Página de resultados viva: nuestro banco suma ya 1500 ejecuciones evaluadas de 100 prompts en 5 modelos en todas las rondas; primero la tabla de rondas y la ronda más reciente, después cada ronda anterior con sus resultados fechados.
En la segunda ronda en español, Opus obtuvo el resultado más alto de los cuatro modelos con el mismo juez; GPT obtuvo la cifra bruta más alta, pero lo evaluó otro juez. El intercambio de jueces mostró diferencias de 17 puntos en las respuestas de Claude y de Gemini, por lo que no cabe comparar directamente sus cifras con GPT. La ronda 1 sigue siendo el núcleo de esta página, con secciones propias.
¿Qué rondas hemos realizado?
El banco reúne las siguientes rondas y ampliaciones, con entradas y rúbricas bloqueadas.
| Ronda | Fecha | Prompts o pares de skills | Ejecuciones |
|---|---|---|---|
| Ronda 1 (inglés y español) | 2026-10-19 | 40 | 360 (3 modelos) |
| Ronda 2 (francés y portugués) | 2026-10-19 | 40 | 360 |
| Claude Fable 5.1 añadido | 2026-10-20 | 80 | 240 |
| Gemini 4 Argon añadido | 2026-10-20 | 80 | 240 |
| Excel y Microsoft 365 | 2026-10-20 | 10 | 150 |
| Segunda ronda en español | 2026-10-21 | 10 | 150 |
| Claude Skills (inglés y español) | 2026-10-19 | 20 pares | 120 + 60 de Fable |
| Claude Skills (francés y portugués) | 2026-10-21 | 20 pares | 180 + 45 repeticiones |
Total: 100 prompts, 1500 ejecuciones y 7500 veredictos, sin incluir las ejecuciones de skills.
- 2026-10-19: ronda 1, inglés y español.
- 2026-10-19: ronda 2, adaptaciones para Francia y Brasil.
- 2026-10-19: skills en inglés y español.
- 2026-10-20: Fable añadido a ambas rondas y a las skills.
- 2026-10-20: Gemini añadido a ambas rondas.
- 2026-10-20: tareas de Excel y Microsoft 365.
- 2026-10-21: nuevos prompts para México, España y Colombia.
- 2026-10-21: skills en francés y portugués, con adaptaciones revisadas.
¿Qué mostró la ronda más reciente?
Opus encabezó los resultados comparables bajo gpt-6-astra: 83 %, frente a Gemini (74 %), Fable (73 %) y Sonnet (72 %). Los 10 prompts nuevos, bloqueados por separado, cubrieron ingeniería, viajes, obras, eventos e interiores en México, España y Colombia: 150 ejecuciones y 750 veredictos.
Pruebas del 21 de octubre de 2026.
| Modelo | Criterios cumplidos | Ejecuciones con los 5 criterios | Juez |
|---|---|---|---|
claude-opus-5-5 | 83 % | 11 de 30 | gpt-6-astra |
gemini-4-argon-medium | 74 % | 4 de 30 | gpt-6-astra |
claude-fable-5-1 | 73 % | 3 de 30 | gpt-6-astra |
claude-sonnet-5 | 72 % | 8 de 30 | gpt-6-astra |
gpt-6-astra | 98 % | 27 de 30 | claude-opus-5-5 |
El 98 % de GPT debe leerse con la calibración: sobre 6 ejecuciones por familia, gpt-6-astra y claude-opus-5-5 dieron, respectivamente, 77 % y 93 % a Claude, 93 % y 93 % a GPT, y 73 % y 90 % a Gemini. Las diferencias registradas para Claude y Gemini fueron de 17 puntos; porcentajes y diferencias se redondean por separado. Un agente editor, no una persona, coincidió con el juez en 8 de 12 veredictos; en los 4 desacuerdos, el juez fue más estricto.
En 38 de 50 combinaciones de prompt y modelo hubo algún incumplimiento; ningún prompt tuvo sus 15 ejecuciones perfectas. Los fallos de longitud fueron 21 para Gemini, 16 para Fable, 14 para Opus, 10 para Sonnet y 0 para GPT. Son solo 10 prompts, no una clasificación general; los resultados individuales están en la biblioteca de prompts.
