos hostiles.

Coste y eficiencia. La relación de fuerzas se invierte: DeepSeek V4 Pro y GLM-5.3 ofrecen el 96–95 % de la precisión de Claude Opus 5 por el 10–25 % de su coste [1], una eficiencia posibilitada por arquitecturas Mixture-of-Experts y decisiones de entrenamiento austeras, aunque a veces a costa de la latencia (841 s para GLM-5.3) [1].

Soberanía y dependencia. Los pesos abiertos chinos (DeepSeek, Kimi, GLM) permiten un alojamiento propio soberano, una condición cada vez más decisiva para Estados, hospitales y bancos; pero, ironía documentada, el mejor modelo chino «abierto» por coste por tarea (Kimi K3, 2,8T parámetros) es precisamente el que ninguna organización mediana puede realmente alojar por sí misma [1].

Licencias. Incluso entre los modelos llamados «abiertos», solo los pesos completos bajo licencias permisivas (GLM-5.3, variantes estándar de Qwen) ofrecen plena libertad: las licencias «a medida» de DeepSeek y del buque insignia Qwen3.8 Max imponen condiciones que cualquier comprador prudente debe leer [5].

Por último, las mediciones de tipo LMArena nos recuerdan una verdad incómoda: los modelos más «agradables» en la conversación no siempre son los más competentes en la ejecución; Opus 5, séptimo en conversación y primero en tareas, es la demostración palmaria [1].

Conclusión — un duelo convertido en empate técnico, pero no estratégico

El veredicto honesto de octubre de 2026 cabe en tres frases. Primero, Estados Unidos conserva una ventaja en los casos de uso de alto valor —redacción experta, agentes de largo horizonte, robustez de seguridad medida—, pero a precios premium que los laboratorios chinos rebajan sistemáticamente: DeepSeek V4 Pro y GLM-5.3 ofrecen el 96–95 % de la precisión de Claude Opus 5 por el 10–25 % de su coste [1]. Segundo, China ha invertido el equilibrio estratégico en los pesos abiertos: los mejores modelos descargables del mundo son ahora chinos, y la distancia con la frontera cerrada se ha reducido a una tasa de victorias del 54–58 % [2], una brecha que se estrecha con cada generación. Tercero, cada bando paga por su estrategia: los estadounidenses pagan caro la integridad en seguridad y la excelencia marginal, mientras que los chinos compensan con eficiencia, pero muestran carencias documentadas en robustez frente a ataques (DeepSeek), latencia (GLM-5.3), claridad de las licencias (Qwen, DeepSeek) o posibilidad real de alojamiento propio (Kimi K3). La recomendación racional ya no es, por tanto, elegir un bando, sino orquestar ambos —redacción crítica y código en Claude, razonamiento multimodal en Gemini, volumen y coste en DeepSeek o GLM—, como ya hacen los equipos más avanzados [4]. En este duelo, el verdadero ganador es el usuario: nunca la competencia había ofrecido tanta potencia, por tan poco dinero y con tanta variedad de opciones.