¿Qué LLM usar? GPT, Claude, Gemini, Grok, Qwen y DeepSeek comparados

Un cliente me preguntó el mes pasado a qué modelo debía llamar su nuevo asistente: GPT, Claude, Gemini o "uno de los abiertos". La respuesta honesta es una tabla, no un nombre. Cada familia del mercado está optimizada para una carga de trabajo distinta, y la forma más barata de construir un buen sistema es entender qué modelo usar para cada trabajo, cómo combinarlos y cuándo autoalojar sale mejor que una API.

Este artículo es la comparación que me habría gustado tener en esa llamada. Cubre las nueve familias que importan en noviembre de 2026: OpenAI GPT, Anthropic Claude, Google Gemini, xAI Grok, Meta (Llama y ahora Muse), Mistral, Alibaba Qwen, DeepSeek y Microsoft Decision-1, un nuevo tipo de modelo que merece su propio artículo. Continúa la serie que empezó con Snowflake vs Databricks y Azure, Fabric, Databricks o Foundry, y termina con el código de enrutado que uso de verdad.

La respuesta corta

Elige por trabajo, no por marca. Para agentes generales y llamadas a herramientas, empieza por GPT o Claude. Para agentes de ingeniería de software, Claude primero. Para imágenes, vídeo y conjuntos de documentos muy grandes, Gemini. Para señales sociales y de mercado en tiempo real, Grok. Para todo lo que deba quedarse en tu propio hardware, Qwen, DeepSeek, Llama o Mistral sobre vLLM. Para clasificar, enrutar y calificar con volumen, Microsoft Decision-1. Después compara dos candidatos con tus propios datos, porque cada afirmación de abajo es una afirmación del proveedor hasta que tu conjunto de evaluación diga otra cosa.

Todo esto se comprobó el 6 de noviembre de 2026 contra las páginas de modelo de los proveedores y el informe de AI Board del 26 de octubre de 2026, que cita una fuente del proveedor por línea. Los precios son precios de lista públicos por millón de tokens, entrada y después salida, sin descuentos por volumen ni tarifas por lotes.

¿Por qué no hay un único mejor LLM?

Porque las familias están optimizadas para cosas distintas. Unas lideran en razonamiento complejo y matemáticas; otras en leer y editar bases de código grandes; otras en vídeo, audio y documentos de un millón de tokens; otras en ser baratas y rápidas para trabajo de producción con mucho volumen; y otras publican sus pesos para que los ejecutes en una GPU que controlas. Un modelo que encabeza una de esas listas rara vez es el primero en las demás, y la diferencia de precio entre la gama alta y la media es de cinco a diez veces.

Hay tres tipos de proveedor, y la distinción importa más que cualquier benchmark:

Pesos abiertos no significa código abierto. Qwen y DeepSeek publican pesos, pero la licencia, los datos de entrenamiento y las condiciones de uso comercial cambian en cada versión, y algunas familias publican solo sus modelos pequeños.

¿Qué modelos insignia están vigentes en noviembre de 2026?

Un buque insignia por laboratorio, tal como lo describen los laboratorios. La columna UE dice si el proveedor documenta una ruta para procesar dentro de la Unión Europea, algo que para muchos de mis clientes decide la cuestión antes que la calidad.

Tres cosas que se leen en esa tabla. La ventana de un millón de tokens es ya la norma en la gama alta: seis de los ocho buques insignia de lenguaje publican un millón de tokens o más. La diferencia de precio entre los dos buques insignia más caros y DeepSeek es de unas ocho veces. Y el buque insignia más nuevo de OpenAI consiguió una ruta UE documentada solo a finales de octubre, con condiciones, mientras su generación anterior llevaba meses en nueve regiones europeas de Azure: la norma de residencia reduce tu elección de modelo, así que comprueba el modelo concreto, no el proveedor.

¿Qué escalones más baratos hay debajo de cada buque insignia?

