Comparativa de IA generativa
AInformation dio las mismas tareas con las mismas instrucciones a ChatGPT, Gemini, Claude y Copilot y comparó los resultados. Reunimos 10 áreas del Benchmark de IA para tareas reales (calificadas por un programa) y 11 funciones del Laboratorio de pruebas de 4 IA (medidas en cada artículo) en tablas con fecha, una por método. Haz clic en el nombre de una función para abrir el artículo original con el método y las respuestas completas.
Cada fila indica la fecha de la prueba. Incluye pruebas hasta el 29 de octubre de 2026
Comparativa de la tasa de aciertos de la IA generativa en 10 áreas
Benchmark de IA para tareas reales. Tasa de aciertos de 6 tareas, cada una enviada 3 veces con la misma instrucción y calificada solo por un programa. El azul en negrita marca la IA primera en cada área.
| Área | ChatGPT | Gemini | Claude | Copilot | Fecha de la prueba |
|---|---|---|---|---|---|
| Lectura de imágenes y fotos | 77.8% | 66.7% | 55.6% | 66.7% | |
| Actas de reunión y resúmenes | 83.3% | 55.6% | 55.6% | 55.6% | |
| Investigación y verificación de datos | 100% | 22.2% | No se pudo medir | 72.2% | |
| Lectura de PDF e informes financieros | 100% | 73.3% | 100% | No se midió | |
| Hojas de cálculo y totales | 100% | 50% | 83.3% | 100% | |
| Texto en inglés y traducción | 83.3% | 16.7% | 50% | 55.6% | |
| Elaboración de la estructura de un documento | 83.3% | 77.8% | 61.1% | 27.8% | |
| Fórmulas de Excel y hojas de cálculo | 100% | 100% | 100% | 94.4% | |
| Correos y documentos de negocios | 100% | 38.9% | 83.3% | 100% | |
| Limpieza de datos y unificación de nombres | 83.3% | 77.8% | 66.7% | 66.7% |
IA generativa probada y comparada en 11 funciones
Laboratorio de pruebas de 4 IA. Tres tareas (fácil, media y difícil) enviadas una vez cada una, con las respuestas revisadas en el artículo. ○△× indican la exactitud por tarea y el azul en negrita marca la ganadora indicada en el artículo.
| Función | ChatGPT | Gemini | Claude | Copilot | Fecha de la prueba |
|---|---|---|---|---|---|
| Generación de imágenes | No se pudo probar | ○3 | ○1 △2 | ○1 △2 | |
| Enviar una foto o imagen y preguntar (lectura de imágenes) | No se pudo probar | ○3 | ○2 △1 | No se pudo probar | |
| Crear un acta de reunión a partir de audio | No se pudo probar | ○1 | ×1 | No se pudo probar | |
| Lectura de archivos (PDF) | ○3 | ○3 | ○3 | ○3 | |
| Ejecución de código (análisis de datos y gráficos) | ○3 | ○2 ×1 | ○3 | ○1 △1 | |
| Crear y corregir documentos juntos (Canvas, Docs, Pages) | No se pudo probar | Solo las diapositivas | Los tres casos | El segundo y el tercer caso | |
| Resumen de textos largos | Aprobado: 8 de 8, 7 de 9 | Aprobado: 8 de 8, 9 de 9 | Aprobado: 8 de 8, 9 de 9 | Aprobado: 8 de 8, 8 de 9 | |
| Búsqueda web (responde citando fuentes) | ○2 △1 | ○2 ×1 | ○1 | ○2 △1 | |
| Memoria (recordar entre conversaciones) | ○1 | ×1 | ×1 | ○1 | |
| Lectura de hojas de cálculo (Excel) | ○2 | ○3 | ○2 △1 | ○2 ×1 | |
| Traducción (inglés→japonés y japonés→inglés) | 14 de 14 · 5 de 5 | ×1 | 14 de 14 · 5 de 5 | 14 de 14 · 5 de 5 |
Todavía no hay funciones comparadas con estos filtros.
