Elegir un modelo de IA en la empresa: seis criterios para decidir qué LLM usar

Para elegir un modelo de IA en una empresa conviene partir por las tareas. Un LLM (modelo de lenguaje, como los que están detrás de ChatGPT, Claude o Gemini) se evalúa con seis criterios: qué tan bien resuelve esas tareas, cuánto cuesta a tu volumen de uso, cuánto se demora en responder, si funciona donde ya trabaja tu equipo, qué pasa con tus datos y si el servicio está disponible cuando lo necesitas. El que gana en un ranking público puede quedar tercero en tu caso.

Este artículo ordena esos criterios para una gerencia, a partir del material que preparé para mis clases en la UAI, y suma lo que mostraron los datos de uso de octubre de 2026: tener el modelo más inteligente pesa cada vez menos en la elección de los desarrolladores.

El modelo más potente ya no siempre es el que conviene

Durante 2025, lo habitual era usar para todo el modelo más capaz disponible. Los datos de uso de este año muestran que los desarrolladores eligen cada vez menos así.

The Information analizó los datos de OpenRouter, una plataforma que da acceso a cientos de modelos desde un mismo lugar. A fines de 2025, un modelo con 10 puntos más que su competidor en un índice de inteligencia recibía 68,5 % más tráfico de desarrolladores. En octubre de 2026 esa ventaja había bajado a 19,7 %. Un día antes, el mismo medio publicó otra cifra de OpenRouter: los diez modelos de mayor calidad pasaron de procesar el 55 % de los tokens de la plataforma a comienzos de 2025 a solo el 14 % en el tercer trimestre de 2026, mientras ganaban terreno alternativas más baratas.

Estas cifras hay que leerlas con cuidado. Muestran una correlación, y la metodología está en un reporte de pago, así que no sabemos qué índice de inteligencia se usó ni cómo se controló por precio. Además, en OpenRouter predominan desarrolladores y startups que cambian de modelo sin fricción, y no aparecen las grandes empresas que compran a través de Azure, Bedrock o Vertex. El 14 % también es una participación relativa dentro de un volumen total que creció mucho: un modelo puede perder participación y aun así procesar más tokens que antes.

Russell Kaplan, presidente de Cognition (la empresa detrás del agente de programación Devin), escribió en X que esos números van en la misma dirección que los datos internos de su empresa. Según él, muchas tareas de programación ya están "saturadas de inteligencia":

"Una vez que cualquier modelo puede hacer bien la tarea, solo importan el costo y la velocidad."

Kaplan habla de programación. En nuestros proyectos vemos que la misma lógica sirve para muchas tareas de oficina. SAP va en la misma línea: al presentar su plataforma de IA, explicó que combina modelos de terceros con modelos propios para que cada interacción use "el modelo más adecuado para la tarea".

Para una gerencia, esto cambia el orden de la decisión. Primero se define la tarea y después se elige el modelo. En la revisión de un contrato o en un análisis financiero, un error sale caro y conviene pagar por más inteligencia. En tareas repetitivas de alto volumen, como clasificar correos o procesar facturas, varios modelos ya lo hacen bien y deciden el costo y la latencia. Así se llega a un portafolio de modelos, que detallamos más abajo. La pregunta útil para tu comité es qué tareas de tu empresa ya están saturadas de inteligencia.

Seis criterios para evaluar un modelo

Ningún criterio pesa lo mismo en todos los casos. Por eso, en cada uno indicamos cuándo pesa más y cuándo pesa menos según el uso que le darás al modelo.

Inteligencia: qué tan bien resuelve las tareas que te importan

Es la calidad del razonamiento y de las respuestas en tu trabajo concreto. Los rankings públicos sirven para armar una lista corta de candidatos y poco más, porque miden exámenes generales.

La prueba que vale es con casos tuyos. Reúne algunas decenas de ejemplos reales de la tarea (correos de clientes o contratos, por ejemplo) con la respuesta que consideras correcta, y compara dos o tres modelos con esos mismos casos. Muchas veces aparece un modelo más barato que alcanza la calidad necesaria.

Cuándo pesa más: en tareas abiertas donde un error es caro y difícil de detectar, como un análisis financiero o la revisión de un contrato. Ahí conviene pagar por el modelo más capaz. Cuándo pesa menos: en tareas acotadas y repetitivas, como clasificar correos o extraer datos de una factura. Varios modelos ya aciertan casi siempre, y lo que decide es el costo y la velocidad.

Costo: cuánto cuesta y cómo escala con el volumen

Los modelos se cobran de dos formas. Por uso, según la cantidad de tokens (los fragmentos en que el modelo divide el texto que lee y escribe) que entran y salen, o por licencia, con un monto fijo por persona. El cobro por uso parte bajo y crece con el volumen. Una licencia es fácil de presupuestar, aunque suele tener límites de uso.

