Mejor modelo de IA para tiendas, probado el 23 de septiembre de 2026
Las tareas de la evaluación de AIGROW para pequeñas empresas que una tienda encargaría a la IA y el resultado de cada uno de los 36 modelos en todas ellas, calificado como aprobado o no aprobado según criterios definidos por escrito.
Un piloto: 1 ejecución por modelo en cada tarea. Esta prueba se realizó el 23 de septiembre de 2026. Desde entonces, los fabricantes han sustituido 18 de sus 36 modelos por otros más recientes, y no incluía 26 modelos actuales de nuestra lista. La clasificación de LLM ordena los modelos actuales según resultados medidos.
- Qwen3.8 Flash
- 4 de 4
- Gemini 3.1 Pro (preview)
- 4 de 4
- DeepSeek V4.1 Flash
- 4 de 4
- DeepSeek V4 Pro
- 4 de 4
- Gemini 3.8 Flash
- 4 de 4
- Claude Sonnet 5
- 4 de 4
La evaluación de AIGROW para pequeñas empresas incluye 4 tareas que una tienda encargaría a la IA. El 23 de septiembre de 2026, 12 modelos aprobó las 4. La página de cada tarea muestra las trampas y los errores de todos los modelos.
Todos los modelos en estas tareas
Primero, los que más tareas superaron; en caso de empate, cuenta el mejor resultado en las 20 tareas. El coste de 1000 aciertos se calcula sobre todo el benchmark, incluidas las ejecuciones fallidas.
| Modelo | Responder a solicitudes de reembolso | Responder a reclamaciones de garantía en italiano | Redactar descripciones de productos en italiano | Redactar actas de reuniones | Superadas | 1000 tareas superadas |
|---|---|---|---|---|---|---|
| Qwen3.8 Flash | Superada | Superada | Superada | Superada | 4 de 4 | 1,09 US$ |
| Gemini 3.1 Pro (preview)Sustituido por Gemini 4 Argon | Superada | Superada | Superada | Superada | 4 de 4 | 29,67 US$ |
| DeepSeek V4.1 Flash | Superada | Superada | Superada | Superada | 4 de 4 | 1,05 US$ |
| DeepSeek V4 Pro | Superada | Superada | Superada | Superada | 4 de 4 | 5,14 US$ |
| Gemini 3.8 Flash | Superada | Superada | Superada | Superada | 4 de 4 | 7,17 US$ |
| Claude Sonnet 5Sustituido por Claude Sonnet 5.5 | Superada | Superada | Superada | Superada | 4 de 4 | 6,70 US$ |
| Qwen3.8 MaxSustituido por Qwen4-Max | Superada | Superada | Superada | Superada | 4 de 4 | 16,32 US$ |
| Claude Opus 5Sustituido por Claude Opus 5.5 | Superada | Superada | Superada | Superada | 4 de 4 | 16,89 US$ |
| GPT-5.5Sustituido por GPT-6.2 Astra | Superada | Superada | Superada | Superada | 4 de 4 | 17,02 US$ |
| GPT-6 AstraSustituido por GPT-6.2 Astra | Superada | Superada | Superada | Superada | 4 de 4 | 27,91 US$ |
| GPT-5.6 TerraSustituido por GPT-6.1 Terra | Superada | Superada | Superada | Superada | 4 de 4 | 6,68 US$ |
| Kimi K2.6Sustituido por Kimi K3.1 Pro | Superada | Superada | Superada | Superada | 4 de 4 | 11,69 US$ |
| Kimi K3Sustituido por Kimi K3.1 Pro | Superada | Superada | Fallida | Superada | 3 de 4 | 18,44 US$ |
| GLM-5.3-Flash | Superada | Superada | Fallida | Superada | 3 de 4 | 0,831 US$ |