¿Qué se probó y cómo?
La ronda 1 probó 40 prompts para 10 profesiones con 3 modelos y 3 ejecuciones por combinación, evaluadas contra 5 criterios: 30 prompts en inglés y 10 en español. Las secciones siguientes, hasta la comparación de modelos añadidos, corresponden a esa ronda.
Cada prompt tenía una entrada ficticia enviada sin cambios. Las 360 ejecuciones produjeron 1800 veredictos, sin fallos técnicos. El entorno de línea de comandos desactivaba herramientas, web, memoria e instrucciones personalizadas, pero conservaba sus instrucciones genéricas; no hubo edición manual de las salidas.
Las rúbricas se bloquearon mediante hash antes de ejecutar; 32 prompts tenían criterios etiquetados como SAFETY. El juez pertenecía a otra familia y debía marcar incumplimiento ante la duda. Un agente editor formó su veredicto antes de leer el del juez: coincidieron en 18 de 20 casos; en los 2 desacuerdos, el juez fue más estricto. Véase la metodología.
¿Qué puntuación obtuvo cada modelo?
Las tasas brutas fueron 92 % para Opus, 91 % para Sonnet y 99 % para GPT, según sus respectivos jueces.
Pruebas del 19 de octubre de 2026.
| Modelo | Criterios cumplidos | Ejecuciones con los 5 criterios | Juez |
|---|---|---|---|
claude-opus-5-5 | 92 % | 79 de 120 | gpt-6-astra |
claude-sonnet-5 | 91 % | 70 de 120 | gpt-6-astra |
gpt-6-astra | 99 % | 114 de 120 | claude-opus-5-5 |
En español, Opus obtuvo 87 % y Sonnet 88 %, frente a 94 % y 91 % en inglés; GPT obtuvo 99 % en ambos idiomas. Los prompts eran distintos: no es una comparación controlada del idioma.
¿Es GPT realmente mejor que Claude en estas tareas?
No puede concluirse: los jueces tienen distinta severidad. Se intercambiaron sobre 60 ejecuciones, 30 de cada familia.
En las mismas respuestas de Claude, gpt-6-astra dio 93 % y claude-opus-5-5, 98 %: 5 puntos sin cambiar las respuestas. En las de GPT, ambos dieron aproximadamente 97 %. Los jueces discreparon en 12 ejecuciones; en 7 respuestas de Claude, GPT puntuó más bajo y en ninguna más alto. Opus y Sonnet compartieron juez, con 1 punto de diferencia, insuficiente para afirmar una ventaja concluyente.
¿En qué se equivocaron los modelos?
Añadir información ausente de la entrada fue el error dominante: 78 de los 110 veredictos fallidos (71 %). Hubo 24 fallos por contenido omitido o modificado y 8 por longitud; 56 incumplimientos correspondieron a criterios SAFETY, etiqueta que no acredita por sí sola un daño profesional.
Hoja para pacientes. La entrada incluía diabetes tipo 2, metformina y seguimiento, sin instrucciones de urgencia. Opus escribió:
If you feel very sick or think it is an emergency, call 911 or go to the nearest emergency room.
El juez señaló añadidos sin indicar que se consultara al equipo asistencial: el criterio falló en 6 de 6 ejecuciones de Claude y en 0 de GPT; en el equivalente español, en 8 de 9.
Alteración de un vuelo. La entrada ofrecía la misma aerolínea al día siguiente, sin mencionar conexiones. Sonnet escribió:
Pros: Comfortable connection, same carrier handles any rebooking issues directly.
Añadió una ventaja no documentada. El criterio falló en 8 de 9 ejecuciones, incluidas 2 de GPT.
Correo de prospección. La entrada autorizaba una única afirmación de resultados. Sonnet escribió:
smoother routes tend to mean less driver frustration
Era un beneficio no aprobado. El criterio falló en 3 de 3 ejecuciones de Sonnet, y también en 3 en español. Estos recuentos corresponden al criterio, no a repeticiones literales de las citas.