El caso de Accenture muestra lo que pasa cuando el uso crece sin control. Según un anuncio interno que revisó 404 Media, desde el 1 de octubre de 2026 la consultora financia de forma central US$29 al mes por persona para usar Claude, y lo que exceda se carga al presupuesto del proyecto o del equipo. Algunos empleados gastaban hasta US$1.000 al mes.

La lección para la gerencia va más allá de la cifra. Antes de elegir, estima cuántas consultas va a hacer cada proceso al mes, cuánto texto lleva cada una y quién paga cuando el uso se dispare. Revisa los precios vigentes en la página de cada proveedor, porque cambian seguido.

Cuándo pesa más: cuando el volumen es alto o crece con cada cliente, como en la atención automatizada o en el procesamiento de miles de documentos al mes. Los agentes también entran aquí, porque hacen muchas consultas para completar una sola tarea. Cuándo pesa menos: en usos de bajo volumen y alto valor, como preparar la presentación para el directorio. La diferencia de costo entre modelos es pequeña frente a lo que vale el resultado.

Latencia: cuánto se demora en responder

Es el tiempo entre la consulta y la respuesta. Los modelos que razonan más tardan más, y eso se nota en la experiencia del usuario. Mide la latencia en tu caso real, con el largo de texto que vas a usar, y en el horario en que vas a operar.

Cuándo pesa más: en un chatbot de atención a clientes, donde una persona espera la respuesta y abandona si tarda, o en un asistente de voz, donde cualquier pausa se nota. Cuándo pesa menos: en procesos por lotes, donde el resultado puede esperar varias horas, como clasificar durante la noche los reclamos del día. Para esos casos, algunos proveedores ofrecen un procesamiento por lotes con descuento a cambio de entregar los resultados más tarde, dentro de 24 horas.

Integración con el stack: si está disponible donde ya trabajas

Un modelo que ya está en la nube o en las herramientas que usa tu empresa se contrata y se audita más fácil. Los principales modelos están en más de una nube. Claude, de Anthropic, se ofrece en Amazon Bedrock, Google Cloud y Microsoft Foundry. Los modelos de OpenAI están en Microsoft Foundry de Azure, y Gemini, en Google Cloud.

Si tu equipo trabaja todo el día en Microsoft 365 o en Google Workspace, el asistente integrado en esas herramientas puede rendir más que un modelo con mejor puntaje que obliga a cambiar de pantalla. Contratar a través de tu nube actual también suele simplificar la facturación y la revisión de seguridad.

Cuándo pesa más: cuando el modelo tiene que leer o escribir en los sistemas de la empresa, como el ERP o el CRM, o cuando el área de tecnología exige pasar por la nube que ya tiene aprobada. Cuándo pesa menos: en un piloto acotado con datos no sensibles o en tareas aisladas, como redactar borradores. Ahí basta con una cuenta empresarial del proveedor.

Privacidad: dónde quedan los datos y quién los usa

Las preguntas son concretas: dónde se procesan y guardan los datos, por cuánto tiempo, si el proveedor los usa para entrenar sus modelos y qué certificaciones tiene.

En los planes para empresas y en las API, OpenAI y Anthropic declaran que por defecto no entrenan con los datos de sus clientes. Las cuentas personales y gratuitas tienen otras reglas, y por eso importa que los equipos usen las cuentas de la empresa. La retención también varía: OpenAI, por ejemplo, puede guardar hasta 30 días las consultas a su API para detectar abusos, salvo que se acuerde retención cero en los casos que califican.

En Chile, la Ley 21.719 de protección de datos personales exige contratos con el proveedor que trata los datos y garantías para transferirlos a otro país. Su entrada en vigencia está programada para el 1 de diciembre de 2026, y el Congreso discute postergarla en el boletín 18623-07, que aún no se aprueba. Con o sin postergación, conviene revisar desde ya dónde quedan los datos. Lo detallamos para el caso de los agentes en managed agents.

Cuándo pesa más: con datos personales de clientes o trabajadores, y en sectores regulados como salud o banca. Cuándo pesa menos: con información pública o ya anonimizada, como resumir noticias del sector o redactar contenido de marketing. Aun así, conviene usar las cuentas de la empresa.

Disponibilidad: que el servicio funcione cuando lo necesitas

Todos los proveedores tienen caídas, y en horas de alta demanda algunos ponen límites de uso (cuántas consultas por minuto acepta tu cuenta). Para un proceso crítico, pide un SLA (acuerdo de nivel de servicio, con un porcentaje de disponibilidad comprometido) y revisa qué compensa el proveedor si no lo cumple.

La protección más efectiva es tener un segundo modelo probado. Si tu sistema puede cambiar de modelo sin reescribirse, una caída se vuelve un inconveniente menor.

