La carrera de las IAs — Claude vs ChatGPT vs Gemini vs el resto

La tabla pública de Chatbot Arena en lmarena.ai —el ranking global de modelos votado en comparaciones ciegas por usuarios reales— registra un patrón que en 2024 habría parecido imposible: en el último año calendario ningún modelo se mantuvo en el primer puesto por más de seis a ocho semanas consecutivas. Claude Opus 4.7 llegó arriba en abril, GPT-5o lo desplazó en noviembre del año pasado, Gemini 2.0 Ultra tuvo su ventana en febrero, y los open source de frontera (Llama 4 Maverick, DeepSeek V3-R2) aparecieron intermitentemente en el top 5.

Esa rotación no es ruido estadístico. Es evidencia estructural de que la carrera de las IAs dejó de ser una competencia por "el mejor modelo" y se volvió una competencia por especialización. Vale desarmar qué significa eso técnica y estratégicamente.

Fragmentación como estado estable

La hipótesis dominante en 2022-2023 era convergencia hacia un ganador. La lógica: los retornos a escala (cómputo + datos + capital) iban a producir un efecto winner-take-all, donde el líder consolidaría ventaja insalvable. Esa hipótesis no se cumplió, y hay tres razones técnicas discretas.

Convergencia de capacidad en frontera. Los modelos de frontera cerrados y abiertos están dentro de tres puntos porcentuales en MMLU, dentro de cuatro puntos en GSM8K, y dentro de cinco en HumanEval. Cuando las diferencias son marginales en benchmarks brutos, el diferenciador se desplaza a ejes no capturados por benchmarks — tono, integración, latencia, costo, honestidad, predictibilidad. Cada vendor optimizó un eje distinto.

Retornos decrecientes de escala pura. Los resultados de escaling laws de Chinchilla (Hoffmann et al., 2022) y trabajos posteriores sugieren que a partir de cierto tamaño los retornos marginales por parámetro adicional caen fuerte. La industria respondió moviendo la innovación a técnicas no-escalares: RLAIF en Anthropic, reasoning-time compute en o1/o3 de OpenAI, contexto extendido en Gemini, Mixture-of-Experts eficiente en DeepSeek. Eso expandió la superficie donde se puede ganar.

Especialización como estrategia racional. Dado el costo fijo enorme de entrenar un modelo de frontera (estimado en 100 a 500 millones USD por ciclo), ningún vendor puede permitirse perder en todos los frentes. La respuesta económica racional es elegir un eje defendible y dominarlo. Anthropic eligió confiabilidad profesional. OpenAI eligió ecosistema consumidor y distribución. Google eligió integración vertical con sus productos. xAI eligió tiempo real + X. Los open eligieron costo y control.

El estado estable del mercado a 2026 es fragmentación especializada, no consolidación. Es probable que ese estado persista hasta que alguna de las restricciones técnicas cambie fundamentalmente (nueva arquitectura que supere transformers, salto en costo de cómputo, etc.).

Análisis vendor por vendor, con honestidad editorial

Vale explicitar la posición de cada vendor de frontera con precisión técnica y sin fanatismo.

Anthropic / Claude. Fortaleza central: confiabilidad en trabajo delegable. Constitutional AI produce refusals explicables y consistentes; la literalidad de instrucciones en Opus 4.7 hace al modelo especialmente útil para agentes y pipelines multi-turn; honestidad sobre incertidumbre (admite "no sé") reduce falsos positivos en tareas factuales. Limitaciones honestas: no genera imágenes, voice mode es tardío y débil, ecosistema de integraciones es mucho más chico que el de OpenAI. Ventaja competitiva sostenible: la cultura interna (fundadores técnicos, foco en alineamiento como propiedad arquitectural) produce un modelo que requiere menos verificación externa, lo cual es económicamente valioso para usuarios profesionales con stakes reales.

