¿Qué modelo de IA para qué tarea?

La buena noticia primero: en 2026 ya no existe un único mejor modelo de IA, sino varios muy buenos que se diferencian en precio, velocidad y especialidad. Quien lo entiende ahorra dinero y obtiene mejores resultados. Quien siempre elige tercamente el modelo estrella más caro quema presupuesto; quien siempre elige el más barato paga con calidad. Este artículo ordena las cuatro familias más importantes — y responde a la única pregunta que cuenta en el día a día: ¿qué uso para qué?

Los modelos de un vistazo

Cuatro familias marcan el mercado en 2026: Claude, de Anthropic (Opus como buque insignia, Sonnet como caballo de batalla económico, Haiku como clase ahorro), GPT-5.5, de OpenAI, Gemini, de Google (Pro como caballo de fuerza, Flash como clase rápida) — junto con hermanos menores y más baratos en cada caso. Se diferencian menos en la pregunta «¿pueden hacerlo?» que en «¿con qué fiabilidad, con qué rapidez, a qué precio?».

Todos los precios de abajo son precios de lista por un millón de tokens (entrada / salida), a fecha de julio de 2026 — en parte todavía precios de lanzamiento. Importante de antemano: los tokens de salida cuestan varias veces más que los de entrada. En tareas que generan mucho texto o código, el precio de salida domina la factura, no el precio de entrada que suele anunciarse.

¹ Sonnet 5: precio de lanzamiento hasta el 31.08.2026, después $3 / $15.   ² Gemini 3.1 Pro: tarifa estándar hasta 200K de contexto; por encima, $4 / $18. Todos los datos según la documentación de los proveedores o los rastreadores de precios (ver fuentes).

Cómo leer los precios correctamente — tres trampas

Antes de pasar a las tareas: el precio de etiqueta engaña. Tres cosas determinan la factura real.

1. La salida es cara. En varios proveedores, la salida cuesta de cinco a seis veces más que la entrada. Un modelo que responde de forma compacta y precisa puede resultar en la práctica más barato que uno con un precio de entrada menor pero que se explaya. Ejemplo: quien genera unos 20.000 tokens de salida por consulta paga, con un modelo de $25, unos 50 céntimos, y con uno de $9, solo unos 18 céntimos — a lo largo de miles de ejecuciones, una diferencia enorme.

2. Los prompts grandes tienen un recargo. Las entradas muy largas se facturan más caras en algunos modelos — en GPT-5.5, por ejemplo, la tarifa sube claramente por encima de 272K tokens, y en Gemini 3.1 Pro por encima de 200K. Quien envía habitualmente contextos enormes debería calcularlo de antemano.

3. El caché reduce drásticamente los costes repetidos. Cuando siempre va por delante el mismo prompt de sistema o la misma base de conocimiento, el prompt caching reduce el coste de esa parte hasta en un 90 % aproximadamente. Para agentes con contexto fijo, esto es una palanca enorme.

Qué modelo para qué tarea

Basta ya de precios — vamos ahora a la pregunta central. En lugar de clasificar los modelos de forma abstracta, los asignamos a cinco áreas de tareas típicas. Para cada una rige un equilibrio distinto entre calidad, velocidad y coste — y de ahí sale precisamente la elección.

Programación y agentes autónomos

Aquí se separa el grano de la paja — no en la respuesta individual, sino a lo largo de cadenas largas. En tareas agénticas, pequeñas tasas de error se acumulan a lo largo de muchos pasos: un modelo algo más fiable en cada paso interrumpe con menos frecuencia una tarea larga. Precisamente por eso Opus 4.8 lidera el benchmark de programación agéntica (69,2 %) — y sigue siendo la primera opción cuando una interrupción sale cara. Pero para la mayor parte del trabajo de desarrollo, Sonnet 5 (63,2 %) es el mejor trato: notablemente más cerca de Opus que su predecesor, a una fracción del precio. Quien ejecuta muchos pasos de programación paralelos y más sencillos encuentra en Gemini 3.5 Flash una alternativa rápida y económica.