La mayor parte del tráfico de producción no debería correr sobre un buque insignia. Estos son los escalones que evalúo primero, con sus precios publicados.

¿Para qué sirve mejor cada familia de modelos?

Esto es posicionamiento a partir de mis propios proyectos y lecturas, no una clasificación medida. Toma cada fila como el primer candidato a evaluar, no como el ganador.

Otras familias que conviene conocer: Moonshot Kimi K3 (razonamiento y agentes, ventana de 1.048.576 tokens), Zhipu GLM-5.3 (razonamiento y código, pesos MIT en GLM-5.2), Cohere Command A+ (pesos Apache-2.0, embeddings y rerankers sólidos para RAG empresarial), NVIDIA Nemotron 3 Ultra (pesos abiertos para inferencia empresarial) y Amazon Nova (la línea nativa de AWS, los únicos modelos en la AWS European Sovereign Cloud en la comprobación de septiembre de 2026).

¿API propietaria o pesos abiertos autoalojados?

Esta es la mayor decisión de arquitectura, mayor que la elección del modelo. La Figura 1 muestra las dos rutas y la pila multimodelo que las combina; toca una capa para leer qué hace.

Proprietary APISelf-hosted open weightsMulti-model routing

Tu código llama a OpenAI, Anthropic, Google o xAI directamente, o a los mismos modelos a través de Microsoft Foundry, Amazon Bedrock o Gemini Enterprise Agent Platform. El proveedor opera las GPU.

1. Tu aplicaciónNext.jsFastAPI
2. OrquestaciónLangGraphMCP tools
3. ModelosGPT-6 AstraClaude Fable 5.1Gemini 4 ArgonGrok 4.7
4. Plataforma empresarial (opcional)Microsoft FoundryAmazon BedrockGemini Enterprise Agent Platform
5. RecuperaciónPostgreSQL + pgvectorAzure AI Search
6. InfraestructuraProvider GPUsYour containers
7. EvaluaciónMLflowGolden test set
8. Seguridad y datosAPI keys in a vaultData processing agreement

Uso típico: La mayoría de los productos: lo más rápido de lanzar, los modelos más potentes, sin hardware que operar; pagas por token y tus datos salen de tu red bajo contrato.

Toca una capa para leer qué hace esa tecnología en esta pila.

Proprietary API. Tu código llama a OpenAI, Anthropic, Google o xAI directamente, o a los mismos modelos a través de Microsoft Foundry, Amazon Bedrock o Gemini Enterprise Agent Platform. El proveedor opera las GPU. Uso típico: La mayoría de los productos: lo más rápido de lanzar, los modelos más potentes, sin hardware que operar; pagas por token y tus datos salen de tu red bajo contrato.

Capa	Tecnología	Qué hace
Tu aplicación	Next.js, FastAPI	El producto que ve el usuario y la API que lo sirve.
Orquestación	LangGraph, MCP tools	Los bucles de agente, las llamadas a herramientas y el estado viven en tu código, responda el modelo que responda.
Modelos	GPT-6 Astra, Claude Fable 5.1, Gemini 4 Argon, Grok 4.7	Los buques insignia actuales de OpenAI, Anthropic, Google y xAI a 6 de noviembre de 2026, cada uno detrás de su propia API; debajo de cada uno hay escalones más baratos.
Plataforma empresarial (opcional)	Microsoft Foundry, Amazon Bedrock, Gemini Enterprise Agent Platform	Un contrato, una factura y un sistema de identidad para los modelos de varios proveedores, más evaluación y gobernanza.
Recuperación	PostgreSQL + pgvector, Azure AI Search	Los documentos que el modelo puede leer, troceados, vectorizados e indexados en tu lado.
Infraestructura	Provider GPUs, Your containers	Sin GPU propias: tú operas los contenedores de la aplicación, el proveedor ejecuta la inferencia.
Evaluación	MLflow, Golden test set	Las mismas preguntas y documentos se ejecutan contra cada modelo candidato antes y después de cada lanzamiento del proveedor.
Seguridad y datos	API keys in a vault, Data processing agreement	La retención cero o el procesamiento regional es una cláusula del contrato, no un valor por defecto: pídelo por escrito.

