7 min de lectura
Ultima actualizacion:
El mercado de LLM en 2026 ya no se reduce a elegir entre dos proveedores. Tu organización tiene al menos cinco candidatos serios sobre la mesa, cada uno con un perfil distinto de capacidad, coste y compromiso contractual. Decidir por intuición, por marca o por la última benchmark publicada en redes es la forma más rápida de quedar atrapado en un contrato de tres años con el modelo equivocado.
Este marco está diseñado para equipos que necesitan defender la decisión ante el comité financiero, el equipo legal y el CISO al mismo tiempo. Funciona porque separa lo que importa para producción de lo que solo importa en una demo.
El panorama 2026 en una página
Cuatro categorías concentran el 95% de las decisiones de compra empresarial este año:
- Frontera cerrada premium: Claude 4.7, GPT-5, Gemini 2.5 Pro. Liderazgo en razonamiento complejo, agentes de larga horizonte y tareas multimodales. Precio premium, condiciones contractuales negociables a partir de cierto volumen.
- Frontera cerrada eficiente: Claude Haiku 4.5, GPT-5 mini, Gemini 2.5 Flash. La mayoría de cargas de trabajo de producción viven aquí. Coste 5-10x inferior con calidad suficiente para clasificación, extracción y RAG.
- Open weights de frontera: DeepSeek-V3, Qwen-3, Llama-4. Han cerrado la brecha en razonamiento general y código. Permiten despliegue on-prem, control total de datos y cero compromiso con un proveedor.
- Modelos especializados: Cohere Command para enterprise search, Mistral para regulaciones europeas, modelos verticales (legal, médico, financiero) que pueden superar a frontera en su nicho.
El error más común es comparar solo dentro de una categoría. Tu sistema de producción casi siempre debería combinar al menos dos: un modelo eficiente para el 80% de las llamadas y un modelo de frontera para los casos difíciles que escalan.
Los siete ejes de evaluación
Ningún modelo gana en los siete ejes. La pregunta no es cuál es el mejor, sino cuáles dos o tres ejes son innegociables para tu caso.
1. Capacidad medida en tu dominio
Las benchmarks públicas (MMLU, HumanEval, MATH) están saturadas y filtradas. No te dicen nada útil sobre tu caso. Construye un set de evaluación interno de 200-500 ejemplos representativos de tu carga real, con respuestas de referencia validadas por expertos. Ejecuta el set contra cada candidato y mide acierto, calibración y consistencia. Esta inversión te ahorrará seis cifras a lo largo del contrato.
2. Latencia P50 y P99
El P50 mide la experiencia típica. El P99 mide el peor 1% de tus usuarios y dicta tu SLA real. Un modelo con P50 excelente y P99 catastrófico romperá tu producto en horas pico. Pide al proveedor datos de latencia bajo carga sostenida, no solo en peticiones aisladas.
3. Coste por millón de tokens, ajustado a tu mix
El precio
4. Residencia de datos y soberanía
En 2026 ya no basta con preguntar si el proveedor está en la UE. Necesitas saber dónde se procesan los tokens, dónde se almacenan los logs, qué subprocesadores intervienen y bajo qué jurisdicción. Para sectores regulados, exige despliegue regional dedicado o procesamiento on-prem mediante open weights. La cláusula CLOUD Act sigue siendo determinante para clientes europeos.
5. Fine-tuning y personalización
Pregúntate si realmente necesitas fine-tuning antes de pagar por él. La mayoría de equipos lo piden por reflejo y terminan usando solo prompting estructurado. Si lo necesitas, evalúa: disponibilidad de fine-tuning supervisado, soporte para LoRA, propiedad del modelo resultante, portabilidad de los pesos y coste de retraining cuando cambie el modelo base.
6. Términos contractuales y propiedad intelectual
Los puntos negociables que tu equipo legal debe revisar línea por línea: indemnización por reclamaciones de copyright sobre outputs, derechos de uso de tus inputs para entrenamiento, retención de logs, ventana de notificación ante cambios de modelo, garantías de disponibilidad del modelo elegido durante la vigencia del contrato y condiciones de salida.