| GLM-5.3 | Superada | Superada | Fallida | Superada | 3 de 4 | 7,02 US$ |
| Grok 4.7 | Superada | Superada | Fallida | Superada | 3 de 4 | 9,41 US$ |
| Qwen3.7 Plus | Fallida | Superada | Superada | Superada | 3 de 4 | 3,58 US$ |
| GPT-5.6 SolSustituido por GPT-6.2 Sol | Fallida | Superada | Superada | Superada | 3 de 4 | 11,33 US$ |
| Claude Fable 5.1Sustituido por Claude Fable 5.2 | Fallida | Superada | Superada | Superada | 3 de 4 | 33,11 US$ |
| GPT-5.6 LunaSustituido por GPT-6 Luna | Fallida | Superada | Superada | Superada | 3 de 4 | 0,677 US$ |
| MiniMax M3 | Superada | Superada | Fallida | Superada | 3 de 4 | 1,82 US$ |
| Claude Sonnet 4.6Sustituido por Claude Sonnet 5.5 | Fallida | Superada | Superada | Superada | 3 de 4 | 11,24 US$ |
| Gemma 4 31B | Fallida | Superada | Superada | Superada | 3 de 4 | 0,558 US$ |
| Muse Glimmer 30B | Fallida | Superada | Superada | Fallida | 2 de 4 | 3,10 US$ |
| Grok 4.3 | Fallida | Superada | Fallida | Superada | 2 de 4 | 4,10 US$ |
| Qwen3.8 27B | Fallida | Superada | Fallida | Superada | 2 de 4 | 7,30 US$ |
| gpt-oss-120b | Fallida | Superada | Fallida | Superada | 2 de 4 | 0,422 US$ |
| Llama 4 Maverick | Fallida | Fallida | Superada | Superada | 2 de 4 | 0,665 US$ |
| GPT-5.4 miniSustituido por GPT-6.1 Terra | Fallida | Superada | Fallida | Superada | 2 de 4 | 3,35 US$ |
| Mistral Medium 3.5Sustituido por Mistral Large 4 | Fallida | Superada | Fallida | Superada | 2 de 4 | 7,40 US$ |
| Gemini 3.1 Flash-LiteSustituido por Gemini 3.5 Flash-Lite | Fallida | Fallida | Superada | Fallida | 1 de 4 | 1,41 US$ |
| Claude Haiku 4.5Sustituido por Claude Haiku 5.5 | Fallida | Superada | Fallida | Fallida | 1 de 4 | 6,62 US$ |
| GPT-5.4 nanoSustituido por GPT-6 Luna | Fallida | Fallida | Fallida | Superada | 1 de 4 | 1,51 US$ |
| Ministral 3 14B | Fallida | Superada | Fallida | Fallida | 1 de 4 | 1,07 US$ |
| Gemini 3.5 Flash-Lite | Fallida | Fallida | Fallida | Fallida | 0 de 4 | 2,47 US$ |
| Mistral Small 4 | Fallida | Fallida | Fallida | Fallida | 0 de 4 | 1,33 US$ |
Las tareas
Cada página muestra la tarea tal como la vieron los modelos, sus trampas, todos los criterios explicados y los errores de cada modelo.
- Responde a una clienta que solicita un reembolso fuera del plazo previsto
- Inglés. 17 de 36 ejecuciones superadas.
- Responde en italiano a una clienta que cree erróneamente que su garantía ha caducado
- Italiano. 31 de 36 ejecuciones superadas.
- Redacta en italiano la descripción comercial de un aceite de oliva que cumpla las normas de etiquetado
- Italiano. 21 de 36 ejecuciones superadas.
- Convierte una reunión del equipo de una panadería en decisiones, responsables y fechas límite
- Inglés. 30 de 36 ejecuciones superadas.
Encarga este trabajo a un agente
Un agente de AIGROW realiza trabajos como estos en tus propias herramientas, siguiendo reglas que apruebas por escrito. Si las reglas no contemplan un caso, lo escala en lugar de adivinar.
Edición de octubre de 2026