7 oct 2026
Cuatro modelos de IA, una tarea real: la matriz de selección de modelos
En las últimas semanas comparé cuatro modelos de IA en una tarea real para una clienta: sugerir pedidos de reposición para un distribuidor mayorista, unos 560 productos de dos proveedores. Esperaba que la comparación fuera sobre cuál modelo es más inteligente. Terminó siendo sobre otras cosas.
Tres de los cuatro modelos llegaron a la misma calidad. Los revisé en 13 productos con patrones difíciles, como bultos grandes, saltos repentinos de demanda y productos de baja rotación. GLM-5.3-Flash y Claude Sonnet 5 detectaron los 13, y DeepSeek detectó 11. Gemini Flash-Lite no detectó ninguno: el 98 % de sus respuestas eran idénticas a la fórmula simple que le había dado como referencia, así que no aportó nada.
Con la calidad empatada, la decisión pasó por el costo, la confiabilidad y las condiciones de uso de los datos. Sonnet costaba unas 17 veces más por corrida que GLM para el mismo resultado. DeepSeek tiene uno de los precios por token más bajos, pero generó unas seis veces más salida que Gemini, necesitó 25 reintentos y un lote nunca terminó. Elegimos GLM, después de que la clienta confirmara que estaba de acuerdo con que ese proveedor procesara sus datos de stock y ventas.
También quería una columna de carbono. Ninguno de los cuatro proveedores publica energía ni emisiones por solicitud, así que lo estimé yo, y los rangos se superponen demasiado como para ordenar los modelos. Dejé la columna igual, sobre todo para mostrar ese vacío.
Lo que más me sorprendió vino al final. Cuando comparamos las sugerencias con el pedido que la clienta realmente hizo, las diferencias venían de los datos, no del modelo. Los productos que habían estado sin stock no mostraban ventas recientes, y ningún modelo podía distinguir eso de la falta de demanda. Para una tarea así, hoy pienso que el modelo que elegís importa menos que los datos que le das.
Publicado originalmente en LinkedIn ↗