TL;DR: «¿Qué IA debería usar?» es una de las preguntas más comunes de la era del asistente, y casi toda respuesta queda obsoleta en semanas, porque la frontera se reordena sin cesar. La habilidad duradera no es memorizar al líder de hoy; es el enrutamiento, es decir, hacer coincidir una tarea con el único eje de capacidad del que realmente depende, y luego elegir cualquier modelo que supere el listón en ese eje al menor costo. Esta guía te da los cinco ejes que deciden la elección de modelo: profundidad de razonamiento, longitud de contexto, modalidad, latencia y costo, y privacidad, y una Matriz de enrutamiento tarea-modelo que asigna los trabajos habituales del conocimiento al eje que los gobierna. Te enseña a leer tú mismo los referentes públicos: SWE-bench Verified para programar, GPQA Diamond para razonamiento difícil, AIME para matemáticas, LMArena para preferencia humana y Artificial Analysis para una vista combinada, para que evalúes un modelo nuevo el día en que sale en lugar de esperar la clasificación de alguien. Y te da el patrón de cascada de costos que envía el trabajo fácil a un modelo barato y solo escala los casos difíciles. Un CEO no compra la herramienta más cara para cada trabajo; un estudiante no deja de revisar si lo mejor del mes pasado sigue siendo lo de este mes.
Cada una o dos semanas un modelo nuevo encabeza algún referente, un titular proclama un nuevo rey, y una nueva tanda de artículos «la mejor IA para X» caduca antes de terminar de escribirse. Si tu estrategia de elección de modelo es recordar al ganador del momento, has aceptado un trabajo sin fin y aun así te equivocarás la mitad de las veces, porque la respuesta depende de la tarea, no del trofeo. Los profesionales que usan bien la IA han dejado de jugar a ese juego en silencio. Enrutan.
Enrutar es dejar de preguntar «qué modelo es el mejor» y empezar a preguntar «qué capacidad necesita realmente esta tarea concreta y cuál es el modelo más barato que supera el listón». Esa pregunta tiene una respuesta estable aunque la clasificación no la tenga, porque los ejes que importan cambian mucho más despacio que los puestos sobre ellos.
Por qué «qué modelo es el mejor» es la pregunta equivocada
No hay un único mejor modelo, igual que no hay un único mejor vehículo. Un deportivo, una furgoneta de carga y una bicicleta no compiten por una corona; ganan tareas distintas. Los modelos de lenguaje de frontera se han especializado exactamente así. Uno lidera en escribir código, otro en razonamiento de varios pasos, otro en sostener un millón de tokens de contexto, otro en costo por llamada. Preguntar cuál es el mejor es un error de categoría. Preguntar cuál encaja en este trabajo es toda la habilidad.
Este reencuadre libera, porque convierte un problema de seguimiento imposible en un problema de diagnóstico manejable. No necesitas conocer la puntuación de cada modelo en cada prueba. Necesitas saber qué exige tu tarea y cómo comprobar si un candidato lo cumple. Es una pregunta que puedes responder en minutos y volver a responder cada vez que el campo se mueve. Es el mismo cambio de coleccionar herramientas a ajustar herramientas que hicimos en la pila de productividad de IA: la clasificación es perecedera, el método de selección no.
Los cinco ejes que realmente deciden la elección de modelo
Casi toda decisión de enrutamiento se reduce a cuál de cinco ejes domina la tarea. Nombra el eje dominante y la elección se estrecha de docenas de modelos a una lista corta.
Profundidad de razonamiento. ¿La tarea exige lógica de varios pasos, planificación, matemáticas o cadenas cuidadosas de inferencia, o es sobre todo recuperación y reformulación? El razonamiento difícil es donde los modelos más capaces y caros ganan su precio. El simple reformateo es donde son puro desperdicio.