OpenAI / ChatGPT. Fortaleza central: distribución. ChatGPT tiene cien millones de usuarios activos y es la primera IA que prueba cualquier persona no técnica. El ecosistema de custom GPTs convirtió a la plataforma en un agregador donde terceros agregan valor sin fricción. DALL-E 3 y Voice mode avanzado siguen siendo best-in-class en sus categorías. La integración con Microsoft 365 via Copilot le garantiza presencia corporativa masiva. Limitaciones: alucinación persiste en rangos 5-8% en QA factual (vs 2-3% de Claude en evaluaciones internas); la estabilidad institucional post-Altman/Sutskever sigue siendo una incógnita; los modelos o1/o3 son poderosos pero caros por request, lo que limita su uso generalizado. Ventaja sostenible: network effects — mientras más usuarios y desarrolladores en el ecosistema, más valioso el ecosistema, y es difícil de desplazar.

Google / Gemini. Fortaleza central: integración vertical con productos propios. Gemini 2.0 dentro de Workspace tiene acceso privilegiado a datos del usuario (correo, docs, drive, calendario) que ningún competidor puede replicar sin que el usuario haga un opt-in explícito; ventana de contexto de un millón de tokens (Gemini 2.0 Pro) es la más larga del mercado y habilita casos de uso —análisis de repositorios completos, libros enteros— que los otros no sirven bien. Limitaciones: la calidad de texto para escritura profesional larga queda por debajo de Claude y ChatGPT; la API histórica tiene reputación de inestabilidad; tensión interna entre equipos de IA (DeepMind + Google Brain fusionados recientemente) produce ocasional inconsistencia de producto. Ventaja sostenible: Google posee la distribución vía Android y Workspace, y puede poner Gemini como default en miles de millones de dispositivos sin pedir permiso explícito.

xAI / Grok. Fortaleza central: nicho claro en tiempo real y menos filtros. El acceso nativo a X le da a Grok un tipo de input (conversación pública en vivo) que el resto no tiene estructuralmente. La política de filtros más permisiva captura una audiencia que percibe a los competidores como sobreactuados. Limitaciones severas: calidad de reasoning y escritura medibamente por debajo; comportamiento menos predecible en edge cases; la dependencia con la marca personal de Musk introduce volatilidad reputacional. Es el vendor más nicho de los cuatro grandes, y probablemente así se quede.

Modelos abiertos (Llama, DeepSeek, Qwen). Fortaleza central: control y costo. La apuesta es que para clientes con requisitos duros de privacidad o presupuesto agresivo, los abiertos son no-negociables. Llama 405B compite en benchmarks con modelos cerrados a un fracción del costo marginal (asumiendo que el cliente absorbe costo de infraestructura). DeepSeek V3 ofrece API comercial a 25-35x menos precio que OpenAI/Anthropic. Limitaciones: calidad de experiencia conversacional es un escalón más abajo; requerir equipo técnico limita la adopción a empresas con competencia ML ops; los modelos chinos (DeepSeek, Qwen) cargan con riesgo regulatorio en Occidente.

La jerarquía de capas

Propongo una taxonomía de tres capas para ordenar el mercado. Es la misma que uso en mi consultoría para decidir arquitectura de clientes.

Capa 1 — Capacidad bruta. Modelos de frontera que compiten en benchmarks académicos (MMLU, GSM8K, HumanEval, ARC). Acá hay empate técnico entre Claude, GPT, Gemini, Llama y DeepSeek. Ningún vendor domina sostenidamente. La capa es relevante para investigación y para casos donde un cinco por ciento más de accuracy mueve resultados materialmente. Para la mayoría de uso profesional, esta capa ya no es el diferenciador.

Capa 2 — Integración y distribución. Quién llega al usuario final con menor fricción. ChatGPT vía Microsoft Copilot y su propia app; Gemini vía Workspace y Android; Grok vía X; Claude vía Anthropic directa + partners como Databricks y Vertex AI. Acá OpenAI y Google tienen ventajas estructurales difíciles de desplazar. Anthropic elige no competir directamente en esta capa — se especializa en ser la mejor opción para quien ya llegó a buscar calidad profesional.

