Mejores IA 2026: comparativa y ranking de los modelos más recientes

Desde octubre de 2026, este sitio mide los modelos de IA por instantáneas.

Hasta ahora, dos modelos se enfrentaban en una tarea cada vez y los resultados se acumulaban mes tras mes.

Ahora, seis modelos —el principal y el del nivel inmediatamente inferior de cada uno de los tres grandes proveedores (Anthropic, OpenAI y Google)— responden las mismas dieciséis tareas, y los mismos tres jueces puntúan todas las respuestas.

Los modelos del mismo nivel también debaten la misma moción.

El modelo más nuevo y de gama más alta de cada proveedor (en octubre de 2026, Claude Fable y GPT Astra) no entra en la clasificación; lo tratamos en artículos aparte.

Las recomendaciones de abajo se reescribieron tras esta primera instantánea.

Las versiones anteriores decían “Gemini Flash-Lite si lo más importante es el precio, Claude Opus si lo más importante es la calidad”.

En esta medición, el modelo ligero de GPT costó menos por respuesta y puntuó muy por encima, y el primer puesto general fue para el modelo GPT de gama alta, no para Claude Opus.

Los motivos están en el texto que sigue a esta actualización.

Los resultados del método anterior siguen disponibles como resultados pasados.

OpenAI publicó GPT-6 Sol y GPT-6 Luna el 22 de septiembre de 2026, ampliando la generación GPT-6 por debajo de Astra.

En este sitio, GPT-6 Sol asume el puesto equilibrado de OpenAI que ocupaba GPT-5.6 a mitad de precio ($2 de entrada y $10 de salida por 1M de tokens, frente a $4 y $20), y GPT-6 Luna asume el puesto ligero de GPT-5 mini por menos ($0,10 y $0,50, frente a $0,25 y $2).

Las recomendaciones de abajo describen ahora los modelos de OpenAI por nivel —los modelos GPT de gama alta, el modelo ligero de GPT— y no por versión, de modo que las páginas de clasificación y de precios siempre indican qué modelo ocupa cada papel.

En cuanto a los dos nuevos: ambos modelos empiezan desde cero las mediciones de este sitio, con la configuración por defecto de OpenAI, y si Luna resulta no ser la opción estable y versátil que era GPT-5 mini, este artículo lo dirá.

Anthropic publicó Claude Opus 5.5 el 22 de septiembre de 2026 y sustituye a Claude Opus 5 en el puesto equilibrado de Anthropic en este sitio.

Es más barato en entrada y en salida —$4 de entrada y $20 de salida por 1M de tokens, frente a $5 y $25— y Anthropic lo recomienda ahora como punto de partida para la mayoría de los usos, reservando Claude Fable 5.1 para el razonamiento más exigente.

Las recomendaciones de abajo se refieren a Claude Opus por el nombre de la familia, así que siguen valiendo tal cual y ahora apuntan a Opus 5.5.

Como todos los modelos de este sitio, se evalúa con la configuración por defecto del proveedor, que en Opus 5.5 es esfuerzo medium donde Opus 5 usaba high: sus resultados miden el modelo tal como lo publica Anthropic.

Anthropic publicó Claude Fable 5.1 el 1 de septiembre de 2026 y asume el puesto insignia de Anthropic en este sitio.

Mantiene exactamente el precio de lista de Fable 5 ($10 / $50 por 1M de tokens) y obtiene un 52.6% en Terminal-Bench-Science 0.1 frente al 24.7% de Fable 5; Anthropic afirma que supera a Fable 5, Opus 5 y GPT-5.6 en varias pruebas.

Fable 5.1 y Claude Mythos 5.1, de acceso restringido, son el mismo modelo con distintas salvaguardas.

Conviene decir con claridad una salvedad: el «hasta un 45% más barato» que se repite en todas partes procede solo de que las lecturas de caché bajan a una cuarta parte, así que únicamente se nota si tu uso reaprovecha contexto en caché; el precio por token no ha cambiado.

Fable 5 se ha retirado de las nuevas comparaciones aquí, pero sus resultados anteriores siguen disponibles.

Donde este artículo diga «Claude Fable», entiéndase Fable 5.1.

También hay dos correcciones de precio.

La tarifa de lanzamiento de Claude Sonnet 5, $2/$10, pasó a ser el precio estándar el 11 de agosto de 2026 y la subida a $3/$15 prevista para el 1 de septiembre se canceló.

