Del modelo de investigación al peso pesado: la serie Kimi K2

Kimi K2: la base técnica

La versión original de Kimi K2 se presentó en julio de 2025 y se describió en detalle en un informe técnico («Kimi K2: Open Agentic Intelligence»). Técnicamente se trata de un llamado modelo de mezcla de expertos (Mixture-of-Experts, MoE): en lugar de una única red neuronal activa de forma continua, el modelo se compone de muchas subredes especializadas («expertos»), de las cuales, en cada consulta, solo se activa realmente una pequeña parte. En Kimi K2, según indica Moonshot AI, se trata en total de alrededor de un billón de parámetros, de los cuales se utilizan activamente unos 32.000 millones en cada consulta individual. El modelo se distribuye en 384 expertos, de los cuales se seleccionan específicamente 8 por cada fragmento de texto, complementados por un experto «compartido» siempre activo.

Esta estructura explica por qué Kimi K2, a pesar de su enorme tamaño total, puede funcionar de forma comparativamente económica: no es necesario calcular todo el billón de parámetros para cada consulta, sino solo una pequeña parte seleccionada. Según Moonshot AI, el modelo se entrenó con un método de optimización especialmente desarrollado (MuonClip), destinado a mejorar la estabilidad del entrenamiento en modelos MoE de este tamaño. La versión base original ofrecía una ventana de contexto de 128.000 tokens; la versión Instruct (para diálogos e instrucciones), publicada al mismo tiempo, se amplió a 256.000 tokens.

Kimi K2 Thinking: pensar y actuar en un solo modelo

En el otoño de 2025, según informes coincidentes de noviembre de 2025, Moonshot AI presentó con «Kimi K2 Thinking» una variante que incorpora, además, un razonamiento detallado y de varios pasos antes de la respuesta propiamente dicha, y que ya durante el proceso de razonamiento puede recurrir a herramientas (por ejemplo, una búsqueda web o una calculadora). Según los datos de referencia disponibles, el modelo alcanzó en la conocida prueba de programación «SWE-Bench Verified» un valor de aproximadamente el 71 por ciento y pudo, en escenarios de prueba, realizar de forma autónoma varios cientos de llamadas a herramientas consecutivas para resolver tareas complejas y prolongadas. Con ello, Moonshot AI se posicionó deliberadamente en el ámbito de los llamados modelos de agente, que no solo responden, sino que planifican y ejecutan de forma autónoma tareas de varios pasos.

La evolución en 2026: K2.5, K2.6 y K3

A lo largo de 2026, Moonshot AI publicó varias ampliaciones adicionales. Según fuentes coincidentes, aunque no siempre uniformes, aparecieron K2.5 y, en abril de 2026, K2.6, con una ventana de contexto ampliada a 256.000 tokens y capacidades de programación mejoradas, seguidas de una variante especializada en tareas de programación llamada K2.7 Code. En julio de 2026 llegó finalmente Kimi K3, que, según el fabricante, se presenta con una ventana de contexto ampliada a aproximadamente 1 millón de tokens y procesamiento nativo de imágenes (Vision), cuatro veces mayor, según Moonshot AI, que la ventana de contexto de K2.6. Sobre el tamaño exacto de parámetros de K3 circulan diferentes cifras en distintas fuentes (en parte en el rango de aproximadamente dos a tres billones de parámetros totales); actualmente no puede confirmarse con total seguridad una cifra oficial y definitiva unificada, por lo que aquí se habla deliberadamente de un orden de magnitud en lugar de una cifra exacta.

¿Qué hace especiales a los modelos Kimi técnica y estratégicamente?

Pesos abiertos con condición comercial

Moonshot AI publica los pesos del modelo de K2 y sus sucesores bajo una licencia MIT modificada, formulada por la propia empresa. En esencia, se trata de una licencia de código abierto muy libre, que también permite el uso comercial. Una particularidad: quien opere un producto o servicio basado en los modelos con más de 100 millones de usuarios activos al mes o más de 20 millones de dólares estadounidenses de facturación mensual debe mostrar de forma visible la indicación «Kimi K2» en su propia interfaz. Para la gran mayoría de los casos de uso pequeños y medianos –también en el sector inmobiliario– esta cláusula prácticamente no tiene efecto, pero muestra que «abierto» en el caso de Kimi no se entiende de forma del todo incondicional.

