Cómo elegimos un modelo
Un modelo no se elige por moda. Se elige evaluándolo con los prompts del cliente, su coste, la residencia de los datos y los fallos observados. Así lo hacemos, en abierto.
Evaluamos candidatos de OpenAI, Anthropic, Google (Gemini), DeepSeek, Z.ai (GLM), Alibaba (Qwen), Mistral y modelos abiertos en local, con prompts reales de clientes en español, francés e inglés. La regla: un modelo no se elige por moda, sino por los fallos observados y por un coste defendible.
El marco antes que el modelo
Cinco restricciones deciden; el ranking llega después.
Elegir un modelo en 2026 no empieza por un leaderboard: empieza por tus restricciones. Un modelo que gana un benchmark en inglés puede fallar con el español de tu operación, costar el doble por token o no poder residir donde tu cumplimiento lo exige.
El marco de evaluación de modelos de Slash AI Lab tiene cinco ejes: idioma, código, agentes, coste y privacidad. Los medimos con los prompts del cliente, no con tareas genéricas, y los comparamos con el mejor modelo genérico disponible como referencia.
Cómo corre la evaluación
Reproducible por diseño: cualquiera puede repetirla.
Reunimos 30 prompts fijos por cliente o por industria (tareas reales de negocio, no juguetes) y los ejecutamos contra cada candidato en la nube y, cuando aplica, en inferencia local.
Cada corrida mide cuatro cosas: la calidad (juzgada contra criterios acordados), los fallos observados (qué rompe el modelo cuando algo sale mal), el coste por inferencia y la latencia p95. El resultado es una comparativa por eje, no un puntaje único.
- Prompts: 30 fijos por cliente, versionados.
- Motores: 5 finalistas por corrida, elegidos entre los candidatos.
- Idiomas: español de empresa, francés e inglés.
- Salida: comparativa por eje con una recomendación reproducible.
Los fallos pesan más que los aciertos
Lo que rompe la confianza en producción son los errores.
Un benchmark de aciertos premia lo fácil. Lo que decide un despliegue es qué pasa cuando el modelo se equivoca: ¿responde con falsa seguridad?, ¿inventa fuentes?, ¿abandona el idioma del cliente bajo presión?
Por eso la evaluación incluye casos hostiles: prompts ambiguos, datos sucios, herramientas caídas y preguntas fuera de alcance. Si el modelo falla de forma peligrosa, vuelve a diseño, diga lo que diga el ranking.
Cuando sale un modelo nuevo
Un lanzamiento es una hipótesis, no una migración.
En 2026 los grandes laboratorios publican versiones nuevas cada pocas semanas. Un anuncio como el de Claude Opus 5.5 (22 de septiembre de 2026) cambia la lista de candidatos, no la decisión: el modelo nuevo pasa por los mismos 30 prompts antes de tocar producción.
Lo que miramos primero es el coste por tarea resuelta, no el precio por token. Un modelo más caro por token puede salir más barato si termina el trabajo en menos intentos, y al revés.
Lo que este estudio no es
Limitaciones declaradas, sin humo.
No es un ranking comprado ni patrocinado; no cubre modelos a los que no podemos dar carga real; y no sustituye la evaluación con tus propios prompts. Es la base pública del método que corre en cada proyecto de Slash.
Lo esencial
- El marco: idioma, código, agentes, coste y privacidad, en ese orden de discusión.
- 30 prompts fijos por cliente, versionados y reproducibles.
- Los fallos observados pesan más que los aciertos del benchmark.
- Un modelo nuevo entra como candidato, no como migración automática.
- Inferencia local cuando el cumplimiento lo exige; nueva evaluación cada trimestre.
Fuentes
Nota editorial: este análisis refleja la información pública disponible en la fecha de revisión. Modelos, precios y normas cambian rápido; cada dato de terceros enlaza a su fuente y nuestras opiniones se presentan como tales. ¿Ves un error? Escríbenos a contact@slash-digital.io.
Las preguntas que escuchamos a menudo
¿Qué modelos entran en la evaluación?
Candidatos de OpenAI, Anthropic, Google, DeepSeek, Z.ai, Alibaba, Mistral y modelos abiertos en local; cada corrida compara cinco finalistas y la lista exacta queda documentada en el informe.
¿Por qué 30 prompts?
Es el mínimo que separa la suerte de la consistencia en tareas reales de negocio; más prompts añaden coste sin cambiar la conclusión en la mayoría de los casos.
¿Por qué evaluar en español y francés?
Porque ahí se rompen los modelos: el español de empresa y el francés son idiomas de trabajo de Slash, no extras.
¿Puedo pedir una corrida con mis prompts?
Sí: una corrida acotada con tus prompts y un informe reproducible. Escríbenos desde la página de Slash AI Lab.
¿Cuándo actualizan la comparativa?
Cada trimestre, o antes si un lanzamiento relevante justifica repetirla.
Más análisis para seguir
Claude Opus 5.5: qué cambia para las empresas
Lanzado el 22 de septiembre de 2026: más barato que Opus 5, nivel Fable 5.1 según Anthropic. Precio, benchmarks, cambios técnicos y cuándo usarlo.
Agentes e ingenieríaEvals: cómo probar un sistema con LLM
Por qué probar a ojo falla: set de oro en español y francés, jueces LLM calibrados, gates de regresión en CI, herramientas y cuánto cuesta evaluar.
ModelosEl mapa de modelos de IA, octubre de 2026
Claude Opus 5.5 y Sonnet 5.5, GPT-6 Astra, Gemini 4 Argon, Grok 4.7 y Muse Spark: quién lidera en octubre de 2026, cuánto cuesta cada franja y qué probar.
Pongámoslo en producción
Cuéntanos tu reto. Respondemos en menos de 24 horas laborales con una primera lectura honesta: si podemos ayudarte, te diremos cómo; si no, te diremos quién puede.
Contesto personalmente. Sin formularios eternos ni respuestas automáticas.