La guerra de la programación con IA ha terminado. Nadie ganó.

Las guerras de la programación con IA han llegado al punto en el que todos tienen un trofeo y nadie puede explicar por qué hay tantos podios. Claude Opus 4.6, GPT-5.4 y Gemini 3.1 Pro presentan resultados impresionantes en marzo de 2026. Lo frustrante es que esos resultados no ofrecen una respuesta única y clara a «¿con qué suscripción me quedo?».

Eso no demuestra que los modelos sean idénticos ni que todas las diferencias estén dentro de un margen de error medido. Significa que elegir un asistente de programación exige algo más que encontrar la cifra más alta en una captura de pantalla. La competencia funciona. Por desgracia, no ha eliminado los deberes.

Los números no mienten, pero las etiquetas importan

SWE-bench Verified evalúa la resolución de incidencias de software. Terminal-Bench evalúa tareas realizadas mediante una terminal. ARC-AGI-2 utiliza acertijos de razonamiento abstracto. No son exámenes intercambiables, y las herramientas, las instrucciones y el esfuerzo asignado a un agente también influyen en su puntuación.

Algunos resultados ilustrativos disponibles hasta el 25 de marzo:

• SWE-bench Verified: la ficha del modelo publicada por Google en febrero indica un 80,6 % para Gemini 3.1 Pro y un 80,8 % para Opus 4.6. Unas cifras cercanas en esta prueba son una observación útil, no una declaración de que los modelos empatan en todo.
• SWE-bench Pro, conjunto público: OpenAI informa de un 57,7 % para GPT-5.4. Google informa de un 54,2 % para Gemini 3.1 Pro. Son resultados publicados por sus respectivos proveedores, no una nueva comparación controlada realizada para este artículo.
• Terminal-Bench 2.0: OpenAI informa de un 77,3 % para GPT-5.3-Codex y un 75,1 % para GPT-5.4. La tabla de Google presenta por separado resultados con la configuración del agente Terminus-2 y las mejores configuraciones comunicadas por otros proveedores. Mezclar esas filas en una carrera supuestamente uniforme elimina un matiz importante.

Las fuentes son la ficha del modelo Gemini 3.1 Pro y el anuncio de GPT-5.4 de OpenAI del 5 de marzo. Considéralas evidencia útil con notas al pie, no una instrucción para comprar al ganador de cada columna.

Hay otra complicación: en febrero, OpenAI publicó una auditoría de SWE-bench Verified que identificaba problemas de calidad de las pruebas y de contaminación de los datos de entrenamiento. Recomendó SWE-bench Pro, aunque reconoció que Pro tampoco es perfecto. Es un motivo para examinar las pruebas, no para sustituir una clasificación sagrada por otra.

¿Y ARC-AGI-2? Un resultado interesante en razonamiento, desde luego. ¿Una medida directa de lo bien que un asistente arreglará tu fallo de autenticación? No. La vitrina de trofeos necesita estantes separados.

Por qué no hay un ganador universal

Cambiar el agente que rodea a un modelo puede cambiar cómo busca en un repositorio, edita archivos, ejecuta pruebas y se recupera de los errores. También importan la configuración de razonamiento, los límites de tiempo y el contexto disponible. El nombre de un modelo por sí solo no describe todo el sistema de trabajo.

Una lista útil de candidatos en marzo incluye Opus 4.6 para tareas de programación exigentes, GPT-5.4 y GPT-5.3-Codex para programación y flujos de trabajo con agentes, y Gemini 3.1 Pro como otro candidato serio. Es una lista para evaluar, no un reparto permanente en el que una empresa es dueña de la arquitectura, otra de las terminales y una tercera del razonamiento.

Una ventana de contexto grande puede ser útil, pero incluir más archivos en una instrucción no garantiza comprender todas las interacciones de un repositorio. La pregunta práctica es si el asistente encuentra el código relevante y hace un cambio correcto que se pueda revisar. Una ventana de un millón de tokens es una capacidad, no un diploma.

La guerra de precios es un argumento más útil

En su lanzamiento de febrero, Anthropic anunció Opus 4.6 a 5 dólares por millón de tokens de entrada y 25 dólares por millón de tokens de salida. Compáralo con la tarifa de 2 dólares de entrada y 12 de salida para instrucciones de Gemini 3.1 Pro de hasta 200.000 tokens en los precios de la API de Google.

Esa comparación sitúa el precio de entrada de Opus en 2,5 veces y el de salida en unas 2,08 veces el de Gemini. No lo hace diez veces más caro. Tampoco son intercambiables entrada y salida: una instrucción larga con una respuesta corta genera una factura distinta a una instrucción corta seguida de páginas de código generado.