GPT-5.6 (Sol) bajó de $5/$30 a $4/$20 el 21 de agosto, tarifa que se mantiene al menos hasta el 21 de noviembre.

Donde las notas de julio digan «$3/$15» o «$5/$30», léanse los precios nuevos; las notas se conservan tal como se escribieron entonces.

Anthropic publicó Claude Opus 5 y Claude Sonnet 5 el 24 de julio de 2026.

Opus 5 llega exactamente al precio que tenía Opus 4.8 ($5 / $25 por 1M de tokens) con un 96,0% en SWE-bench Verified y más del doble que Opus 4.8 en Frontier-Bench, así que ocupa el puesto equilibrado de Anthropic en este sitio; Sonnet 5 llega al precio de lista de Sonnet 4.6 ($3 / $15, con tarifa de lanzamiento de $2 / $10 hasta el 31 de agosto de 2026) y ocupa el puesto ligero.

Claude Fable 5 sigue siendo el buque insignia de Anthropic.

Opus 4.8 y Sonnet 4.6 se retiran de las nuevas comparaciones y sus resultados anteriores siguen consultables.

Donde este artículo dice «Claude Opus», léase Opus 5 a partir de ahora.

Como ambos son mejoras al mismo precio, los consejos prácticos de abajo no cambian: simplemente el Claude recomendado por calidad es ahora un modelo más nuevo.

El 9 de julio de 2026, OpenAI puso GPT-5.6 en disponibilidad general.

GPT-5.6 llega como una familia de tres niveles: Sol (insignia), Terra (equilibrado) y Luna (rápido y económico); siguiendo nuestra política de listar solo la variante estándar de cada generación, adoptamos la insignia estándar, Sol.

Frente a GPT-5.5 las mejoras son amplias —destacan la ingeniería de software (SWE-Bench Pro 64.6% vs 59.4%) y el uso de la computadora (OSWorld 2.0 62.6% vs 47.5%), siendo el salto en uso de la computadora el mayor.

La ventana de contexto es de 1,05M tokens y el precio estándar de contexto corto iguala al de GPT-5.5: $5/$30 por 1M tokens.

Como resultado, nuestra línea de OpenAI tiene ahora a GPT-5.6 como insignia y a GPT-5.5 como opción equilibrada, mientras que GPT-5.4 se retira de las nuevas comparaciones (sus datos anteriores siguen visibles).

Las recomendaciones de más abajo se han actualizado en consecuencia: donde antes citaban GPT-5.2 / GPT-5.4 como la opción fiable para todo, ahora citan GPT-5.5 / GPT-5.6.

El 9 de junio de 2026, Anthropic lanzó Claude Fable 5 —la versión pública de su modelo Mythos— y lo colocamos en nuestro puesto de flagship de Anthropic.

Ocupó brevemente ese puesto hasta que, el 12 de junio, Anthropic lo retiró de forma abrupta (junto con Mythos 5) para todos los clientes a fin de cumplir una directiva de control de exportaciones del gobierno de EE.

UU.

Esa directiva se ha levantado y Anthropic restableció el acceso por API, así que desde el 1 de julio de 2026 Fable 5 vuelve a nuestra alineación como flagship de Anthropic, con Claude Opus 4.8 de nuevo como una potente segunda opción a mitad de precio ($5/$25 por millón de tokens).

Como Fable 5 estuvo no disponible varias semanas, apenas está reconstruyendo sus datos de referencia, por lo que sus clasificaciones por género todavía tienen pocas muestras.

La página de Fable 5 vuelve a estar activa.

Anthropic volvió a moverse rápido.

Claude Opus 4.8 llegó el 28 de mayo de 2026 —apenas unas seis semanas después de Opus 4.7— y ahora ocupa nuestro puesto de flagship de Anthropic.

Su propuesta es un juicio más afilado, mayor honestidad sobre su propio progreso y la capacidad de trabajar de forma independiente durante más tiempo.

La mejora más concreta está en la fiabilidad del código: Opus 4.8 es unas cuatro veces menos propenso que 4.7 a dejar pasar un defecto en su propio código, y lidera en ingeniería de software agéntica con un 69,2% en SWE-Bench Pro, por delante de GPT-5.5 y Gemini 3.1 Pro.

El precio no cambia respecto a 4.7: $5/$25 por millón de tokens, así que la actualización es esencialmente gratuita por token.

En este sitio, Opus 4.7 se mantiene legible para comparaciones pasadas pero ya no participa en nuevas sesiones.

