Claves del artículo
- Gemini 4 Carbon obtuvo 59 puntos en el índice de inteligencia de Artificial Analysis, frente a 58 de Claude Opus 5.5 y 57 de GPT-6 Astra.
- El índice reúne nueve evaluaciones de programación, ciencia, conocimiento general y trabajo profesional. Su resultado cambia según las pruebas y los pesos elegidos.
- Gemini lideró cuatro de las nueve evaluaciones, pero Claude conservó la ventaja en un índice separado de agentes de programación.
- Una puntuación superior no garantiza mejores resultados en todas las tareas: también importan la configuración, el costo y la revisión que exige cada respuesta.
La competencia entre los modelos de inteligencia artificial más avanzados se volvió más estrecha. Gemini 4 Carbon, de Google, alcanzó 59 puntos en la versión 5.0 del índice de inteligencia de Artificial Analysis, apenas por delante de Claude Opus 5.5, de Anthropic, con 58, y de GPT-6 Astra, de OpenAI, con 57.
El resultado, publicado el 28 de octubre de 2026, ofrece una comparación entre sistemas diseñados para resolver problemas complejos. Pero también plantea una pregunta: ¿qué significa que un modelo sea más inteligente que otro cuando la diferencia es de uno o dos puntos?
La respuesta exige mirar las pruebas que integran el ranking, las áreas donde cada modelo obtiene ventaja y las condiciones en las que se realizaron las evaluaciones.
Un índice, nueve formas de medir capacidades
El Intelligence Index de Artificial Analysis combina nueve evaluaciones agrupadas en cuatro categorías con el mismo peso: trabajo de conocimiento, programación, ciencia y conocimiento general.
Las pruebas incluyen desde preguntas difíciles y problemas científicos hasta tareas de programación y producción de entregables profesionales. El índice es principalmente textual y se realiza en inglés; la organización evalúa por separado capacidades como el razonamiento visual, el audio y el desempeño multilingüe.
Por eso, los 59 puntos de Gemini no equivalen a un porcentaje de inteligencia ni a una medida comparable con el coeficiente intelectual humano. Son una puntuación compuesta que sintetiza resultados de pruebas seleccionadas y ponderadas por la organización.
En su análisis del lanzamiento, Artificial Analysis indicó que Gemini 4 Carbon lideró cuatro de las nueve evaluaciones del índice, incluidas pruebas de razonamiento, conocimiento, tareas científicas y automatización. Esa combinación le permitió alcanzar el primer puesto general, aunque no encabezó todas las áreas.
La configuración también influye. La comparación publicada utilizó Gemini 4 Carbon con razonamiento alto, mientras que Claude Opus 5.5 y GPT-6 Astra se evaluaron en configuraciones máximas. Los niveles de razonamiento modifican los recursos que el sistema dedica a resolver una tarea y pueden cambiar tanto el resultado como el costo.
Claude conserva una ventaja en programación
El liderazgo general de Gemini no se trasladó a todas las pruebas. En el Coding Agent Index, una evaluación separada que analiza agentes capaces de trabajar con código, Claude Opus 5.5 obtuvo 62 puntos frente a los 59 de Gemini 4 Carbon.
En ese caso, la comparación incluyó también las herramientas que rodean a cada modelo: Claude se evaluó con Claude Code y Gemini con Antigravity CLI. El resultado describe, por lo tanto, el rendimiento de cada combinación en esas pruebas.
Google publicó su propia tabla de evaluaciones, donde Carbon destaca en tareas de ciberseguridad y razonamiento sobre contextos extensos. Sin embargo, los resultados de la compañía también muestran que otros modelos pueden superarlo en pruebas específicas de ingeniería de software y uso de computadoras.
Para quienes comparan herramientas, esa diferencia es más útil que una clasificación única. Un equipo que necesita corregir código, por ejemplo, debería examinar pruebas de programación y ensayar los modelos con sus propios proyectos. Una organización que produce informes podría priorizar la calidad de las fuentes, la coherencia de los entregables y el tiempo de revisión.
La misma lógica se aplica a GPT-6 Astra y su enfoque en tareas de trabajo con IA: su valor práctico depende de lo que pueda completar con las herramientas y restricciones de cada proceso.
Menos alucinaciones no significa ausencia de errores
Una de las ventajas de Carbon aparece en AA-Omniscience, una prueba que evalúa conocimiento factual y penaliza las respuestas incorrectas. Artificial Analysis le asignó 54 puntos netos, frente a 48 de Claude Opus 5.5 y 46 de Gemini 4 Argon.
Carbon respondió correctamente el 58% de las preguntas. Su tasa de alucinación, según la métrica específica de esa prueba, fue del 11%, frente al 4% de Argon y al 50% de Claude y Astra en las configuraciones evaluadas. La comparación muestra que Carbon respondió correctamente más preguntas que Argon, pero también registró una tasa de alucinación mayor.
Esa tasa no significa que el 11% de todas las respuestas de Gemini sean falsas. La metodología utiliza una definición propia para distinguir respuestas correctas, incorrectas, parciales y abstenciones. Tampoco permite asegurar que el modelo sea el menos propenso a inventar información en cualquier contexto.
Google, por su parte, informó que Carbon redujo aproximadamente a la mitad las afirmaciones sin respaldo frente a Argon en sus pruebas internas. Son evaluaciones diferentes, con métricas distintas, por lo que no corresponde tratarlas como si midieran exactamente lo mismo.
El costo de responder también entra en la comparación
La calidad tiene un costo operativo. Con precios estándar, Artificial Analysis estimó un promedio de US$7,76 por tarea para Gemini 4 Carbon en las pruebas del índice, frente a US$10,04 para Claude Opus 5.5 y US$6,25 para GPT-6 Astra.
Son costos de tareas de evaluación complejas, no el precio de una consulta habitual ni el de una suscripción. Aun así, muestran por qué una diferencia pequeña en el ranking puede ser relevante cuando un sistema procesa grandes volúmenes de trabajo.
Carbon, además, comenzó con acceso restringido a especialistas en ciberseguridad y socios seleccionados. Al anunciarlo, Google indicó que ampliaría el acceso de manera gradual a desarrolladores, empresas y consumidores, sin confirmar una fecha general.
Koray Kavukcuoglu, vicepresidente sénior de Google DeepMind, presentó a Carbon como el «modelo más potente» de la compañía, con capacidades orientadas a ciberseguridad y tareas de larga duración. La afirmación describe la ambición del producto; su desempeño en procesos cotidianos todavía necesitará más pruebas de usuarios.
Para una empresa que evalúa adoptar uno de estos modelos, el siguiente paso no es elegir por un punto de diferencia. Es construir una prueba con tareas reales: pedir a cada sistema que trabaje sobre los mismos materiales y registrar calidad, errores, tiempo de revisión y costo total. Esa medición puede revelar que el líder del ranking es la mejor opción para un proceso y que otro modelo resuelve mejor el siguiente.