La capacidad de la IA, medida con la misma vara

RANKING

Clasificación acumulada

Son cifras sumadas a lo largo de varios días. Incluye 13 mediciones y 856 intentos. Ordenado por tasa de aciertos, de mayor a menor. “—” significa que ese indicador todavía no se ha medido. No significa 0 %.

La tasa de fuentes reales solo se mide en las mediciones que incluyeron una tarea que pedía URL junto con la respuesta. En Claude, “—” significa que todavía no hemos enviado ese tipo de tarea. No significa 0 %.

Puedes volver a contar las cifras por tu cuenta. Puedes descargar el CSV (1 fila por intento) desde el JSON acumulado y desde la página de cada medición. Las cifras de esta tabla coinciden con un nuevo conteo de ese archivo.

METRICS

Qué contamos

Contamos los mismos 5 indicadores cada vez. No añadimos ni quitamos indicadores de una medición a otra. Los 2 marcados son indicadores que casi ningún otro benchmark publica.

• Tasa de aciertos Número de intentos correctos dividido entre el número de intentos válidos de esa medición
• Tiempo de respuesta Segundos desde el envío hasta que la respuesta se detiene. Damos la mediana, el mínimo y el máximo
• ConsistenciaLo que hace diferente a esta medición Porcentaje de tareas cuya conclusión coincidió al enviar la misma tarea 3 veces
• Tasa de fuentes realesLo que hace diferente a esta medición Porcentaje de las URL citadas en las respuestas que se pudieron abrir de verdad
• Cumplimiento de instrucciones Porcentaje de intentos que cumplieron las reglas de número de caracteres, formato y número de elementos

La tasa de consistencia pone en cifras el hecho de que la IA puede cambiar su respuesta incluso ante la misma pregunta. La tasa de fuentes reales es el porcentaje de URL citadas por la IA que abrimos y comprobamos de verdad, así que las fuentes inventadas se reflejan directamente en la cifra.

BY FIELD

La mejor IA por área

La IA con la tasa de aciertos más alta en cada tipo de trabajo. Si cambia el área, cambia también la clasificación.

• Actas de reunión y resúmenes ChatGPT Tasa de aciertos: 91.7% / 2 mediciones
• Lectura de imágenes y fotografías Claude Tasa de aciertos: 83.7% / 3 mediciones
• Lectura de PDF e informes financieros ChatGPT Tasa de aciertos: 100% / 1 medición
• Investigación y verificación de hechos ChatGPT Tasa de aciertos: 100% / 1 medición
• Textos en inglés y traducción ChatGPT Tasa de aciertos: 83.3% / 1 medición
• Hojas de cálculo y agregación de datos ChatGPT Tasa de aciertos: 100% / 1 medición
• Creación de esquemas de documentos ChatGPT Tasa de aciertos: 83.3% / 1 medición
• Fórmulas de Excel y hojas de cálculo ChatGPT Tasa de aciertos: 100% / 1 medición
• Correo electrónico y documentos de negocios ChatGPT Tasa de aciertos: 100% / 1 medición
• Limpieza de datos y unificación de nombres ChatGPT Tasa de aciertos: 83.3% / 1 medición

RUNS

Lista de mediciones

En cada medición enviamos 6 tareas a las 4 IA, 3 veces cada una. Cada titular es una línea generada automáticamente a partir de los resultados.

• Lectura de imágenes y fotografías Leer cifras en imágenes de recibos, gráficos y tablas (4 IA, 6 tareas, 3 intentos cada una) Se dieron 6 tareas, cada una 3 veces; la tasa de aciertos más alta fue la de Claude, con 100.0% en 18/18 intentos (en segundo lugar, ChatGPT con 72.2%) 3 de noviembre de 2026 / 72 intentos válidos

METHOD

Método de medición

Describimos los pasos tal como son, para que la medición se pueda repetir. No cambiamos las condiciones a mitad del proceso.

Qué hacemos en cada medición

1. Elegimos el área del día. Dejamos 7 días completos entre mediciones de la misma área y nunca reutilizamos una tarea.
2. Volvemos a generar los materiales de las tareas usando la fecha del día como semilla. Son datos de una empresa ficticia.
3. Creamos 6 tareas. 2 son fáciles, 2 intermedias y 2 difíciles. Las respuestas correctas se fijan en este momento.
4. Enviamos el mismo enunciado y los mismos materiales a las 4 IA. Enviamos cada tarea 3 veces, cada vez en una conversación nueva.
5. Cambiamos el orden de envío en cada medición. Así la hora del día no sesga la clasificación.
6. Registramos los segundos desde el envío hasta que la respuesta se detiene. El tiempo de espera predeterminado es de 300 segundos.
7. Registramos el nombre del modelo que aparecía en pantalla y la hora en que lo comprobamos. Porque los modelos de IA cambian sin aviso.
8. La calificación la hace solo un programa. Se decide según si coinciden las cifras, si aparecen las palabras exigidas, si el formato es el correcto, si las URL se abren y el resultado de ejecutar las fórmulas.
9. Anotamos en un CSV, fila por fila, qué intentos fueron correctos o incorrectos y por qué, y lo publicamos tal cual.

Cómo calificamos

Al crear cada tarea ya está decidido con qué tipo de calificación se evalúa. Los gustos personales no se puntúan. Las tareas que no se pueden calificar de forma automática ni siquiera entran en el catálogo de tareas.

exact_number

Si la cifra coincide con la respuesta correcta. El margen de redondeo se fija de antemano

set_match

Cuántos de los elementos exigidos faltaron. Cuenta tanto las omisiones como los añadidos inventados

contains_all

Si incluye todas las palabras y expresiones obligatorias

format_check

Si la respuesta cumplió las reglas de número de caracteres, formato y número de elementos

url_alive

Abre cada URL citada para comprobar que existe de verdad

formula_run

Ejecuta la fórmula de la respuesta para comprobar el resultado

consistency

Si la conclusión coincide al enviar la misma tarea 3 veces

Cómo contamos los intentos sin respuesta

Estas reglas están fijadas de antemano. Así no podemos cambiarlas después según nos convenga.