Longitud de contexto. ¿Cuánto material debe sostener el modelo a la vez? Resumir un párrafo casi no requiere nada. Analizar un contrato de doscientas páginas, una base de código entera o un año de actas requiere una gran ventana de contexto, y es una restricción dura: un modelo que no puede contener la entrada no puede hacer la tarea con ninguna calidad.
Modalidad. ¿La entrada es solo texto, o incluye imágenes, audio, gráficos, capturas de pantalla o vídeo? Una tarea que depende de leer un diagrama o una captura necesita un modelo genuinamente multimodal, y la fuerza en solo texto no se transfiere.
Latencia y costo. ¿Es una tarea profunda única en la que esperarás y pagarás con gusto, o un trabajo de alto volumen en tiempo real que se ejecuta miles de veces y donde dominan la velocidad y el precio por llamada? El modelo correcto para un solo análisis estratégico suele ser el equivocado para una automatización que se dispara en cada ticket de soporte.
Privacidad y control. ¿Los datos pueden salir de tu entorno? Cierto material, regulado, confidencial o propietario, no puede ir a una API de terceros, lo que te empuja hacia modelos de pesos abiertos que puedes autoalojar, incluso a un costo de capacidad. Este eje puede anular todos los demás.
La disciplina es identificar el eje dominante antes de hacer la lista corta. La mayoría de las tareas tienen un eje que decide el resultado y otros que apenas cuentan. Un trabajo de clasificación de alto volumen lo gobierna el costo, no el razonamiento de frontera. Un análisis de contrato lo gobierna la longitud de contexto, no la velocidad. Dirige con el eje que ata.
La Matriz de enrutamiento tarea-modelo
La siguiente matriz, un marco editorial de CEOtudent, asigna los trabajos habituales del conocimiento al eje que los gobierna y a la regla de selección que se deriva. No nombra deliberadamente ningún modelo concreto, porque el ganador concreto rota; el eje que gobierna no. Úsala para construir tu lista corta y luego confirma el mejor encaje de hoy en una clasificación en vivo.
| Tarea | Eje dominante | Seleccionar por | Regla de enrutamiento |
|---|---|---|---|
| Redactar, reescribir, resumir tu propio texto | Latencia y costo | Rápido, barato, calidad de escritura suficiente | Usar un modelo de gama media; el razonamiento de frontera se desperdicia aquí |
| Programación compleja, refactorización, depuración entre archivos | Profundidad de razonamiento (más contexto) | Mejor rendimiento en el referente de código y una gran ventana de contexto | Enrutar a un líder de código actual; verificar en SWE-bench Verified |
| Análisis de varios pasos, estrategia, matemáticas o lógica difíciles | Profundidad de razonamiento | Mejores puntuaciones de razonamiento y planificación | Enrutar a un modelo de razonamiento de frontera; revisar GPQA y AIME |
| Analizar documentos largos, bases de código enteras, transcripciones grandes | Longitud de contexto | La mayor ventana de contexto fiable que contenga la entrada | Filtrar primero por capacidad de contexto, luego por calidad dentro de ese conjunto |
| Leer gráficos, capturas, diagramas, fotos, audio | Modalidad | Capacidad multimodal genuina, no añadida después | Exigir un modelo nativamente multimodal; ignorar a los líderes de solo texto |
| Automatización de alto volumen, clasificación, extracción a escala | Latencia y costo | El menor precio y latencia que alcance un piso de precisión | Usar el modelo más barato que pase tu evaluación; escalar solo los fallos |
| Datos regulados, confidenciales o propietarios | Privacidad y control | Desplegable en tu propio entorno | Preferir pesos abiertos autoalojados; aceptar cierto compromiso de capacidad |
| Conversación en tiempo real, voz, asistencia en vivo | Latencia | La respuesta más rápida a calidad aceptable | Optimizar para velocidad; la profundidad de frontera suele ser innecesaria |
El patrón a lo largo de las filas es lo esencial: el costoso modelo de frontera es la respuesta correcta solo para una minoría de tareas, las gobernadas por la profundidad de razonamiento. Para la mayoría, gobernada por el costo, la latencia, el contexto o la privacidad, enrutar a un modelo más pequeño, más barato o especializado no es una concesión. Es la decisión de ingeniería correcta.