Self-hosted open weights. Descargas pesos publicados y los sirves en GPU que controlas, con vLLM, SGLang u Ollama. Sin factura por token, control total del camino de los datos y toda la operación a tu cargo. Uso típico: Datos privados o regulados, modelos ajustados, volumen alto y predecible, o una norma de residencia que ningún endpoint de proveedor cumple.

Capa	Tecnología	Qué hace
Tu aplicación	Next.js, FastAPI	Sin cambios: la aplicación habla con un endpoint compatible con OpenAI que resulta ser tuyo.
Orquestación	LangGraph, MCP tools	El mismo código de agente que en la ruta por API; solo cambia la URL base.
Servidor de inferencia	vLLM, SGLang, Ollama	Batching, caché KV, cuantización y una API compatible con OpenAI; Ollama para un portátil o una sola máquina, vLLM o SGLang para rendimiento en producción.
Modelos de pesos abiertos	Qwen3.8-27B, DeepSeek-V4-Flash, Llama 4, Mistral Medium 3.5, gpt-oss	Pesos que puedes descargar: Apache-2.0 (Qwen3.8-27B), MIT (DeepSeek V4), la licencia comunitaria de Llama 4, el MIT modificado de Mistral. Lee la licencia antes que la ficha del modelo.
GPU	NVIDIA GPUs, AWS / Azure / GCP GPU instances, On-premises	Instancias GPU alquiladas en la región que elijas, o tus propios servidores; planificar la capacidad pasa a ser tu trabajo.
Recuperación	PostgreSQL + pgvector, Open embedding model (bge-m3)	Los embeddings también se calculan en local, así que ningún documento sale de la red.
Evaluación	MLflow, Golden test set	Los ajustes finos (LoRA, QLoRA) solo merecen la pena si este conjunto de pruebas lo dice.
Operaciones	Kubernetes, Monitoring, Patching and upgrades	Escalado, monitorización, parches de seguridad y actualizaciones de modelo: el coste oculto de la ruta sin factura por token.

Multi-model routing. Una aplicación, varios modelos: un modelo de decisión barato clasifica y enruta, un modelo de razonamiento resuelve los pasos difíciles, un modelo multimodal lee imágenes, los pesos abiertos sirven las partes privadas. Uso típico: Un asistente empresarial que lee documentos, atiende a clientes, ejecuta flujos de trabajo y tiene que seguir siendo barato con volumen.

Capa	Tecnología	Qué hace
Petición	Customer, employee or API	Toda petición entra por la misma puerta, necesite lo que necesite.
Decisión y enrutado	Microsoft Decision-1	Intención, prioridad y ruta, como probabilidades calibradas sobre opciones fijas, en una sola llamada barata; una probabilidad máxima baja envía el caso a una persona.
Razonamiento y código	Claude Opus 5.5, GPT-6 Sol	Análisis en varios pasos, planificación y generación de código, donde los tokens caros se ganan el sueldo.
Imágenes, vídeo y documentos	Gemini 4 Argon, Azure AI Document Intelligence	Facturas escaneadas, capturas y vídeo van a un modelo multimodal o a un servicio de documentos, no al enrutador de texto.
Inferencia privada	Qwen3.8-27B on vLLM, DeepSeek-V4-Flash	Los campos sensibles y la extracción masiva se quedan en tus GPU.
Señales en tiempo real	Grok 4.7	Conversación social y de mercado cuando el caso de uso necesita lo que está pasando ahora.
Recuperación y herramientas	Vector store, SQL, CRM / ERP APIs	Los hechos salen de tus sistemas; los modelos solo los leen y actúan sobre ellos.
Verificación	Microsoft Decision-1, LLM judge	Aprobar, rechazar o escalar cada respuesta o acción generada contra una rúbrica antes de ejecutar nada.
Ejecución	Workflow (n8n, queue), Human approval	Actualizar el CRM, enviar la notificación, crear el informe; las escrituras importantes esperan a una persona.

