Artículo publicado en marzo de 2025 y revisado editorialmente en septiembre de 2026. Se conserva como comparación de enfoques de aquella etapa, no como clasificación de las herramientas más recientes.
Grok 3, Perplexity y DeepSeek aparecían con frecuencia en las conversaciones sobre inteligencia artificial de 2025. Pero compararlos exige aclarar qué estamos evaluando: un modelo, un servicio de búsqueda o una familia de modelos. Sin esa distinción, una lista de supuestas fortalezas puede terminar comparando productos diferentes como si fueran equivalentes.
Grok 3: un modelo y las herramientas que lo acompañan
En su anuncio del 19 de febrero de 2025, xAI presentó Grok 3 y Grok 3 mini, junto con capacidades de razonamiento. La empresa publicó resultados en pruebas de matemáticas, programación y conocimiento. Son evaluaciones comunicadas por el proveedor y deben leerse con sus condiciones de prueba.
Esos resultados no permiten afirmar que Grok 3 sea un porcentaje fijo más preciso que cualquier otro asistente en cualquier tarea. Para hacer esa comparación habría que identificar la versión del competidor, las preguntas, la configuración y el criterio de corrección. Tampoco conviene confundir la capacidad de un modelo con las funciones de búsqueda disponibles en una aplicación.
Perplexity: búsqueda y respuestas apoyadas en fuentes
Perplexity debe distinguirse de un modelo individual. Su documentación técnica, consultada en esta revisión, describe servicios para buscar información y generar respuestas apoyadas en la web. Esta documentación actual sirve para aclarar el tipo de producto; no se utiliza aquí como prueba de qué funciones estaban disponibles en marzo de 2025.
La presencia de enlaces facilita la comprobación, pero no convierte automáticamente una respuesta en correcta. Hay que abrir las fuentes, revisar su fecha y comprobar si respaldan la afirmación concreta. Para una búsqueda documental, importa tanto encontrar una referencia pertinente como resumirla sin alterar su significado.
DeepSeek: especificar el modelo antes de compararlo
DeepSeek es el nombre de una organización y de una familia de modelos. Para esta comparación histórica, la referencia concreta es DeepSeek-R1 y su documentación oficial. El repositorio publica evaluaciones de razonamiento, matemáticas y programación, así como información sobre acceso mediante API y ejecución de modelos.
No es correcto describirlo simplemente como una plataforma de análisis empresarial ni atribuirle, sin pruebas, una menor capacidad de programación. Publicar una explicación paso a paso tampoco demuestra que esa explicación sea una representación fiel del proceso interno que produjo la respuesta.
La documentación distingue el modelo principal de variantes destiladas. Sus resultados y requisitos no deben intercambiarse: una evaluación de una variante no describe necesariamente a las demás.
Por qué he retirado las cifras de velocidad
La versión anterior atribuía porcentajes de superioridad y velocidades concretas sin identificar una fuente reproducible. Esas cifras se han retirado. Una medición útil debe indicar qué modelo se probó, en qué fecha, mediante qué servicio y con qué carga de trabajo.
También hay que separar el tiempo hasta la primera respuesta, la velocidad de generación y el tiempo total hasta obtener un resultado utilizable. Una respuesta rápida que exige muchas correcciones puede resultar menos práctica que otra más lenta y bien resuelta. Este artículo no presenta un ensayo propio que permita ordenar estas herramientas por rendimiento.
Una comparación útil para el trabajo
Como propuesta de evaluación, prepararía una pequeña colección de tareas reales con resultados comprobables: resumir un documento, extraer datos de una tabla, explicar una discrepancia y responder una pregunta con fuentes. Utilizaría el mismo material de entrada y anotaría la versión y configuración de cada herramienta.
Compararía errores, omisiones, referencias válidas, tiempo de revisión y coste de completar la tarea. En un almacén, por ejemplo, el ejercicio podría consistir en localizar incoherencias en un inventario ficticio. La calidad se mediría contra esas incoherencias conocidas, no contra lo convincente que suene la respuesta.
Esa evaluación permitiría tomar una decisión para un proceso concreto. No justificaría declarar un ganador universal para investigación, compras, programación y atención al cliente a la vez.
Para llevar esta reflexión a la práctica, puedes leer cómo elegir IA para las tareas de un almacén aftermarket y por qué conviene revisar las respuestas de la IA.
Deja una respuesta