Alfabetización en referentes: leer tú mismo las pruebas
La razón por la que puedes evaluar un modelo nuevo el día en que sale es que se reporta el mismo puñado de referentes públicos cada vez. Saber qué mide realmente cada uno te deja saltarte el bombo y leer la ficha directamente. Estos son los referentes recurrentes y lo que de verdad prueban.
| Referente | Qué mide | Qué enrutamiento informa |
|---|---|---|
| SWE-bench Verified | Capacidad de resolver de principio a fin problemas de software reales de GitHub verificados por humanos | Tareas de programación e ingeniería agéntica |
| GPQA Diamond | Preguntas científicas de nivel de posgrado escritas para ser difíciles incluso con búsqueda web | Razonamiento profundo y trabajo de dominio experto |
| AIME | Problemas de matemáticas de competición que exigen razonamiento exacto de varios pasos | Matemáticas y tareas lógicas rigurosas |
| MMLU y sucesores | Conocimiento amplio de varias materias en decenas de campos académicos | Amplitud de conocimiento general |
| LMArena (Chatbot Arena) | Preferencia humana de votos ciegos cara a cara, expresada como puntuación tipo Elo | Utilidad real global según el juicio de las personas |
| Artificial Analysis | Un índice agregado que combina calidad, velocidad y precio entre modelos | Preselección de primera pasada en la frontera costo-calidad |
Dos reglas de alfabetización te mantienen honesto. Primero, ajusta el referente al eje: una puntuación alta en MMLU dice poco sobre programar, y una alta en SWE-bench dice poco sobre leer un gráfico. Un modelo puede liderar uno y rezagarse en otro, que es justo por qué el enrutamiento vence a una clasificación única. Segundo, trata los tableros de preferencia y agregados, LMArena y Artificial Analysis, como tu mecanismo de frescura. Como se actualizan de forma continua y cubren muchos modelos a la vez, ahí confirmas el mejor encaje de hoy para una lista corta construida por la matriz. Los referentes también envejecen y se filtran en los datos de entrenamiento con el tiempo, así que la vigencia del tablero cuenta tanto como el número que hay en él. Leer las puntuaciones con criterio en lugar de creer un titular es el mismo músculo de evaluación que sostenemos que ahora es trabajo del conocimiento central en la pila de alfabetización en IA.
La cascada de costos: no pagues precios de frontera por trabajo de consulta
El único error de enrutamiento más caro es enviar cada tarea al modelo más capaz porque es la opción más segura. Es segura en calidad y temeraria en costo, y a cualquier volumen real la factura y la latencia se multiplican rápido.
El patrón profesional es una cascada. Envía la tarea primero a un modelo barato y rápido. Añade una comprobación: ¿la salida es lo bastante buena frente a un estándar claro? Si sí, has terminado a una fracción del costo. Si no, escala a un modelo más fuerte, y solo entonces a la frontera. La mayoría de las tareas se resuelven en el primer o segundo escalón, así que pagas precios de frontera solo por la minoría que de verdad necesita capacidad de frontera. Esto refleja cómo una organización bien gestionada asigna el trabajo: casos rutinarios al recurso más rápido disponible, casos difíciles escalados al especialista, y nadie pone a la persona más cara en tareas que un junior podría resolver. El juicio que hace funcionar la cascada es saber qué significa «lo bastante bueno» para cada tarea, que es la habilidad de evaluación, no la de generación. Si delegas flujos de trabajo enteros en lugar de instrucciones sueltas, la misma lógica de escalones sube de escala, como exponemos en el marco de instrucciones para agentes de IA.
Un flujo de enrutamiento sencillo que puedes aplicar hoy
Reunido, el método es una secuencia corta que puedes aplicar a cualquier tarea en menos de un minuto.
