‘Cuál es la mejor IA' es la pregunta mal planteada

‘Cuál es la mejor IA’ es la pregunta mal planteada, y no porque falte tecnología para responderla. El ranking más citado del mundo para compararlas está documentado, con evidencia académica revisada por pares, como manipulable. La pregunta correcta no es quién gana: es qué necesitas tú.

La pregunta que hace todo el mundo, y por qué está mal hecha

Nadie pregunta “cuál es el mejor vehículo” sin decir si es para mudarse o para correr en pista. Con la inteligencia artificial sí lo hacemos, todo el tiempo. Tratamos “IA” como si fuera una sola categoría comparable en un solo eje, cuando entre las herramientas que existen hoy hay chats de propósito general como Claude y ChatGPT, generadores de imagen como Midjourney, editores de diseño como Canva IA y motores de video como Runway. No compiten entre sí: resuelven problemas distintos, con compromisos distintos —privacidad, disponibilidad en español, precio, integración con lo que ya usas—. Preguntar cuál es “la mejor” sin decir para qué es exactamente el mismo error que preguntar cuál es el mejor vehículo sin decir si necesitas una mudanza o una pista de carreras.

El ranking más citado del mundo, auditado y roto

El instrumento que el mercado usa para responder esa pregunta mal hecha es Chatbot Arena, también conocido como LMArena: la plataforma donde cualquier usuario compara dos respuestas anónimas de IA y vota cuál prefiere. En abril de 2025, un equipo de investigadores de Cohere Labs, Cohere, Princeton, Stanford, la Universidad de Waterloo, el MIT y el Allen Institute for AI publicó un estudio —arXiv:2504.20879, aceptado después en NeurIPS 2025— que auditó ese ranking con 2 millones de batallas y 243 modelos de 42 proveedores distintos, entre enero de 2024 y abril de 2025. La conclusión central: el sistema premia a quien mejor juega sus reglas internas, no necesariamente a quien mejor construye el modelo.

El hallazgo más citable es el de la desaparición silenciosa. Según el estudio, 205 de los 243 modelos públicos fueron deprecados sin aviso —retirados de circulación reduciendo su tasa de muestreo casi a cero—, mientras que el propio código del sistema solo reconoce 47 como oficialmente deprecados. Eso viola una de las condiciones estadísticas de las que depende el sistema de puntuación de la Arena, el modelo Bradley-Terry (una variante estadística del sistema Elo usado en ajedrez, que estima la fuerza de un competidor a partir de comparaciones directas contra otros). El mismo estudio documentó pruebas privadas no reveladas: los investigadores identificaron a Meta, no a Google, como el proveedor con más variantes propias probadas en secreto durante el periodo auditado —hasta 43 variantes, sumando la Arena principal y la de visión— antes de decidir cuál versión hacer pública.

El ranking de IA más citado del mundo tiene 205 de 243 modelos deprecados en silencio, y aun así seguimos preguntando cuál es “la mejor”.

Otro dato le quita piso a la idea de una corona estable. Según una revisión independiente publicada por toolcenter.ai en mayo de 2026, el top 10 de LMArena vivía dentro de apenas 20 puntos de diferencia entre sí. En un sistema donde una brecha de 100 puntos apenas mueve la probabilidad de victoria del 50% al 64%, veinte puntos repartidos entre los diez primeros lugares no describen una jerarquía real. Describen un empate técnico con nombres distintos.

Comparar bien no es rankear, es cruzar variables

Si el ranking no puede decirte cuál es la mejor IA, ¿qué sí puede? La respuesta no es otro ranking. Es cambiar la pregunta de “quién gana” a “qué necesito yo” —y eso es justo lo que intenta el recomendador de GlitchMentalMX: en vez de un ganador único, calcula compatibilidad cruzando el uso que le vas a dar, tu prioridad de privacidad, si necesitas que funcione bien en español y qué funciones extra buscas, contra el perfil de cada herramienta.

La evidencia de que no existe un solo eje ya estaba, de hecho, en datos que el propio sitio verificó antes de construir ese recomendador. En una prueba ciega con 134 participantes sobre calidad de escritura, la herramienta “mejor” no fue la misma que domina SWE-bench Verified, el benchmark de código donde Claude Opus 5 ronda el 96% de tareas resueltas frente a un GPT-5.3 Codex cercano al 85%. Y en código puro, DeepSeek R1 compite de cerca a una fracción del precio de ambos. Tres tareas, tres ganadores distintos. Ahí está la prueba de que “mejor” siempre trae un adjetivo escondido: ¿mejor para qué? Ya habíamos tocado esta misma trampa al analizar por qué la IA más capaz del mercado también es la más incómoda de usar: capacidad técnica y usabilidad tampoco son el mismo eje, y confundirlos es la misma equivocación de fondo que confundir un ranking con una respuesta.

Comparar bien no es encontrar un ganador: es encontrar la herramienta que resuelve tu problema con las variables que a ti te importan.

Lo que un listicle en español nunca te pregunta

Los “top 10 de IA 2026” que circulan en español rara vez filtran por lo que de verdad decide si una herramienta te sirve: si funciona bien en español, si respeta tu privacidad, si está disponible sin fricciones en tu país. La mayoría solo ordena opiniones ajenas y las presenta como veredicto final. Para un usuario en México o en cualquier otro país de habla hispana, esa omisión no es un detalle menor: una IA con la puntuación más alta del planeta no te sirve de nada si su plan pagado no acepta tu método de pago o si su función estrella está bloqueada por región. El filtro “Disponible en México” del cuestionario de GlitchMentalMX existe precisamente porque ningún ranking genérico en español lo considera.

La corona que nadie puede sostener

Si hasta los propios autores del ranking más usado del mundo admiten, con datos y en un estudio revisado por pares, que ya no existe un top consistente, ¿por qué el contenido en español le sigue vendiendo al lector una corona que ni sus creadores pueden sostener?