Capacidades de agente y gran ventana de contexto

El enfoque estratégico de los modelos Kimi se centra claramente en las llamadas capacidades de agente: la posibilidad de abordar de forma autónoma tareas de varios pasos con uso de herramientas, acceso web y ejecución de código, en lugar de limitarse a responder preguntas individuales. En combinación con una ventana de contexto muy grande –en K3, alrededor de un millón de tokens–, esto permite procesar en una sola pasada colecciones de documentos muy extensas, por ejemplo, varios cientos de páginas de documentación contractual o una gran colección de documentos de un inmueble.

Regla mnemotécnica: la gran ventana de contexto permite leer muchísimos documentos al mismo tiempo, pero eso no sustituye una revisión cuidadosa del resultado, ya que ni siquiera una ventana de contexto grande protege frente a errores u omisiones en el resultado.

Ejemplos de aplicación práctica

1. Resumen automatizado de grandes volúmenes de expedientes

Un empleado administrativo de una administración de fincas podría hacer que, a través de la API, se leyeran varios cientos de liquidaciones de gastos comunes o actas de asambleas de propietarios en una sola pasada, para que se marcaran de forma automatizada anomalías, por ejemplo, partidas de gastos inusualmente elevadas. La gran ventana de contexto de K2.6 o K3 hace esto técnicamente posible sin tener que dividir previamente los documentos en muchas partes pequeñas.

2. Borrador y maquetación de un dosier

En el modo agente, un agente inmobiliario puede hacer crear una primera versión de borrador de varias páginas de un dosier del inmueble, incluida una presentación web sencilla, que posteriormente se revisa a mano desde el punto de vista editorial y se compara con los datos reales y jurídicamente vinculantes del inmueble.

3. Apoyo en programación para herramientas internas

Dado que los modelos Kimi obtienen resultados especialmente sólidos en pruebas comparativas de tareas de programación, algunos departamentos de TI de empresas inmobiliarias utilizan Kimi como apoyo en la creación de pequeños scripts internos de automatización, por ejemplo, para conciliar listas de alquileres entre dos sistemas de software.

4. Investigación y observación del mercado

A través de la función de navegación web del modo agente, se puede utilizar un modelo para la observación continua de datos de mercado públicamente accesibles, por ejemplo, para resumir la evolución de los tipos de interés o informes de mercado inmobiliario de acceso público; en este caso es importante trabajar exclusivamente con fuentes públicamente disponibles y sin datos personales.

5. Comunicación multilingüe

En carteras inmobiliarias internacionales, un empleado del área financiera puede utilizar Kimi para traducir escritos estándar o resúmenes entre varios idiomas; también aquí se aplica, sin embargo, la limitación descrita anteriormente en cuanto a contenidos con datos personales.

Regla mnemotécnica: cuanto mayor es el volumen de datos que un modelo procesa en una sola pasada, más importante se vuelve la pregunta de dónde se encuentran exactamente esos datos durante el procesamiento; la capacidad de rendimiento y la protección de datos son dos cuestiones separadas que deben responderse ambas.

FAQ sobre los modelos Kimi

¿Cuál es la diferencia entre Kimi K2 y Kimi K2 Thinking?

Kimi K2 es el modelo base original; Kimi K2 Thinking es una variante presentada en noviembre de 2025 que incorpora, antes de la respuesta, un razonamiento más detallado y de varios pasos con uso de herramientas, con lo que obtiene mejores resultados en tareas complejas.

¿Qué tamaño tiene la ventana de contexto de los modelos actuales?

Los modelos de la serie K2 ofrecen generalmente 256.000 tokens de contexto; Kimi K3, presentado en julio de 2026, se indica con alrededor de un millón de tokens.

¿Son realmente de código abierto los modelos Kimi?

Los pesos del modelo son de acceso abierto y se publican bajo una licencia MIT modificada y muy libre. Una particularidad es la obligación de atribución para aplicaciones comerciales muy grandes (más de 100 millones de usuarios o 20 millones de dólares estadounidenses de facturación mensual).

¿Son adecuados los modelos para tareas de programación?

Sí, la serie Kimi K2 y, en particular, la variante especializada K2.7 Code obtienen resultados comparativamente sólidos en pruebas comparativas públicas de programación y se utilizan con frecuencia para agentes de programación.

¿Puedo ejecutar los modelos yo mismo en lugar de usar el sitio web de Kimi?

Sí, dado que los pesos se publican de forma abierta, pueden ejecutarse a través de diversos proveedores de nube o en hardware propio. Sin embargo, esto requiere conocimientos técnicos especializados y capacidad de cálculo suficiente, ya que se trata de modelos muy grandes.