7. Certificaciones y marco de cumplimiento
SOC 2 Tipo II como mínimo. HIPAA si tocas datos de salud, con BAA firmado. ISO 27001, ISO 42001 para sistemas de gestión de IA, FedRAMP si vendes a sector público estadounidense. Para Europa, alineación con el AI Act según categoría de riesgo. Pide los reportes completos, no resúmenes de marketing.
Señales de alerta en el proceso de compra
Patrones que aparecen en cada ciclo de venta y que predicen problemas en producción:
- El proveedor se niega a darte acceso a sus métricas de latencia históricas bajo NDA.
- La demo usa un modelo distinto al que realmente puedes contratar a tu volumen.
- Las cláusulas de cambio de modelo permiten al proveedor sustituir el modelo subyacente sin previo aviso, invalidando tu evaluación.
- El equipo de soporte técnico responde con generalidades cuando preguntas por casos límite específicos de tu dominio.
- La indemnización por copyright tiene límites económicos ridículos comparados con el riesgo real.
- No hay un compromiso escrito de notificación con antelación si discontinúan la versión del modelo que has integrado.
- El descuento por volumen requiere compromisos plurianuales sin cláusula de salida razonable.
El proceso recomendado en cuatro fases
Comprime esto en seis
Fase 1, semana 1-2: definición. Documenta los tres a cinco casos de uso prioritarios. Construye el set de evaluación interno. Identifica restricciones legales y de cumplimiento no negociables. Reduce la lista corta a tres o cuatro candidatos.
Fase 2, semana 3-5: prueba técnica. Ejecuta el set de evaluación contra cada candidato. Mide latencia bajo carga simulada. Calcula el coste real por tarea completa. Documenta cualquier comportamiento sorprendente, especialmente en casos límite.
Fase 3, semana 6-7: revisión legal y de seguridad. Negocia términos en paralelo con los dos finalistas. No cierres uno antes de tener la oferta del otro firmada en términos. Esta tensión competitiva es tu única palanca real.
Fase 4, semana 8-10: piloto en producción. Despliega tras una bandera de funcionalidad para el 5% del tráfico real. Compara métricas durante dos semanas. Solo entonces firma el compromiso plurianual.
Recomendación por arquetipo de organización
Generalizar es peligroso, pero estos puntos de partida cubren el 70% de los casos que vemos.
Startup de producto SaaS con presupuesto ajustado: empieza con un modelo eficiente cerrado, un único proveedor para reducir complejidad operativa. Reserva el modelo de frontera solo para escalado de tareas críticas detectadas por evaluación.
Empresa mediana con datos sensibles: arquitectura híbrida. Modelo cerrado en regiones dedicadas para casos generales, despliegue on-prem de open weights para datos altamente regulados o confidenciales. La complejidad operativa se compensa con control real.
Gran corporación regulada: contrato marco con dos proveedores cerrados de frontera para evitar dependencia, despliegue de open weights gestionado por el equipo de plataforma para cargas confidenciales, y un proceso de gobierno que apruebe cada nuevo caso de uso contra el catálogo de modelos aprobados.
Cuándo aplica este marco y cuándo no
Aplica cuando vas a comprometer más de seis cifras anuales en consumo de LLM, cuando el caso de uso es de cara al cliente o sobre datos regulados, o cuando la decisión bloquea decisiones de arquitectura aguas abajo.
No aplica para experimentos internos, prototipos de menos de tres meses o herramientas de productividad de empleados sin acceso a datos sensibles. En esos casos, elige el modelo que tu equipo ya conoce, pon un límite duro de gasto y reevalúa en seis meses.
La elección de un proveedor de LLM en 2026 es una decisión de arquitectura tan estructural como elegir tu base de datos primaria hace una década. Trátala con la misma seriedad y los próximos tres años se sentirán más como una ventaja competitiva y menos como una factura sorpresa.