Cómo leer un ranking de IA: quién mide, con qué margen y para qué

Un ranking de IA ordena modelos con un número, y lo fácil es quedarse con el primero. Antes de hacerlo, conviene responder cuatro preguntas: quién ha medido y cómo, con qué margen, cuándo, y si lo que mide se parece a lo que tú vas a hacer. Con ellas, una tabla de puntos se convierte en una elección razonable. Usamos como ejemplo nuestro ranking de modelos, con los datos del 15 de octubre de 2026.

Un modelo de lenguaje es el sistema que genera el texto detrás de cada asistente, como Claude, Gemini o GPT. Lo que ordenan los rankings son esos modelos, no las aplicaciones con las que los usas.

Quién mide y cómo

Casi todos los rankings salen de una de estas tres formas de medir, y cada una responde a una pregunta distinta:

• Votos de personas. En LMArena, que hoy se llama Arena, cualquiera escribe una pregunta, recibe dos respuestas sin saber de qué modelo son y vota la que prefiere. Con miles de votos se calcula una puntuación. Mide qué respuesta gusta más, no si es correcta.
• Pruebas con respuestas conocidas. Epoch AI, un instituto de investigación, pasa a los modelos exámenes cuya solución se sabe de antemano: GPQA Diamond, con preguntas de ciencia de nivel de doctorado, o FrontierMath, con problemas de matemáticas de investigación. Mide aciertos, pero solo en ese tipo de problema.
• Uso. OpenRouter, un servicio que da acceso a muchos modelos desde un mismo sitio, publica cuáles mueven más texto en su plataforma. Mide lo que se usa allí, no lo que funciona mejor.

Ninguna de las tres es mejor que las otras: miden cosas distintas. Lo que no conviene es leer una como si fuera otra; por ejemplo, tomar los votos de LMArena como prueba de que un modelo se equivoca menos.

El margen: cuándo dos modelos empatan

Una puntuación sacada de votos o de un examen tiene siempre algo de azar: con otros votos u otras preguntas saldría algo distinta. Por eso las fuentes serias publican un margen, un intervalo en el que es muy probable que esté el valor real. Si los márgenes de dos modelos se solapan, el orden entre ellos no es fiable: es un empate técnico.

En la clasificación de texto de LMArena, Gemini 4 Argon va primero con 1.524,8 puntos y un margen de 1.515,9 a 1.533,6. Muse Wonder, segundo, tiene 1.512,7 y un margen de 1.499,4 a 1.525,9. Los dos intervalos se tocan, así que no se puede decir cuál es mejor. Claude Opus 5.5, tercero, llega como mucho a 1.515,6, justo por debajo del suelo de Argon: ese sí queda detrás.

El margen depende sobre todo de cuántos votos hay. Muse Wonder tiene 1.944 votos y un intervalo de unos 26 puntos de ancho; Gemini 3.8 Flash, con 35.670, de unos 9. En español, los cinco primeros de nuestra lista tienen entre 223 y 839 votos cada uno, y ninguno se distingue del primero. Si una fuente no publica margen, tómalo como aviso: una diferencia pequeña puede no significar nada.

Cuándo una prueba ya no separa

Las pruebas con respuestas conocidas tienen otro límite: cuando casi todos aciertan, dejan de distinguir. En GPQA Diamond, los cinco mejores de nuestra lista están entre el 95,4 % y el 96,4 %. Un punto de diferencia en un examen que todos aprueban con nota dice poco de cuál te conviene. Se dice entonces que la prueba está saturada, y por eso los evaluadores crean otras más difíciles, como el nivel 4 de FrontierMath.

La fecha y lo que cambia

Un ranking es una foto de un día. Salen modelos nuevos cada pocas semanas, los que ya están se actualizan y los precios cambian: el de Gemini 4 Argon, por ejemplo, es de lanzamiento hasta el 30 de noviembre. Mira siempre cuándo se consultaron los datos y desconfía de una tabla sin fecha. En nuestro ranking, la fecha de los datos está arriba, junto a las cifras, y se actualiza cada semana.

Para qué lo quieres

Un único número para todo mezcla tareas que no se parecen. En la tarea «Programar» de nuestro ranking, para pedir código en la conversación ninguno de los cinco primeros se distingue del primero; para construir una aplicación web completa, Claude Opus 5.5 va delante con ventaja. El mejor para redactar un correo no tiene por qué ser el mejor para entender una foto o para usarlo en tu ordenador sin conexión. Por eso el ranking empieza por la pregunta «¿Para qué lo quieres?».

Un ejercicio de cinco minutos

Elige una tarea que hagas a menudo, como resumir un informe, contestar a un cliente o revisar una hoja de cálculo, y haz esto:

1. Abre el ranking y elige en «¿Para qué lo quieres?» la tarea que más se parezca a la tuya.
2. Fíjate en qué modelos llevan la etiqueta «Empate»: entre ellos, el orden no decide nada.
3. Mira la fecha de los datos y, en la tabla de todos los modelos, el precio y el tipo de pesos (abiertos, si se pueden descargar; cerrados, si no).
4. Prueba los dos primeros que tengas a mano con la misma instrucción y un caso tuyo, sin datos personales ni de clientes, y compara las respuestas.

Lo que veas con tu propio caso vale más que un punto de diferencia en una tabla.

Para seguir

Al pie del ranking, «Cómo se compone este ranking» explica de dónde sale cada cifra y a quién pertenece. Para elegir herramienta según la tarea, la lección 4 de «De cero a criterio» lo cuenta paso a paso, y la lección 2 enseña a escribir la instrucción con la que comparar.