Encontrará información básica sobre la empresa Moonshot AI, los precios y la protección de datos en nuestra página del proveedor. Puede consultar una comparación de los diez proveedores de IA del clúster en la página de resumen.

La familia de modelos Grok de un vistazo

Grok 3 – la generación anterior

Grok 3 fue durante mucho tiempo el modelo principal de xAI y actualmente constituye la base del nivel gratuito. Domina las tareas básicas de un chatbot –responder preguntas, redactar textos, investigaciones sencillas– pero ofrece una ventana de contexto claramente más pequeña y menos precisión en tareas complejas de varios pasos que los modelos más nuevos.

Grok 4 y Grok 4 Heavy

Grok 4 fue el siguiente gran paso y aportó resultados claramente mejores en razonamiento lógico y cuestiones más complejas. La variante Grok 4 Heavy va un paso más allá: en tareas difíciles utiliza varios procesos de razonamiento paralelos y compara los resultados antes de emitir una respuesta. Esto hace que Grok 4 Heavy sea más lento y considerablemente más caro, pero también más fiable en tareas complicadas, como cálculos matemáticos o análisis de varios pasos.

Grok 4.1 Fast – rápido y económico

Para tareas en las que lo más importante es la velocidad y el bajo coste –por ejemplo, responder automáticamente a muchas consultas cortas en una aplicación–, xAI ofrece con Grok 4.1 Fast una variante reducida, pero muy rápida y económica. La profundidad de contenido es menor, aunque suele ser suficiente para tareas sencillas y repetitivas.

Grok 4.20 – ventana de contexto enorme y tecnología multiagente

Con Grok 4.20, xAI introdujo a principios de 2026 un modelo que funciona internamente con varios «roles» especializados que se verifican mutuamente antes de emitir una respuesta –dicho de forma sencilla: un rol coordina, otro comprueba hechos, otro evalúa detalles técnicos y otro aporta formulaciones creativas–. Para las usuarias y los usuarios, esto se traduce sobre todo en respuestas más fiables en consultas más largas y complicadas. A esto se suma una ventana de contexto muy grande, de alrededor de 2 millones de unidades de texto (tokens) –lo que equivale a varios miles de páginas de texto que el modelo puede tener «en mente» al mismo tiempo, por ejemplo para el análisis de contratos extensos o grandes colecciones de datos.

Grok 4.5 – el enfoque actual en tareas complejas y técnicas

Grok 4.5, publicado en julio de 2026, es actualmente el modelo más avanzado disponible de xAI. Fue entrenado específicamente para tramos de trabajo más largos y exigentes –originalmente sobre todo para el desarrollo de software, pero entretanto también para otras tareas complejas de varios pasos, como investigaciones exhaustivas o el análisis de grandes cantidades de datos. La ventana de contexto se sitúa en torno a los 500.000 tokens, por tanto más pequeña que la de Grok 4.20, pero a cambio el modelo trabaja con mayor precisión en tareas de razonamiento difíciles. En la interfaz de programación, Grok 4.5 cuesta alrededor de 2 euros por millón de unidades de texto de entrada y unos 6 euros por millón de unidades de salida.

Grok 5 – lo que se sabe hasta ahora

Según xAI, un modelo sucesor con el nombre de trabajo Grok 5 se encuentra en fase de entrenamiento en un centro de datos Colossus ampliado. Hasta agosto de 2026 no existe una fecha oficial de publicación; según los rumores, el modelo será considerablemente más grande que Grok 4 y se presentará más adelante en 2026. Hasta el anuncio oficial, Grok 4.5 sigue siendo el modelo de disponibilidad general más potente.

Regla mnemotécnica: cuanto más alto es el número de versión, más potente y normalmente también más caro es el modelo, pero no todas las tareas necesitan el modelo más potente. Para preguntas cotidianas sencillas suele bastar ya la variante rápida y económica.

Tabla comparativa de las versiones de Grok

Acceso a datos en tiempo real a través de X

Una característica común a todos los modelos actuales de Grok es el acceso directo a publicaciones públicas de la plataforma X. Esto permite a Grok reaccionar a acontecimientos que apenas tienen unos minutos de antigüedad, una clara diferencia respecto a los modelos cuyo conocimiento está limitado a una fecha de corte de entrenamiento determinada. La desventaja: las publicaciones en redes sociales no están verificadas automáticamente ni son necesariamente fiables, por lo que las respuestas basadas en publicaciones actuales de X siempre deben leerse con una buena dosis de precaución, sobre todo en temas polémicos o poco claros.