• Se negó a responder o se agotó el tiempo

  Lo mantenemos en la base y lo contamos como incorrecto. Porque en el trabajo equivale a no recibir respuesta.

• Se alcanzó el límite del plan

  Lo quitamos de la base. Tratamos ese intento como no medido.

• Apareció una pantalla de verificación humana

  Nos detenemos ahí. No la pasamos de forma automática ni intentamos evitarla. Omitimos ese intento.

• Error de operación de AInformation

  Lo quitamos de la base. No lo presentamos como un fallo de la IA.

LIMITS

Limitaciones de esta medición

Para que nadie juzgue solo por las cifras, explicamos primero lo que no podemos medir.

• 1 medición cada 5 días

  Los resultados varían de un día a otro, incluso con la misma tarea. No decidas la clasificación con una sola medición.

• Usamos el plan de pago de cada IA

  No son resultados de las versiones gratuitas. El nombre de cada plan aparece en la página de cada medición.

• Usamos la interfaz del navegador

  No son resultados de la API. Un mismo modelo puede comportarse de forma distinta en la interfaz web y en la API.

• Cada medición tiene 6 tareas

  No cubren todo el trabajo de esa área.

• Solo medimos 5 indicadores

  No medimos el estilo de redacción, la legibilidad ni el comportamiento en conversaciones largas.

DATA

Datos publicados

Las máquinas pueden leerlos tal cual. Puedes modificarlos y redistribuirlos. La licencia es CC BY 4.0.

• Clasificación acumulada (JSON) Contiene esta tabla, los resultados por área y el historial tal cual
• Lista de mediciones (JSON) Contiene las URL del JSON y el CSV de cada medición

Para descargar el CSV de cada medición (1 fila por intento), entra desde Lista de mediciones en la página de esa medición.

FAQ

Preguntas frecuentes

¿Cómo hacen la medición?

Enviamos exactamente el mismo enunciado y los mismos materiales a las 4 IA el mismo día. Abrimos una conversación nueva cada vez para que no influyan las respuestas anteriores. El orden de envío cambia en cada medición. También registramos los segundos desde el envío hasta que la respuesta se detiene.

¿Por qué envían la misma tarea 3 veces?

Porque las respuestas de la IA varían incluso ante la misma pregunta. Con un solo intento no se puede saber si el resultado refleja la capacidad real o el azar. Enviamos cada tarea 3 veces, y el porcentaje de tareas cuya conclusión coincidió es la tasa de consistencia.

¿Quién hace la calificación?

La calificación la hace solo un programa. No dejamos que la IA califique las respuestas. Las respuestas correctas se fijan al crear las tareas, y el acierto se decide según si coinciden las cifras, si aparecen las palabras exigidas, si el formato es el correcto, si las URL se abren de verdad y el resultado de ejecutar las fórmulas. Los gustos personales no se puntúan.

¿Los datos de las tareas son de empresas reales?

No. Cada vez creamos datos nuevos de una empresa ficticia. No usamos empresas ni personas reales, ni textos de otras empresas. Compartimos tal cual los materiales que usamos, así que puedes repetir la misma prueba.

¿Cómo cuentan los casos en que la IA no pudo responder?

Las negativas y los tiempos agotados se mantienen en la base y cuentan como incorrectos. Si se alcanza el límite del plan o aparece una pantalla de verificación humana, quitamos ese intento de la base y lo tratamos como no medido. Los errores de operación de AInformation también se quitan de la base, y no los presentamos como fallos de la IA.

¿Usan las versiones gratuitas o las de pago?

Usamos el plan de pago de cada IA a través de la interfaz del navegador. No usamos la API. En cada medición registramos el nombre del plan, el nombre del modelo que aparecía en pantalla y la hora en que lo comprobamos.

¿Esta clasificación indica qué IA es la más inteligente?

No. Solo medimos 5 cosas en un conjunto fijo de tareas de trabajo: tasa de aciertos, tiempo de respuesta, tasa de consistencia, tasa de fuentes reales y cumplimiento de instrucciones. No medimos el estilo de redacción, la legibilidad ni el comportamiento en conversaciones largas. Si cambian las tareas, también cambia la clasificación.

¿Puedo citar estos resultados?

Sí. La licencia es CC BY 4.0. Como fuente, escribe “AInformation, Benchmark de IA para tareas reales” junto con la URL de la página que usaste y la fecha de la medición. Los resultados también están disponibles en JSON y CSV. Con el CSV (1 fila por intento) puedes volver a contar las cifras que publicamos.

CITATION

Citar esta medición

Fuente: AInformation, “Benchmark de IA para tareas reales” (https://ainformation.jp/es/encuestas-ia/benchmark-ia-tareas-reales), datos al 2 de noviembre de 2026, acumulado: 10 áreas, 13 mediciones, 856 intentos

Copiar cita

Cuando cites una cifra, incluye también la fecha de medición y la base (cuántos de cuántos intentos). Las cifras acumuladas crecen con cada medición, así que indicar qué versión citaste facilita comprobarlas después.

Páginas relacionadas

• Encuestas propias sobre IAResultados de preguntar directamente a personas en cuestionarios
• Benchmark de modelos de IAMedido enviando las mismas preguntas a cada API