Primero, nombra el eje dominante: razonamiento, contexto, modalidad, costo o privacidad. Segundo, aplica los filtros duros; la capacidad de contexto y la privacidad van primero, porque un modelo que no puede contener tu entrada o tocar tus datos queda descalificado sea cual sea la calidad. Tercero, entre los supervivientes, consulta el referente que coincide con tu eje más un tablero de preferencia en vivo para el orden de hoy. Cuarto, empieza por el candidato más barato que plausiblemente supere el listón y escala solo si falla tu comprobación. Quinto, vuelve a ejecutar esto cada vez que el tipo de tarea se repita a escala o el campo se mueva visiblemente, porque el método de enrutamiento es permanente pero las rutas no.
Esto no es deliberadamente una lista de nombres de modelos, porque cualquier lista así se degrada. Es un procedimiento que sobrevive a cada rebaraje de la clasificación, que es precisamente lo que lo hace digno de aprenderse.
Preguntas frecuentes
¿No es más fácil usar un solo modelo de frontera para todo?
Más fácil, y por lo general equivocado en costo y a veces en encaje. Un modelo de frontera es excesivo y caro para dar formato, resumir y automatizar a gran volumen, y aun así puede ser la elección equivocada para una tarea que necesita una gran ventana de contexto o entrada multimodal en la que no lidera. Un modelo para todo cambia una pequeña comodidad por un alto costo recurrente y lagunas de capacidad ocasionales.
¿Cómo me mantengo al día si el mejor modelo cambia cada pocas semanas?
No sigues a los ganadores; sigues el método. Nombra el eje que tu tarea necesita y luego consulta un tablero de preferencia o agregado actualizado de continuo, LMArena o Artificial Analysis, para lo mejor del momento en ese eje. El tablero hace el seguimiento por ti. Aprender a leerlo una vez sustituye leer cien artículos de «la mejor IA».
¿Cuál es el error de enrutamiento más común?
Recurrir por defecto al modelo más capaz para todo, lo que desperdicia dinero y latencia en silencio, y su imagen especular, usar un modelo barato para una tarea que de verdad necesita razonamiento profundo y obtener una respuesta segura y equivocada. Ambos vienen de saltarse el primer paso: nombrar el eje del que la tarea realmente depende.
¿Estos referentes predicen de verdad el rendimiento real?
De forma imperfecta, por eso usas más de uno. Referentes específicos como SWE-bench y GPQA miden una capacidad concreta; tableros de preferencia como LMArena captan la utilidad real más desordenada. Leerlos juntos y ponderar el que coincide con tu tarea es mucho más fiable que fiarse de un solo número, y los referentes también pueden degradarse al filtrarse en los datos de entrenamiento, así que prefiere resultados recientes.
¿Cuándo debería elegir un modelo de pesos abiertos que pueda autoalojar?
Cuando la privacidad o el control es el eje dominante: datos regulados, confidenciales o propietarios que no pueden salir de tu entorno. Puedes aceptar cierto compromiso de capacidad frente a la frontera cerrada, pero para esa clase de tarea el compromiso es el punto, porque un modelo algo más débil que puedes ejecutar con seguridad vence a uno más fuerte que no tienes permiso de usar.
Kaynakça
- Stanford Institute for Human-Centered AI (2025). Artificial Intelligence Index Report, capítulos sobre rendimiento técnico y evaluación comparativa.
- OCDE (2024). Perspectivas de Empleo de la OCDE: análisis de la adopción de la inteligencia artificial en el trabajo.
- National Institute of Standards and Technology (2024). AI Risk Management Framework, orientación sobre evaluación y selección de modelos.
- Foro Económico Mundial (2025). Future of Jobs Report, sobre la adopción de herramientas de IA entre trabajadores del conocimiento.
- Chiang, W. et al. (2024). Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference. Publicación académica que describe la metodología de LMArena.
- Jimenez, C. et al. (2024). SWE-bench: Can Language Models Resolve Real-World GitHub Issues? International Conference on Learning Representations.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