Generación de imágenes y vídeo con Aurora y Grok Imagine

Para la generación de imágenes, xAI utiliza un sistema propio llamado Aurora, que entretanto se comercializa bajo el nombre de producto Grok Imagine. A partir de descripciones de texto genera imágenes y, actualmente, también vídeos cortos de pocos segundos de duración en distintos formatos. El nivel de pago SuperGrok incluye la funcionalidad completa de Grok Imagine; el nivel gratuito solo ofrece una versión básica limitada. En la interfaz de programación, la generación de vídeo se cobra según el número de segundos generados, lo que la hace comparativamente económica para clips cortos.

Ejemplos de uso en el día a día y los negocios

Ejemplo 1 – Vida diaria: Una usuaria planifica un viaje y le pide a Grok que le resuma, a partir de publicaciones actuales en X, cómo está el tiempo y la situación del tráfico en el destino en ese momento, algo que un modelo sin acceso en tiempo real no puede ofrecer.

Ejemplo 2 – Pequeña empresa: Un empleado administrativo de un pequeño taller artesanal utiliza Grok 4.1 Fast para preclasificar las consultas de clientes que llegan por correo electrónico y redactar propuestas de respuesta, que después son revisadas por una persona.

Ejemplo 3 – Inmuebles y finanzas: Una agencia inmobiliaria quiere obtener una primera impresión del ambiente actual en torno a una ubicación concreta, por ejemplo, si en los últimos días se ha hablado más de lo habitual sobre el aumento de los alquileres o un nuevo proyecto de construcción en una ciudad. Gracias al acceso a publicaciones actuales de X, Grok puede resumir este tipo de debates y ofrecer primeras pistas. Un aspecto importante: este tipo de análisis de tendencias no sustituye un análisis de mercado sólido basado en datos oficiales, sino que solo proporciona una impresión rápida y complementaria.

Ejemplo 4 – Revisar un documento extenso: Una empleada administrativa sube un contrato de alquiler largo o una licitación extensa a Grok 4.20 y le pide que resuma las cláusulas centrales, los plazos y las cifras; gracias a la gran ventana de contexto, el modelo puede tener en cuenta todo el texto de una vez, sin tener que dividirlo en secciones.

Ejemplo 5 – Tarea técnica: Un desarrollador utiliza Grok 4.5 para analizar una aplicación de software existente a través de varios archivos y obtener propuestas de mejora para el código, una tarea para la que el modelo fue entrenado específicamente.

Regla mnemotécnica: cuanto más larga y ramificada sea la tarea, más importante se vuelve la ventana de contexto; en cambio, en preguntas cotidianas cortas apenas influye.

Ejemplo práctico: estimar los costes de la interfaz de programación

Una agencia inmobiliaria quiere que Grok 4.5 redacte automáticamente unas 50 descripciones de inmuebles al mes. Para cada descripción se estiman 1.000 tokens de entrada (datos del inmueble, condiciones generales) y 1.500 tokens de salida (texto terminado).

• Entrada: 50 x 1.000 = 50.000 tokens, con 2 euros por millón de tokens, resulta en aproximadamente 0,10 euros
• Salida: 50 x 1.500 = 75.000 tokens, con 6 euros por millón de tokens, resulta en aproximadamente 0,45 euros
• Coste total mensual: aproximadamente 0,55 euros

El ejemplo de cálculo muestra que los costes puramente textuales a través de la interfaz de programación son muy bajos cuando el volumen de texto es manejable; los costes reales suelen surgir del desarrollo y el mantenimiento de la integración, no de las consultas individuales en sí.

Preguntas frecuentes (FAQ)

¿Qué modelo de Grok debería usar como principiante?

Para empezar, por lo general basta con el modelo estándar del nivel gratuito o del nivel de pago más económico. Cambiar a modelos más potentes solo merece la pena cuando se llega a los límites en tareas complejas o largas.

¿Qué significa «ventana de contexto» en términos sencillos?

La ventana de contexto describe cuánto texto puede tener un modelo «en mente» al mismo tiempo. Una ventana de contexto grande es importante cuando se quiere analizar documentos largos de una vez, pero apenas influye en preguntas cortas.

¿Es Grok 4.20 lo mismo que Grok 4?

No. Grok 4.20 es una generación de modelo independiente y posterior, con una ventana de contexto claramente más grande y una verificación interna multirrol que aún no existía en Grok 4.

¿Cuándo llega Grok 5?

Hasta agosto de 2026 no existe una fecha oficial. xAI ha confirmado que hay un modelo sucesor en desarrollo, sin especificar una fecha concreta.

¿Puedo obtener con Grok datos de mercado fiables para decisiones inmobiliarias?