Cuándo pesa más: cuando el modelo está dentro de un proceso que no puede detenerse, como la atención en línea a clientes o la aprobación de solicitudes en tiempo real. Cuándo pesa menos: en herramientas internas de apoyo o en procesos por lotes. Si el servicio se cae una hora, el trabajo se reintenta después y nadie lo nota.

Una tabla para el comité

Elegir por tarea

Rara vez una empresa necesita un solo modelo. Lo habitual es un portafolio, donde cada tarea usa el modelo que la resuelve bien al menor costo.

Un análisis estratégico o la revisión de un contrato largo justifican un modelo de los más capaces. Resumir reuniones o redactar respuestas estándar funciona bien con modelos más rápidos y baratos. Y para decisiones repetitivas con opciones definidas, como clasificar reclamos o derivar correos, hay modelos especializados que responden en milisegundos y cuestan mucho menos que un LLM: los decision models.

Para que esto funcione, el sistema tiene que poder cambiar de modelo con poco esfuerzo. Mantén las instrucciones y los casos de prueba en un lugar propio, separados del proveedor. Así, cuando salga un modelo nuevo, lo pruebas con esos casos y decides con datos.

Comprar, desarrollar o combinar

Elegir el modelo va de la mano con otra decisión: usar una herramienta que ya trae un modelo incluido o construir una solución propia sobre la API de un proveedor. La primera opción es más rápida y la segunda da más control sobre qué modelo usas en cada tarea. Lo analizamos en desarrollar o comprar IA.

Cómo hacer la prueba

1. Elige una o dos tareas concretas con volumen suficiente para que el costo importe.
2. Arma un set de casos reales con la respuesta esperada. Si son datos sensibles, anonimízalos antes.
3. Compara dos o tres modelos con esos casos, incluido al menos uno más barato que el favorito.
4. Mide costo y latencia con el volumen y el largo de texto reales.
5. Revisa contrato y datos con tu equipo legal y de seguridad antes de pasar a producción.
6. Repite la prueba cada cierto tiempo. Los modelos y los precios cambian cada pocos meses.

Preguntas para tu próximo comité

• ¿Qué tareas concretas queremos resolver con IA y cómo sabremos si salen bien?
• ¿Tenemos casos reales con la respuesta correcta para comparar modelos?
• ¿Cuánto uso esperamos al mes y quién paga cuando crezca?
• ¿En qué país quedan nuestros datos y qué dice el contrato?
• ¿Qué pasa con el proceso si el proveedor se cae una mañana?
• ¿Podríamos cambiar de modelo en un mes si aparece una opción mejor?

Preguntas frecuentes

¿Cómo elegir un modelo de IA para una empresa?

Parte por las tareas que quieres resolver y evalúa cada modelo candidato con seis criterios: inteligencia en esas tareas, costo a tu volumen, latencia, integración con tus herramientas, privacidad de los datos y disponibilidad del servicio. Luego compara dos o tres modelos con casos reales de tu empresa.

¿Conviene usar siempre el modelo más inteligente?

Para la mayoría de las tareas, no. Cuando varios modelos resuelven bien una tarea, la diferencia la hacen el costo y la velocidad. Los modelos más capaces conviene reservarlos para el trabajo complejo, como análisis o documentos largos.

¿Qué es un LLM?

Es un modelo de lenguaje de gran tamaño (large language model), entrenado con enormes volúmenes de texto para entender y generar lenguaje. Es la tecnología detrás de ChatGPT, Claude y Gemini.

¿Cuánto cuesta usar un LLM en una empresa?

Depende del modelo y del volumen. Se paga por uso, según los tokens procesados, o por licencia por persona. El costo por uso crece con el volumen, por eso conviene estimar cuántas consultas hará cada proceso y revisar los precios vigentes en la página de cada proveedor.

¿Los proveedores de IA entrenan sus modelos con los datos de mi empresa?

En los planes para empresas y en las API, OpenAI y Anthropic declaran que por defecto no entrenan con los datos de sus clientes. Las cuentas personales y gratuitas tienen otras reglas, así que conviene que el equipo use las cuentas de la empresa y que el contrato lo deje por escrito.

¿Qué dice la Ley 21.719 sobre usar un modelo de IA de un proveedor extranjero?

Exige un contrato con el proveedor que trata los datos y garantías para transferirlos a otro país. Está programada para entrar en vigencia el 1 de diciembre de 2026 y en octubre de 2026 el Congreso discute postergarla. Con o sin postergación, revisa ambos puntos con tu asesor legal.

¿Es mejor tener un solo modelo o varios?

Varios, en la mayoría de los casos. Cada tarea puede usar el modelo que la resuelve bien al menor costo, y tener un segundo modelo probado protege la operación si el proveedor principal falla.