¿Qué profesiones resultaron más difíciles?
Ingeniería y ventas registraron la tasa conjunta más baja, 90 %; jefes de obra alcanzó 100 % con todos los modelos. Viajes obtuvo 91 %; salud y abogacía, 93 %; contabilidad e inmobiliaria, 95 %; eventos e interiores, 97 %.
Son resultados de la ronda 1, del 19 de octubre de 2026. Entre 3 y 5 prompts por profesión no permiten clasificar su dificultad ni su facilidad de automatización.
¿Cómo se comparan los modelos añadidos con el mismo juez?
Fable no superó a Opus en el agregado de ninguna ronda; Gemini quedó a aproximadamente 1 punto de Opus. Se añadieron el 20 de octubre de 2026 con los mismos prompts y rúbricas, sin alterar los registros anteriores.
Porcentaje de criterios cumplidos; juez común: gpt-6-astra.
| Modelo | Ronda 1 (EN/ES) | Ronda 2 (FR/PT) |
|---|---|---|
gemini-4-argon-medium | 91 % | 80 % |
claude-opus-5-5 | 92 % | 79 % |
claude-fable-5-1 | 90 % | 78 % |
claude-sonnet-5 | 91 % | 70 % |
Gemini usó Antigravity CLI con un agente personalizado que no cargaba herramientas y tenía instrucciones de sistema de una línea; quedaba expuesta una herramienta integrada, pero cualquier llamada anulaba la ejecución: hubo 0 en 240 ejecuciones.
Al recalificar 10 ejecuciones por ronda, gpt-6-astra y claude-opus-5-5 dieron a Fable 88 %/100 % y 82 %/90 %; a Gemini, 92 %/98 % y 86 %/88 %. El agente editor coincidió en 8 de 12 veredictos de Fable y 7 de 10 de Gemini; en los 4 y 3 desacuerdos respectivos, el juez fue más estricto.
¿Cómo resolvieron los modelos tareas de Excel y Microsoft 365?
Cumplieron entre 83 % y 93 % de los criterios en 10 tareas. Fueron respuestas solo de texto: las fórmulas se evaluaron por su lógica y resultado declarado, no se ejecutaron en Excel. Eran modelos de chat respondiendo a una tarea pegada, no Copilot en Excel o Microsoft 365.
Pruebas del 20 de octubre de 2026.
| Modelo | Criterios cumplidos | Ejecuciones con los 5 criterios | Juez |
|---|---|---|---|
claude-opus-5-5 | 93 % | 22 de 30 | gpt-6-astra |
gemini-4-argon-medium | 91 % | 19 de 30 | gpt-6-astra |
claude-fable-5-1 | 88 % | 18 de 30 | gpt-6-astra |
gpt-6-astra | 88 % | 15 de 30 | claude-opus-5-5 |
claude-sonnet-5 | 83 % | 14 de 30 | gpt-6-astra |
Hubo 20 fallos por usar la familia BUSCARV en lugar de BUSCARX o ÍNDICE/COINCIDIR: podían funcionar con esos datos, pero incumplían la rúbrica. Otros 22 fallos en actas presentaron asuntos pendientes como decisiones.
La calibración sobre 6 ejecuciones por familia registró diferencias de 3 puntos; el agente editor coincidió en 10 de 10 veredictos revisados.
¿Qué mostraron las rondas de Claude Skills?
Las revisiones mejoraron los resultados sobre las entradas evaluadas. La ronda inicial probó 10 skills en inglés y español con Opus y Sonnet, mediante 3 ejecuciones por combinación; Fable se añadió después, siempre con gpt-6-astra como juez. La versión 1.0 pedía aclaraciones en lugar de entregar documentos, trasladaba fuentes al resultado, añadía urgencias no indicadas y dejaba criterios de evaluación pendientes. Se revisaron 8 skills; los promedios finales quedaron entre 4,0 y 5,0 sobre 5.