Grok puede resumir debates y tendencias actuales, pero no sustituye datos oficiales verificados ni un análisis de mercado profesional. Es más adecuado como complemento rápido, no como única base de decisión.

Encontrará una visión general de la propia empresa xAI, los niveles de precios y la valoración en materia de protección de datos en nuestra página del proveedor xAI. Quien prefiera ver la comparación con los demás grandes proveedores de IA encontrará el resumen en la página comparativa de modelos de IA.

Por qué «Copilot» no siempre significa lo mismo

Microsoft ha convertido deliberadamente el nombre Copilot en una marca general, de forma similar a como otras corporaciones hacen con marcas para familias enteras de productos. Sin embargo, detrás de la superficie, las variantes se diferencian claramente: en la base de datos a la que tienen acceso, en el modelo de lenguaje utilizado y en los compromisos de seguridad y protección de datos que se aplican en cada caso.

Copilot en Windows

La variante integrada en la barra de tareas es principalmente un chat de propósito general para preguntas cotidianas, investigación y tareas de escritura sencillas. No tiene acceso directo a documentos ni correos electrónicos internos de la empresa, por lo que funcionalmente está más cerca de un chatbot clásico que de un verdadero asistente de oficina.

Microsoft 365 Copilot (Business y Enterprise)

Esta variante es la verdadera versión empresarial. Está conectada, a través de la llamada interfaz Microsoft Graph, con los documentos, correos electrónicos, entradas de calendario y chats a los que el usuario correspondiente ya tiene acceso de por sí. Gracias a ello puede, por ejemplo, elaborar un resumen que se base realmente en los archivos de proyecto reales de un equipo, en lugar de limitarse a reproducir conocimiento general del mundo. Esta conexión es la diferencia técnica decisiva frente a todas las demás variantes de Copilot.

Microsoft 365 Premium (sucesor de Copilot Pro)

El nivel pensado para usuarios privados y autónomos aporta funciones completas de Copilot a las aplicaciones personales de Office, pero sin la conexión profunda con una red empresarial de múltiples usuarios que ofrece la variante Business. Está dirigido a personas individuales, no a equipos.

GitHub Copilot: una línea de producto propia

Para completar el panorama, cabe mencionar que GitHub Copilot es un producto independiente para desarrolladores de software que ayuda a escribir código de programación. Solo comparte con las demás variantes de Copilot el nombre de marca y parte de la tecnología subyacente, pero está dirigido a un público completamente distinto y aquí solo se menciona a modo de contextualización.

Qué modelos de IA hay realmente detrás

Durante mucho tiempo, prácticamente toda la familia Copilot funcionó exclusivamente con modelos de OpenAI. Esto ha cambiado en 2026. En julio de 2026, Microsoft y OpenAI anunciaron que el nuevo modelo GPT-5.6 se convertiría en el modelo preferido para Microsoft 365 Copilot en Word, Excel, PowerPoint y los nuevos espacios de trabajo de Copilot. El modelo está optimizado específicamente para el trabajo del conocimiento y debería funcionar de forma más eficiente que sus predecesores en tareas más complejas y de varias etapas.

Al mismo tiempo, Microsoft ha ampliado su estrategia y ofrece desde 2025, en Microsoft 365 Copilot, también modelos de Anthropic. En la práctica, en muchos entornos empresariales los administradores ya pueden elegir o restringir qué modelo se utiliza para cada aplicación. Esta es una diferencia importante frente a los proveedores de un único modelo: técnicamente, Copilot funciona más bien como un panel de control que media en segundo plano entre varios modelos, en lugar de como un único modelo de lenguaje inmutable.

Quien pregunte «qué modelo utiliza Copilot» ya no obtiene en 2026 una respuesta sencilla. La pregunta más acertada es: qué modelo utiliza Copilot en este momento para esta tarea concreta, y si eso se puede modificar en la configuración.

Tabla comparativa de las variantes de Copilot

Ejemplos prácticos de aplicación en el día a día de oficina

Ejemplo 1: gestionar la avalancha de correos en Outlook

Un administrativo vuelve de una ausencia de dos semanas y se encuentra con más de 200 correos electrónicos sin leer. Copilot resume los hilos largos, marca los correos que requieren una acción directa y propone borradores de respuesta listos para las consultas rutinarias. En lugar de abrir cada mensaje por separado, el empleado obtiene una visión general en pocos minutos.