ChatGPT, Gemini, Claude y Copilot: resultados comparados
Totales acumulados de 10 áreas y 784 pruebas en total del Benchmark de IA para tareas reales. No incluimos las filas del Laboratorio de pruebas de 4 IA porque se miden de otra forma. Solo la última columna cuenta las funciones en las que la IA quedó primera en las tablas de arriba.
| AI | Tasa de aciertos | Tiempo empleado (segundos, mediana) | Misma respuesta las 3 veces | Respetó el formato | Las URL de las fuentes se pudieron abrir | Primera en esta tabla |
|---|---|---|---|---|---|---|
| ChatGPT207 pruebas · 12 áreas | 92.3% | 21.9 s | 100% | 96.1% | 100% | 12 funciones4 empatadas |
| Claude190 pruebas · 12 áreas | 76.8% | 19.3 s | 95% | 53.8% | — | 6 funciones2 empatadas |
| Copilot180 pruebas · 11 áreas | 72.2% | 16.6 s | 87.2% | 76.8% | 93.3% | 2 funciones2 empatadas |
| Gemini207 pruebas · 12 áreas | 61.4% | 49 s | 86.1% | 83.1% | 83.3% | 6 funciones1 empatadas |
Cómo hicimos esta página
En esta tabla, AInformation reúne los resultados de comparar ChatGPT, Gemini, Claude y Copilot con las mismas tareas. El material proviene de las 10 áreas del Benchmark de IA para tareas reales (675 intentos en total) y de 11 artículos de comparación del laboratorio de pruebas con 4 IA (132 envíos con respuesta obtenida).
Para el Benchmark de IA para tareas reales se crean cada vez documentos nuevos de una empresa ficticia y se plantea la misma tarea a las cuatro IA. Un programa decide si la respuesta es correcta según la coincidencia de cifras, la presencia de ciertas palabras, el formato o si la URL se puede abrir; no se usa ninguna IA para calificar.
El laboratorio de verificación de 4 IA pone a prueba una misma función con tres tareas de distinta dificultad (fácil, media y difícil) en las cuatro IA. El tiempo que tarda cada una y el contenido de la respuesta se verifican uno por uno en el artículo, y los criterios usados se explican en las condiciones de verificación de cada artículo.
La marca de ganador se asigna, en el benchmark, a la IA con la tasa de aciertos más alta (si hay empate, se comparte el primer lugar); en el laboratorio, se asigna según la conclusión que da el equipo editorial en el artículo. Como se trata del resultado de una sola verificación, el orden puede cambiar según el día o la tarea.
Los datos de esta tabla también están disponibles en JSON (CC BY 4.0).
Preguntas frecuentes
Al comparar las IA generativas, ¿cuál es la más precisa?
En el total acumulado del Benchmark de IA para tareas reales (10 áreas, 784 intentos en total), el porcentaje de aciertos más alto fue el de ChatGPT, con 92.3 % (191 de 207 intentos). En segundo lugar quedó Claude, con 76.8 %, seguido de Copilot con 72.2 % y Gemini con 61.4 %. Sin embargo, el orden de ganadores cambia según la función. Elige según la fila de la función que quieras usar.
¿Cómo compararon ChatGPT, Gemini, Claude y Copilot?
El equipo de AInformation envió la misma tarea con la misma frase a las pantallas de los planes de pago de las 4 IA. En el Benchmark de IA para tareas reales se envían 6 tareas por área, 3 veces cada una, y se juzga si la respuesta es correcta solo mediante un programa. En el Laboratorio de verificación con 4 IA se envían 3 tareas (fácil, media y difícil) una vez cada una, y las respuestas se comprueban una por una dentro del artículo. En ambos casos cada intento comienza desde una conversación nueva.
¿Se obtienen los mismos resultados con la versión gratuita?
No necesariamente. Se usaron ChatGPT Pro, Google AI Pro, el plan Max de Claude y Microsoft 365 Personal, y en la tabla de resultados se registró el nombre del modelo que aparecía en pantalla. La versión gratuita tiene diferentes modelos disponibles y límites de uso, por lo que la velocidad y la exactitud de las respuestas también pueden variar.
¿Por qué aparece escrito “no se pudo probar” o “no se pudo medir”?
Hay 3 motivos por los que no se pudo medir: la operación del equipo editorial se detuvo, se alcanzó el límite del plan o apareció una verificación para comprobar que se trataba de una persona y se detuvo la prueba. Como no se trata de un error de la IA al responder, estos casos no se incluyen en el denominador de la tasa de aciertos. En cambio, los casos en los que la IA se negó a responder o se agotó el tiempo sí son resultados de la IA, por lo que se incluyen en el denominador como respuestas incorrectas.
¿Cuándo se actualiza esta tabla comparativa?
Los artículos de comparación del laboratorio de pruebas con 4 IA se agregan a la tabla el mismo día en que se publican. El Benchmark de IA para tareas reales se agrega al día siguiente de hacer la medición. Cuando se vuelve a medir la misma función, se reemplaza con el resultado más reciente. Ahora mismo hay 21 funciones registradas, y la prueba más reciente es del 29 de octubre de 2026. Los datos se publican bajo la licencia CC BY 4.0, así que se pueden citar si se indica la fuente.