¿Qué puedes ejecutar en una GPU de 16 GB?

Una regla aproximada para un portátil con 16 GB de memoria de GPU, antes del dimensionamiento de producción. La memoria depende de la cuantización, la longitud de contexto, la caché KV y la arquitectura, así que tómalo como órdenes de magnitud.

En producción no usarías un portátil de todos modos: vLLM o SGLang en instancias GPU dedicadas, con el batching y la caché KV ajustados a tus longitudes de contexto.

¿Denso, mezcla de expertos, razonamiento o modelo de decisión?

No todos los modelos funcionan igual, y la arquitectura decide la memoria, la latencia y para qué sirve el modelo. La Figura 2 pone los cuatro tipos uno junto a otro.

Las categorías se solapan: DeepSeek-V4-Pro es una mezcla de expertos y un modelo de razonamiento, y Decision-1 está postentrenado a partir de un modelo Qwen denso de 9B.

¿Qué modelo deberías evaluar primero en cada proyecto?

Candidatos de partida, no ganadores garantizados. La columna derecha es la razón por la que el candidato está en la lista.

¿Cómo se enruta entre modelos en producción?

No fijes un modelo en cada funcionalidad. Una capa de enrutado selecciona el modelo por tarea, y el tipo de tarea es solo la primera señal. El mío, en su forma más simple, es así:

class ModelRouter:
    """Elige el modelo por tarea; las cadenas son nombres de despliegue en Foundry o vLLM."""

    def select_model(self, task: str) -> str:
        if task == "classification":
            return "microsoft-decision-1"
        if task == "complex_reasoning":
            return "gpt-6-sol"
        if task == "coding":
            return "claude-sonnet-5-5"
        if task == "multimodal":
            return "gemini-4-argon"
        if task == "private_inference":
            return "qwen3.8-27b"
        if task == "social_intelligence":
            return "grok-4.7"
        if task == "cost_efficient_reasoning":
            return "deepseek-v4-flash"
        return "gpt-6.1-terra"

En producción el enrutador pondera más que el tipo de tarea:

1. Calidad esperada en esa tarea, según tu propio conjunto de evaluación, no una clasificación pública.
2. Precio por millón de tokens, entrada y salida, incluidas las tarifas de entrada en caché cuando el proveedor publica una.
3. Número de tokens de la petición: un prompt de 300K tokens descarta la tarifa estándar de Grok y el límite de entrada de 32K de Decision-1.
4. Requisitos de latencia: un modelo de decisión responde en milisegundos, un buque insignia de razonamiento en segundos.
5. Ventana de contexto, y si la ventana útil es tan larga como la anunciada.
6. Sensibilidad de los datos: los campos privados van a la ruta autoalojada; el resto puede usar una API bajo las condiciones acordadas.
7. Disponibilidad de cada proveedor, con un modelo de reserva y una política de reintentos.
8. Fechas de retirada de cada nombre de modelo, para que un apagado sea un cambio de una línea.

Ejemplo: un pipeline multimodelo de facturas

Una aplicación de contabilidad que recibe 10.000 facturas al mes no necesita un buque insignia en cada paso. La ventaja del diseño multimodelo es que los tokens caros van solo donde se ganan el sueldo, y la aritmética va a Python.

¿Qué cambió en septiembre y octubre de 2026?

Cada semana llegan modelos nuevos, y de vez en cuando se apaga uno viejo. Estos son los lanzamientos de los ocho laboratorios de modelos de lenguaje más Microsoft entre el 10 de septiembre y el 26 de octubre de 2026, tal como los lista el informe de AI Board del 26 de octubre con una fuente del proveedor por línea.

¿Qué modelos se retiran, y cuándo?