Ejemplo 2: resumen de reunión en Teams

Tras una reunión de proyecto de una hora, Copilot genera automáticamente un resumen con las decisiones más importantes, las preguntas abiertas y una lista de tareas concretas, incluida la persona responsable de cada una. Quien no haya podido asistir no necesita ver la grabación, sino que puede leer el resumen en pocos minutos.

Ejemplo 3: crear una tabla de rentabilidad en Excel

Un ejemplo relacionado con el sector inmobiliario: un administrador de fincas quiere calcular la rentabilidad bruta del alquiler de varios posibles precios de compra para un edificio plurifamiliar. Le describe a Copilot en Excel, en un lenguaje normal, qué columnas necesita, por ejemplo precio de compra, alquiler anual, gastos adicionales y la rentabilidad en porcentaje calculada a partir de ellos. Copilot construye a partir de eso una estructura básica con las fórmulas correspondientes, que el administrador ajusta después a las cifras reales de su inmueble. Es importante tener en cuenta que Copilot ofrece una plantilla de cálculo útil, pero la revisión del contenido de las fórmulas y de los valores utilizados sigue siendo tarea del propio administrador.

Ejemplo 4: revisar el texto de un dossier de inmueble en Word

Una agencia inmobiliaria ha redactado un texto objetivo, pero lingüísticamente muy árido, para el dossier de un inmueble. Copilot en Word puede, a petición, darle al texto un tono más cercano y agradable de leer, proponer frases más cortas o eliminar repeticiones, sin modificar los datos reales del inmueble. La persona sigue siendo responsable de la exactitud del contenido de los datos, mientras que Copilot se encarga solo del trabajo fino a nivel lingüístico.

Ejemplo 5: primera estructura de diapositivas en PowerPoint

Para una presentación interna sobre los resultados trimestrales, Copilot ofrece, a partir de un breve texto con palabras clave, una primera estructura de diapositivas con propuestas de tipos de gráficos adecuados. Esto ahorra sobre todo la laboriosa primera media hora de estructuración, mientras que la elaboración real del contenido sigue siendo trabajo manual.

Qué significa en concreto el cambio de modelo para los usuarios

En el trabajo diario en Word, Excel u Outlook, la mayoría de los usuarios apenas notan el cambio de un modelo a otro, ya que Microsoft gestiona la selección de modelo casi por completo de forma automática en segundo plano. El tema resulta relevante sobre todo para los responsables de TI de las empresas, que pueden determinar en la configuración de administrador qué modelos están permitidos para su organización, por ejemplo por motivos de protección de datos. Para los usuarios privados, por lo general solo queda la elección del nivel de suscripción, pero no la selección individual del modelo.

Preguntas frecuentes sobre los modelos de Copilot

¿Está GPT-5.6 disponible en todas las variantes de Copilot?

No. GPT-5.6 se utiliza sobre todo en Microsoft 365 Copilot y en Microsoft 365 Premium. La variante gratuita de Windows utiliza en parte versiones de modelo simplificadas o más antiguas.

¿Puedo elegir yo mismo, como usuario, qué modelo utiliza Copilot?

En entornos empresariales, los administradores pueden restringir o habilitar la selección de modelo. Los usuarios privados, por lo general, no tienen selección directa de modelo, sino solo la elección del nivel de suscripción.

¿Por qué Microsoft utiliza, además de OpenAI, también modelos de Anthropic?

Desde 2025, Microsoft sigue de forma deliberada una estrategia con varios proveedores de modelos, para poder emplear en cada caso el modelo más adecuado según la tarea y no depender de un único proveedor.

¿Es GitHub Copilot lo mismo que Microsoft 365 Copilot?

No, GitHub Copilot es un producto independiente para el desarrollo de software, con sus propios modelos y su propia estructura de precios, que solo comparte el nombre de marca con la versión de oficina.

¿Son fiables los resultados de cálculo de Copilot en Excel?

Copilot ofrece una buena estructura base y propuestas de fórmulas adecuadas, pero el control del contenido de los valores y las fórmulas sigue teniendo que realizarlo una persona, especialmente en cálculos relevantes desde el punto de vista empresarial.

Un resumen de los distintos niveles de precios, las cuestiones de protección de datos y la valoración general de Microsoft Copilot se ofrece en la página del proveedor Microsoft Copilot de un vistazo. Quien prefiera ver la comparación con los otros ocho proveedores encontrará el resumen en la página principal Comparativa de todos los modelos de IA.