A partir de ahora, donde este artículo diga "Claude Opus", entiéndase como Opus 4.8.

Esta primavera llegaron dos nuevos modelos insignia en poco tiempo.

Anthropic publicó Claude Opus 4.7 el 16 de abril de 2026, apenas semanas después de GPT-5.4.

OpenAI le siguió con GPT-5.5 el 23 de abril de 2026.

Ambos aportan saltos perceptibles en codificación agéntica y en flujos de trabajo encadenando herramientas.

Claude Opus 4.7 incorpora un nuevo tokenizador y un adaptive thinking más limpio; GPT-5.5 marca avances medibles en codificación de largo recorrido (Expert-SWE 73.1% en tareas de ~20 horas) y en uso de la computadora (OSWorld-Verified 78.7%).

¿Qué implica esto para las recomendaciones de abajo? Básicamente, las etiquetas cambian un poco.

La franja de "alta calidad" en la familia GPT está ahora mejor representada por GPT-5.5, y GPT-5.4 sigue siendo muy capaz como opción equilibrada.

Claude Opus pasa en este artículo de 4.6 a 4.7.

En este sitio, la generación anterior de Opus se mantiene legible para comparaciones pasadas, pero ya no participa en nuevas sesiones.

La línea Gemini se mantiene por ahora.

El precio de los nuevos flagships es elevado: GPT-5.5 duplica la tarifa de salida de GPT-5.4, mientras que Claude Opus 4.7 mantiene los mismos $5/$25 por millón de tokens que 4.6.

Para la mayoría de los usos cotidianos los modelos equilibrados anteriores siguen funcionando bien; para trabajos realmente exigentes, los nuevos flagships son donde están las ganancias.

Al elegir una IA, es fácil quedarse solo con preguntas como “¿cuál es el modelo más potente?” o “¿cuál es el más barato?”.

Esas preguntas importan, por supuesto, pero en la práctica no bastan.

El modelo adecuado cambia según para qué quieras usarlo, qué nivel de calidad esperes y qué nivel de coste te resulte aceptable en el uso diario.

Por eso, en este sitio separamos las comparativas de rendimiento de las comparativas de precio y relación coste-rendimiento.

La IA no es algo que pueda resumirse simplemente en “cuanto más potente, mejor” o “cuanto más barata, mejor”.

Lo más realista es elegir el modelo que mejor encaje con tus necesidades dentro del equilibrio entre precio, estabilidad y calidad de salida.

Si tuviera que resumir mi visión tras esta instantánea de la forma más sencilla posible, diría esto: el modelo ligero de GPT si quieres gastar poco, el modelo GPT de gama alta para el mejor equilibrio entre solidez general y coste, y Claude Opus para trabajos en los que lo que se juzga es la calidad del propio texto, como la ficción o la planificación.

Más que existir un único modelo perfecto para todo, cada uno tiene una personalidad bastante clara.

Eso sí, cada género tiene una sola tarea, así que cualquier punto fuerte o débil por género debe leerse como “así fue en esa tarea”.

En cuanto a precio, el primer modelo que señalaría es el modelo ligero de GPT.

En la medición de este sitio tuvo el menor coste por respuesta de los seis modelos, con una puntuación más o menos al nivel del modelo principal de Google.

Frente al modelo de Google del mismo nivel ligero, la diferencia es clara tanto en coste como en puntuación.

Es decir, ahora hay una opción más barata y más fuerte que Gemini Flash-Lite, que las versiones anteriores de este artículo ponían primero por precio.

Para el trabajo diario —redactar, estudiar, organizar tareas, preparar un primer borrador de una consulta— rinde más de lo que cabría esperar a este precio.

En programación y en explicaciones educativas se acercó a los modelos superiores.
Su punto débil es igual de claro.

En la tarea de planificación de esta instantánea interpretó mal la regla sobre el orden de los trabajos y llegó a un plan que no podía funcionar, lo que le costó muchos puntos.

Cuando le pidas una conclusión a partir de condiciones enrevesadas, conviene comprobar que la conclusión las cumple.

Si un principiante va a elegir su primer modelo, el modelo ligero de GPT sigue siendo el más fácil de recomendar: es barato, rara vez se equivoca por mucho y no es exigente con el tipo de trabajo.

En el conjunto de las dieciséis tareas, el primer puesto fue para el modelo GPT de gama alta de OpenAI.

No se vino abajo en ningún género y se mantuvo en la zona media incluso en sus tareas más flojas.

También ganó todos los debates contra los modelos de su nivel.