Son precios por tokens de la API, no precios de suscripciones mensuales de chat. La caché, los niveles de contexto largo, los descuentos por lotes, el uso de herramientas y la cantidad de razonamiento generado pueden cambiar la factura. La cifra que importa en la práctica se acerca más al costo por resultado aceptado: ¿cuánto costó obtener un cambio que supera las comprobaciones pertinentes y merece conservarse?

Un modelo barato que necesita varios intentos fallidos puede resultar caro. Un modelo de gama alta utilizado para ordenar alfabéticamente una lista puede ser una función de ordenación impresionantemente costosa. Ninguno de los dos resultados necesita una explicación basada en una guerra de marcas.

Los pesos abiertos cambian las opciones, no la factura eléctrica

Qwen3-Coder-Next es un modelo de programación con pesos abiertos que tiene 80.000 millones de parámetros totales y 3.000 millones de parámetros activos. La cifra de activos ayuda a describir su cómputo; no significa que el modelo completo tenga las necesidades de almacenamiento de una descarga de tres mil millones de parámetros.

El anuncio de M2.5 de MiniMax comunica un 80,2 % en SWE-bench Verified y describe sus ofertas normal y Lightning, más rápida. De nuevo, es el resultado publicado por el desarrollador, con las mismas salvedades sobre la prueba que las puntuaciones de los modelos cerrados anteriores.

Poder ejecutar los pesos por tu cuenta tiene valor para el control y la experimentación. No equivale a ejecutarlos gratis en cualquier computadora doméstica. El hardware, la memoria, la electricidad, la configuración del software y el mantenimiento siguen existiendo. La GPU no acepta «pero los pesos eran gratis» como pago.

La idea del enrutamiento: elegir según la tarea

Una configuración con varios modelos envía trabajos distintos a modelos distintos o prueba otro modelo cuando falla el primer intento. El análisis de IDC sobre enrutamiento prevé que, para 2028, el 70 % de las empresas líderes impulsadas por IA utilizará arquitecturas avanzadas con múltiples herramientas para gestionar el enrutamiento. Es una previsión sobre un grupo concreto, no una prueba de que el 70 % de todas las empresas ya lo haga.

La lógica es sencilla: no usas un mazo para colgar un cuadro. Un experimento razonable podría asignar la redacción sencilla a un modelo más barato y reservar una configuración más potente para cambios difíciles. Pero «barato», «gama media» y «gama alta» son elecciones para una carga de trabajo, no cargos asignados permanentemente a marcas concretas.

Una pequeña demostración de enrutamiento puede ser fácil de programar. Un sistema fiable también necesita una evaluación útil, alternativas sensatas y una forma de detectar cuándo la opción económica produce discretamente un trabajo peor. No existe un ahorro automático del 60–85 % sin pérdida de calidad, ni un motivo por el que cada desarrollador individual necesite construir un enrutador.

Qué significa esto para los laboratorios de IA

Incluso sin un empate universal en capacidades, el precio y el producto que rodea al modelo importan. La profundidad de la integración. Las herramientas para desarrolladores. El soporte. Lo bien que la API gestiona picos de demanda a las tres de la madrugada. Si el asistente encaja con la forma en que un equipo revisa y prueba el código. Todo eso que no cabe cómodamente en la barra de un gráfico de resultados.

Las tres empresas pueden encontrar resultados que destacar en un anuncio de lanzamiento. Eso no hace que todas las afirmaciones de marketing tengan el mismo alcance ni que todos los modelos sean igual de adecuados. Hace que leer la letra pequeña sea una habilidad sorprendentemente práctica para un desarrollador.

Qué probar en tu propio trabajo

Si estás eligiendo un asistente de programación en marzo de 2026, empieza por algunos trabajos representativos, no por una lealtad de marca:

• Un error con una causa conocida y una prueba que lo detecte.
• Una funcionalidad que afecte a varios archivos relacionados.
• Una tarea que utilice tus herramientas reales de terminal y las convenciones de tu proyecto.
• Un trabajo rutinario para el que una opción más barata podría bastar.

Compara corrección, esfuerzo de revisión, tiempo y costo total. Registra el modelo y la configuración del agente para saber qué probaste realmente. Para más contexto sobre las herramientas especializadas, consulta nuestro artículo sobre el modelo de programación propio de Cursor (en inglés).

El resultado útil de las guerras de la programación con IA no es un ganador permanente. Es el permiso para dejar de discutir qué modelo es mejor y preguntar cuál funciona mejor para este trabajo concreto. Tu repositorio tiene derecho a opinar distinto que internet.

Traducción al español del artículo original en inglés del 2026-03-25. Traducido con ayuda de IA el 2026-11-02; las referencias temporales siguen siendo las del original.