El principio básico: búsqueda web más modelo de lenguaje en lugar de respuesta de memoria

Por qué un modelo de lenguaje puro no basta por sí solo

Un gran modelo de lenguaje, como el que hay detrás de los chatbots clásicos, se entrenó en un momento determinado con enormes cantidades de texto. Después de eso posee muchísimo conocimiento general, pero no tiene acceso automático a acontecimientos nuevos, cifras actuales o estudios recién publicados. Si se le pregunta a un modelo así por el tipo de interés de referencia actual o por un cambio legislativo aprobado ayer, puede o bien decir honestamente que no lo sabe, o -en el peor de los casos- inventar algo falso que suene plausible. Precisamente este problema lo resuelve Perplexity con un procedimiento de dos fases.

La interacción: el retrieval se encuentra con la generación de texto

En la primera fase, la llamada retrieval (recuperación), Perplexity examina páginas web actuales, artículos de noticias, portales especializados y, en parte, bases de datos científicas en busca de contenidos relacionados con la pregunta planteada. Estos resultados se filtran, se ordenan por relevancia y fiabilidad, y se transmiten como base a un modelo de lenguaje. Solo en la segunda fase el modelo de lenguaje resume estos resultados en una respuesta comprensible y coherente, añadiendo a cada afirmación una nota a pie de página que remite a la fuente correspondiente. Puede imaginarse como un asistente de investigación extremadamente rápido que primero lee diez artículos especializados y después dicta un resumen con referencias de fuentes, solo que este proceso dura unos pocos segundos.

El modelo de lenguaje no «sabe» la respuesta a una pregunta de actualidad, sino que la lee en tiempo real a partir de fuentes recién encontradas y la traduce a un lenguaje comprensible.

¿Qué modelos hay exactamente detrás?

Modelos Sonar propios para consultas estándar

Para la mayoría de las consultas cotidianas, Perplexity utiliza sus propios modelos, desarrollados internamente, de la llamada serie Sonar. Estos están entrenados específicamente para evaluar de forma eficiente los resultados de la búsqueda web y convertirlos rápidamente en una respuesta limpia y respaldada por fuentes. La ventaja de los modelos propios radica sobre todo en la velocidad y la eficiencia en costes: para preguntas fácticas sencillas no es necesario recurrir al modelo disponible más complejo.

Acceso a modelos externos de primer nivel según la suscripción

Para preguntas más complejas, análisis más largos o cuando se solicita expresamente, Perplexity recurre además a modelos de lenguaje externos de grandes proveedores, según disponibilidad y nivel de suscripción, por ejemplo modelos actuales de las series de OpenAI (GPT), Anthropic (Claude) y Google (Gemini). Perplexity no desarrolla estos modelos, sino que los integra a través de interfaces de programación y los combina con su propia tecnología de búsqueda. Los usuarios Pro pueden a menudo elegir de forma específica en la configuración avanzada qué modelo debe formular una respuesta, mientras que la versión gratuita realiza esta elección automáticamente en segundo plano.

Model Council: comparar varios modelos de primer nivel a la vez

Para los suscriptores de Max existe una función especial, denominada a menudo «Model Council»: Perplexity procesa la misma pregunta en paralelo con varios modelos de lenguaje líderes, compara los resultados entre sí y resume en qué puntos coinciden los modelos, en qué se diferencian y qué aspectos ha destacado especialmente bien cada modelo. Para el usuario medio esto suele ser un esfuerzo innecesario, pero para quienes quieren fundamentar bien una decisión realmente importante y compleja, la comparación de modelos puede aportar perspectivas adicionales valiosas.

Deep Research: investigación autónoma en varias etapas

Además existe un modo llamado Deep Research, en el que Perplexity no realiza una única búsqueda, sino que planifica de forma autónoma varios pasos de búsqueda consecutivos: primero se obtiene una visión general, después se investigan de forma específica subpreguntas concretas y, al final, se genera un informe más largo y estructurado con numerosas referencias a fuentes. Este modo tarda considerablemente más que una consulta normal, pero a cambio ofrece resultados más fundamentados en temas más complejos, como los análisis de mercado.

Modos y niveles en comparación

Ejemplos de aplicación en la vida cotidiana y profesional

Ejemplo 1: pregunta fáctica rápida en el día a día

Una usuaria quiere saber cuál es la tasa de inflación actual en Alemania. La búsqueda estándar ofrece en pocos segundos una respuesta breve con el valor actual junto con la referencia a la comunicación correspondiente de la Oficina Federal de Estadística alemana, mucho más rápido que consultar varias páginas web una por una.