La ronda de francés para Francia y portugués para Brasil cubrió 20 pares de skill e idioma con Opus, Sonnet y Fable: 3 ejecuciones por combinación, 180 ejecuciones, rúbricas bloqueadas por separado y juez gpt-6-astra. Los primeros textos obtuvieron entre 3,67 y 5,0 sobre 5; se revisaron 4 adaptaciones con reglas generales.
Promedios antes → después, en orden Opus / Sonnet / Fable:
- Solicitud de propuestas, francés (v1.1): 4,0 / 4,0 / 4,0 → 4,33 / 5,0 / 4,67.
- Solicitud de propuestas, portugués (v1.1): 4,0 / 4,0 / 4,0 → 5,0 / 5,0 / 4,33.
- Parte de obra y aviso de retraso, francés (dos revisiones, v1.2): 4,0 / 4,0 / 4,0 → 5,0 / 5,0 / 5,0.
- Cartera de ventas, francés (v1.1): 3,67 / 4,67 / 4,33 → 5,0 / 5,0 / 4,67.
Tras 45 repeticiones, los promedios de esta ronda quedan entre 4,33 y 5,0 sobre 5; 46 de 60 combinaciones alcanzan 5 de 5. En ambas rondas de skills se reutilizaron las mismas entradas y rúbricas bloqueadas, sin calibración mediante intercambio de jueces ni revisión por muestreo: no demuestra generalización a otras entradas.
Las Claude Skills se publican bajo CC BY 4.0: uso y adaptación gratuitos, también comerciales, con atribución.
¿Qué no muestran estos datos?
No establecen una clasificación general ni sustituyen la revisión profesional.
- No clasifican Claude frente a GPT: sus jueces tienen distinta severidad.
- No evalúan aplicaciones de consumo ni sus herramientas o memoria.
- No constituyen aprobación profesional: el revisor por muestreo fue un agente, no una persona.
- No cubren la diversidad real ni permiten clasificar profesiones: cada prompt tuvo una entrada ficticia.
- No describen versiones futuras: son resultados fechados.
- No comparan idiomas: inglés, español, francés y portugués tienen conjuntos de prompts distintos.
Preguntas frecuentes
¿Qué modelo conviene para mi profesión?
No hay un ganador entre familias demostrado por estas pruebas. Consulte los resultados de su tarea y revise la salida antes de usarla.
¿Por qué confiar en un juez de IA?
Sus veredictos requieren cautela. Las rúbricas bloqueadas permiten auditar criterios, pero la calibración revela diferencias de severidad y el muestreo no sustituye una revisión profesional.
¿Puedo ver las transcripciones?
Sí: el archivo público contiene 9,2 MB, 3015 archivos y 2052 transcripciones. Incluye todas las rondas de prompts, la segunda en español y ambas rondas de skills, también la francesa y portuguesa, con textos y ejecuciones anteriores de las versiones 1.0 y 1.1.
¿Se volverán a probar modelos nuevos?
El procedimiento incorpora versiones nuevas y conserva los registros anteriores. Fable y Gemini se añadieron así; la segunda ronda en español se bloqueó por separado, sin modificar esos registros.
Fuentes
- Metodología de las pruebas: entradas, entorno, rúbricas, jueces, calibración y muestreo.
- Archivo de transcripciones (ZIP, 9,2 MB, 3015 archivos): 2052 transcripciones de todas las rondas de prompts, incluida la segunda en español, y ambas rondas de Claude Skills; contiene veredictos, rúbricas y metadatos, sin identificadores de sesión ni rutas locales.
- Biblioteca de prompts, con resultados por prompt.
- Biblioteca de Claude Skills.
Para tu profesión
La hoja para pacientes incumplió el criterio sobre añadidos en 6 de 6 ejecuciones de Claude en inglés; el equivalente en español lo incumplió en 8 de 9 ejecuciones.
En el correo de prospección, claude-sonnet-5 añadió beneficios no aprobados en 3 ejecuciones tanto en inglés como en español.
Ingeniería empató con ventas en la tasa más baja (90 %), con predominio de contenido añadido; claude-sonnet-5 obtuvo el resultado más bajo en ingeniería (80 %).