Cada mes sale un modelo de inteligencia artificial que dice ser el mejor del mundo, y cada mes alguien nos pregunta si vale la pena cambiar. La comparación que más nos llega últimamente es Kimi K2 —el modelo abierto de Moonshot— contra Claude Opus, de Anthropic.

Vamos a hacer esta comparación como hacemos todo lo demás: mirando el número que paga la renta, no el que se ve bonito en una tabla.

Qué dicen los benchmarks

Empecemos por lo público, porque es real y sirve de piso.

En resolución de issues de GitHub (SWE-Bench Pro), Kimi K2.6 marcó 58.6% contra 53.4% de Claude Opus 4.6. En navegación web (BrowseComp), Kimi gana 83.2% contra 79.3%, y con su modo de enjambre de agentes sube a 86.3% —una capacidad que Opus simplemente no tiene.

Hasta ahí, el modelo abierto va ganando. Pero cuando la prueba se acerca a programación real, se invierte: en Program Bench, Kimi K2.7 sacó 53.6 contra 63.8 de Claude Opus 4.8. Diez puntos son muchos puntos.

La lectura honesta: Kimi es excelente en tareas acotadas y en herramientas. Opus es más confiable cuando el problema es enredado y hay que sostener el contexto sin perderse.

Dónde se rompe la tabla

Hay una prueba que explica todo mejor que cualquier benchmark. En una tarea de un tablero de recompensas, Kimi la resolvió por 39 centavos de dólar y Opus por 3.59 —nueve veces más caro por el mismo resultado.

En otra tarea, una integración con Google Sheets, Kimi quemó más de 135,000 tokens y 5 dólares sin acercarse a resolverla. Opus la terminó.

Ahí está el punto que casi nadie dice: el modelo barato solo es barato cuando termina el trabajo. Cuando no termina, pagaste el intento, pagaste tu tiempo revisando, y al final pagaste también el modelo caro para arreglarlo.

Es exactamente el mismo error que vemos en publicidad: el clic de dos pesos no es más barato que el de veinte si ninguno de los dos vende.

Cómo lo decidimos nosotros

No usamos uno. Usamos los dos, y el criterio es qué tan caro sale equivocarse:

  • Tarea repetitiva, verificable y de alto volumen —clasificar mensajes, resumir, extraer datos de un formato conocido—: modelo barato. Si falla una de cada veinte, lo detectas y no pasa nada.
  • Tarea donde el error se propaga —tocar el sistema de un cliente, escribir una migración, decidir sobre datos reales—: modelo de frontera. El ahorro no compensa una tarde de desenredar.

La pregunta correcta no es cuál modelo es mejor. Es cuánto cuesta el error en esta tarea específica.

Lo que esto significa para tu negocio

Si tienes un negocio en Monterrey y alguien te ofrece automatizar algo con IA, la pregunta que debes hacer no es qué modelo usa. Son estas tres:

  1. ¿Qué pasa cuando se equivoca? Si la respuesta es "le contesta mal a un cliente", necesitas revisión humana. Si es "clasifica mal un correo interno", puedes vivir con eso.
  2. ¿Quién paga los tokens? Si el proveedor absorbe el costo, va a usar el modelo más barato que pueda. No está mal, pero debes saberlo.
  3. ¿Cómo se mide que funcionó? Si nadie puede decirte cuántas tareas terminó bien y cuántas no, no lo estás midiendo: lo estás esperando.

Conclusión

Kimi K2 es genuinamente bueno y cuesta una fracción. Claude Opus es más confiable cuando el problema es difícil. Ninguno de los dos es la respuesta a nada por sí solo.

En Popcing usamos herramientas de IA todos los días para construir sistemas a la medida y para acelerar trabajo interno, pero el criterio no cambió: la herramienta se juzga por el resultado que deja, no por el benchmark que presume. Si quieres platicar de automatizar algo real de tu operación, escríbenos.