Capa 3 — Confiabilidad profesional. Modelos a los que un profesional puede delegar trabajo con responsabilidad y revisar de forma spot, no línea por línea. Acá Claude tiene ventaja medible. La diferencia no se ve en benchmarks — se ve en tasa de reescrituras necesarias, frecuencia de alucinaciones detectadas en producción, y confiabilidad en seguimiento de instrucciones complejas. Es el segmento con mayor willingness-to-pay por calidad y menor sensibilidad al precio.

Un cliente maduro no elige por capa 1 (todos empatan). Elige considerando capa 2 (qué integraciones ya tiene) y capa 3 (qué nivel de riesgo tolera). Ese cálculo explica por qué la arquitectura óptima en 2026 es casi siempre multi-modelo.

Mi arquitectura personal, expuesta

Cierro con la arquitectura que uso yo en producción para consultoría aplicada. No es prescriptiva — es ilustrativa.

Default profesional: Claude Opus 4.7. Todo lo que implica delegar trabajo con responsabilidad — propuestas, análisis de contratos, código para clientes, redacción de reportes, curaduría de contenido para el blog, trabajo sobre documentos largos. Aproximadamente 70% de mi uso diario.

Consumidor multimedia: ChatGPT Plus. Generación de imágenes para blog y materiales, voice mode para preparar respuestas habladas, experimentación con GPTs personalizados de terceros. Aproximadamente 15% de uso, pero saturación durante sprints de creación de contenido visual.

Google-context: Gemini 2.0 Pro vía Workspace. Trabajo dentro de documentos de clientes que viven en sus Drives, análisis sobre Gmail específico, casos de contexto extendido cuando una sola inferencia necesita cargar más de 500K tokens. Aproximadamente 10% de uso, crítico en ciertos proyectos.

Open source self-hosted: Llama 3.3 70B vía servidor propio. Clientes en sectores regulados (legal, salud, financiero) que no pueden permitir que datos crucen a nubes de terceros. Aproximadamente 5% de uso, pero representa un porcentaje mayor de ingresos porque los proyectos son más largos y especializados.

Notá algo en la arquitectura: ningún modelo está en cero. Cada uno cubre un nicho donde rinde claramente mejor, y la decisión de qué usar cuándo es parte del trabajo profesional. El cambio mental más importante que hice en los últimos dos años fue pasar de "buscar la mejor IA" a "construir la mejor combinación".

Tesis editorial

La carrera de las IAs dejó de ser un podio y pasó a ser un mapa.

Ganar en 2026 no es tener el mejor modelo ni fanatismo por una marca. Ganar es elegir bien cuál herramienta para qué tarea — y saber cuándo cambiás de herramienta sin sentirlo como traición. El trabajo de un consultor maduro, un profesional serio, una persona que usa IA para producir, ya no es "cuál IA sigue ganando" sino "cuál combinación uso y cuándo la cambio".

Esta es una tesis que tiene consecuencias prácticas. Significa que el benchmarking compulsivo no escala — hay que elegir ejes relevantes a tu flujo y ignorar el resto. Significa que la lealtad a una marca de IA es cara — te hace ceder valor en nichos donde esa marca no es la mejor. Significa que la alfabetización verdadera en IA ya no es "saber usar ChatGPT"; es saber mapear tareas a herramientas y mantener esa arquitectura viva a medida que el mercado se mueve.

Esa es la tesis que sostiene el resto del blog. Si querés profundizar en la lectura crítica de benchmarks y por qué hay que dejar de creerles literalmente, Cómo se miden las IAs desarma la epistemología del campo. Si querés entender la apuesta específica que hacen los modelos abiertos y cuándo te conviene elegirlos por sobre los cerrados, Modelos abiertos vs cerrados analiza el trade-off con detalle.

¿Cuál es hoy tu arquitectura personal de IA — la combinación que usás y el criterio con el que cambiás entre herramientas?