Un modelo queda obsoleto cuando el proveedor anuncia una fecha de fin y sigue respondiendo; se retira el día en que todas las llamadas fallan. El periodo de aviso es la única ventana en la que una migración es barata: OpenAI promete al menos seis meses para modelos disponibles de forma general, Anthropic al menos 60 días, Google Cloud al menos 45 días para modelos de vida corta.

Los modelos de producción con nombre han durado entre doce y veintidós meses antes del apagado. Planifica entre seis y dieciocho meses de vida útil por versión de modelo, y conserva el conjunto de evaluación que eligió el modelo para poder repetirlo sobre el sucesor.

¿Qué modelo deberías elegir?

La Figura 3 es el flujo de decisión que recorro con los clientes. Cuatro preguntas cubren la mayoría de los casos; la nota al pie cubre el resto.

Cuándo no cambiar:

• Un modelo nuevo rara vez es motivo para cambiar. El sucesor da respuestas distintas sobre tus documentos aunque sea mejor; repite el conjunto de evaluación antes de moverte.
• No escribas "siempre el modelo más reciente" en una política. El buque insignia de septiembre de 2026 cuesta ocho veces más por millón de tokens de entrada que el de un año antes.
• No pagues razonamiento en resúmenes fundamentados. El razonamiento ayuda en problemas abiertos y puede perjudicar en tareas donde la respuesta está en el pasaje recuperado; solo tu propia prueba te dice en qué caso estás.
• No mandes una decisión de opciones fijas a un buque insignia. Un modelo de decisión o un modelo abierto pequeño lo hace en milisegundos por céntimos.

¿Qué debería aprender un arquitecto de IA?

La habilidad es combinar modelos, no llamar a una API. Este es el orden en el que yo estudiaría.

El proyecto práctico que lo enseña todo: una plataforma empresarial multimodelo con Microsoft Foundry como capa de gestión de modelos, GPT, Claude y Gemini como proveedores externos, Qwen y DeepSeek sobre vLLM, Microsoft Decision-1 para enrutar y clasificar, LangGraph para la orquestación, PostgreSQL con pgvector para la recuperación, Redis para la caché, FastAPI para la API, Docker y Kubernetes para el despliegue, y MLflow para la evaluación. Eso es una arquitectura empresarial, no otro chatbot.

Fuentes

• AI Board, AI Models for Executives 2026, informe de investigación publicado el 8 de septiembre de 2026 y actualizado el 26 de octubre de 2026: la tabla de buques insignia, las listas de lanzamientos y retiradas, precios, ventanas de contexto y rutas UE, cada línea con la fuente del propio proveedor. Leído el 6 de noviembre de 2026.
• Microsoft Learn, Foundry Models sold by Azure (página fechada el 21 de septiembre de 2026, actualizada el 29 de octubre de 2026): la entrada de Microsoft-Decision-1, y la guía de la Azure OpenAI Decisions API (21 de octubre de 2026).
• Microsoft, Microsoft-Decision-1: Our model for fast decision-making, anuncio del 9 de octubre de 2026: modelo base, precio, afirmaciones de latencia y precisión.
• Páginas de modelo de los proveedores leídas el 6 de noviembre de 2026 para los lanzamientos de septiembre y octubre: OpenAI (GPT-6.1 Terra), Anthropic (Claude Opus 5.5, Sonnet 5.5, Haiku 5.5), Google (Gemini 4 Argon), xAI (Grok 4.7), Meta (Muse Wonder, Muse Spark Open), DeepSeek (V4.1-Flash), Mistral (vista previa de Large 4), Alibaba (Qwen3.8-Max, Qwen3.8-27B), con las fichas de modelo en Hugging Face para los tamaños y licencias de pesos abiertos.
• Mis propias notas de estudio de noviembre de 2026 sobre el posicionamiento por caso de uso, las señales de enrutado, el pipeline de facturas y la ruta de aprendizaje, escritas a partir de los proyectos de este sitio. El posicionamiento es mi lectura, no una medición; los precios y la disponibilidad cambian cada mes y las páginas de los proveedores son la fuente de verdad.