Su fuerza es la resistencia más que el brillo, y resulta muy cómodo cuando quieres una salida coherente que se pueda usar tal cual: programación, diseño, explicación, análisis.

Lo otro que no conviene pasar por alto es el coste: por respuesta costó una fracción de lo que costó Claude Opus.

Si miras calidad y coste a la vez y quieres un solo modelo, hoy es la opción más segura.

Cuando lo que se juzga es la calidad del propio texto, Claude Opus mostró su fuerza.

Fue el mejor en las tareas de ficción, planificación, lluvia de ideas, humor y empatía, con un trabajo que destaca por su acabado general, su estructura y su forma de construir una respuesta completa a partir de una petición algo ambigua.

Además, hay un aspecto que este sitio no capta del todo mediante comparaciones numéricas directas, pero que en la práctica importa: lo bien que puede verse Claude cuando le pides que construya un sitio.

Por mi experiencia, Claude Code a veces puede generar un diseño relativamente moderno incluso sin una gran cantidad de instrucciones detalladas, mientras que Codex tiende a producir diseños más seguros, más sobrios y más convencionales en conjunto.

Por supuesto, esto también depende del prompt y de las condiciones del proyecto, pero en el uso real la diferencia puede sentirse bastante.

Aun así, aquí no tendría sentido hablar solo de lo positivo.

Claude Opus es caro: en esta medición tuvo el mayor coste por respuesta de los seis modelos.

Sus respuestas son largas y a menudo se siente más lento que Codex.

También hay tareas, como la de orientación psicológica, en las que el modelo GPT de gama alta lo hizo mejor.

Si estás dispuesto a pagar por la calidad de la ficción o de la planificación, Claude Opus es una opción muy fuerte, pero puede volverse una carga pesada si lo usas a todas horas.

El modelo de Anthropic un nivel por debajo fue el mejor en las tareas de redacción empresarial y de análisis, y en programación igualó a los modelos superiores.

Cuesta aproximadamente la mitad que Claude Opus, así que para documentos e informes de trabajo vale la pena probarlo primero.

En cambio, en la tarea de ficción de esta instantánea puntuó sorprendentemente bajo.

Si la ficción es tu uso principal, Claude Opus encaja mejor.

El modelo principal de Google es barato y se acercó a los mejores en explicación educativa, redacción empresarial y resúmenes.

En la tarea de persuasión, sin embargo, prometió algo que sus propias cifras contradecían y perdió muchos puntos, y no ganó ningún debate contra su nivel.

El modelo de Google un nivel por debajo quedó último de los seis esta vez.

En el problema de matemáticas falló las cuatro respuestas, y en la tarea de ficción entendió mal la regla central de la historia.

Tiene utilidad para procesar grandes volúmenes de trabajo cuyos resultados sean fáciles de comprobar, como resúmenes breves o clasificaciones rutinarias, pero por ahora me cuesta recomendarlo para trabajos en los que importa la calidad.

La mejor forma de evitar una mala elección no es fijarse solo en qué modelo parece más fuerte en abstracto.

En la práctica, la respuesta cambia según si necesitas usarlo todos los días a gran escala, si tu trabajo exige un alto nivel de acabado o si simplemente quieres empezar probando barato.

Los modelos de gama alta son indudablemente atractivos, pero si vas a usar IA constantemente, el coste y la velocidad importan.

Por otro lado, incluso un modelo barato y útil puede no ser el que quieras cuando el resultado final realmente tiene que verse pulido.

Personalmente, creo que elegir un modelo de IA se parece menos a buscar “el modelo más poderoso” y más a encontrar la herramienta que mejor encaja con tu forma de trabajar.

En cuanto decides si tu prioridad real es el coste, la estabilidad o el acabado, la elección se vuelve mucho más clara.

Si tuviera que expresar la visión del operador del sitio tras esta instantánea de la forma más directa posible, sería esta:

Esta me parece la forma más práctica de plantearlo: lee la columna de advertencias junto a la de puntos fuertes.

El resultado de cada modelo en cada tarea, con las respuestas y los comentarios de los jueces, está en las páginas de clasificación y de géneros.

En otras palabras, ningún modelo es perfecto.

Sus fortalezas y debilidades son bastante fáciles de entender cuando se usan de esta manera.

Por eso, en este sitio, recomendaría pensar en ellos así: el modelo ligero de GPT para el coste, el modelo GPT de gama alta para la solidez general, y Claude Opus para la calidad de la ficción y la planificación.