Ejemplo 2: investigación sobre los tipos de interés hipotecarios actuales con referencias de fuentes

Un empleado administrativo del área de financiación inmobiliaria quiere elaborar un panorama general de la evolución actual de los tipos de interés hipotecarios para una nota interna. Formula la pregunta sobre el nivel aproximado de interés para préstamos hipotecarios a diez años y se muestra las fuentes en las que se basa la respuesta, por ejemplo informes actuales de portales financieros o estadísticas de tipos de interés. Aquí es importante tener en cuenta: Perplexity ofrece una buena primera orientación con pruebas verificables, pero no sustituye un asesoramiento financiero vinculante ni una consulta de condiciones bancarias actualizada al día. Aun así, para una valoración rápida y basada en fuentes antes de una reunión de asesoramiento, la utilidad es real.

Ejemplo 3: resumen de un informe de mercado extenso o de un contrato de alquiler

Un administrador de fincas que sube un informe de mercado extenso o un contrato de alquiler de varias páginas en formato PDF a un Space puede después hacer preguntas específicas al respecto, por ejemplo sobre las conclusiones más importantes, los plazos de preaviso o determinados indicadores. Perplexity recurre tanto al documento subido como, de forma complementaria, a la búsqueda web actual para contextualizar las afirmaciones; sin embargo, esto no sustituye una revisión legal por parte de un profesional.

Ejemplo 4: preparación de una reunión especializada con varias perspectivas

Antes de una decisión importante, por ejemplo una definición estratégica dentro de la propia empresa, el modo Model Council puede ser útil: tres modelos de primer nivel diferentes procesan la misma pregunta, y el resumen muestra en qué puntos coinciden las valoraciones y en qué se diferencian. Esto no sustituye un asesoramiento profesional, pero ofrece una perspectiva más amplia que una única respuesta de IA.

Ejemplo 5: traducción rápida y contextualización de fuentes en otros idiomas

Dado que muchos artículos especializados y estudios solo están disponibles en inglés, Perplexity puede incorporar fuentes en otros idiomas directamente al resumen en español, incluyendo la referencia al original. Esto evita a menudo el rodeo de utilizar una herramienta de traducción independiente.

¿Qué significa esta tecnología para la fiabilidad de las respuestas?

La combinación de búsqueda web y modelo de lenguaje reduce considerablemente el riesgo de afirmaciones inventadas, ya que, en el caso ideal, cada afirmación puede remitirse a una fuente real. Sin embargo, esto no descarta por completo un error: las propias fuentes web en las que se basa también pueden estar desactualizadas, ser incompletas o simplemente erróneas, y un modelo de lenguaje puede perder matices al resumir. Por eso la regla de oro sigue siendo: las referencias de fuentes son una gran ayuda para la comprobación, pero no sustituyen una mirada crítica propia, especialmente en decisiones relevantes desde el punto de vista empresarial o financiero.

Cuanto más importante sea la decisión, más merece la pena echar un vistazo a la fuente original detrás de la nota a pie de página, y no solo al resumen de la IA.

Preguntas frecuentes (FAQ)

¿Qué modelo de IA utiliza exactamente Perplexity?

No existe un único modelo fijo. Perplexity combina sus propios modelos Sonar con modelos externos de primer nivel de distintos proveedores, y elige automáticamente o a petición del usuario la combinación adecuada según la consulta, el modo y el nivel de suscripción.

¿Cuál es la diferencia entre Pro Search y Deep Research?

Pro Search responde a una pregunta en una única pasada, mientras que Deep Research planifica de forma autónoma varios pasos de búsqueda consecutivos y, al final, entrega un informe más detallado y estructurado.

¿Merece la pena el modo Model Council para particulares?

Para preguntas cotidianas sencillas, por lo general no, ya que el esfuerzo adicional apenas aporta valor. En cuestiones realmente importantes y con consecuencias relevantes, sin embargo, la perspectiva de varios modelos puede tener sentido.

¿Puedo confiar ciegamente en las referencias de fuentes?

No. Las notas a pie de página facilitan considerablemente la comprobación, pero no sustituyen una valoración propia de la fuente, especialmente cuando una decisión tiene consecuencias financieras o legales.

¿Por qué Perplexity responde a veces de forma distinta a la misma pregunta?

Dado que en segundo plano pueden entrar en juego distintos modelos y resultados de búsqueda según la carga del sistema, el nivel de suscripción y las fuentes encontradas, son normales las formulaciones o los enfoques ligeramente diferentes.

Un resumen de Perplexity AI como producto completo, los precios y su valoración en materia de privacidad de datos se ofrece en la página general del proveedor: Perplexity AI: el motor de búsqueda con IA y referencias de fuentes de un vistazo. Una comparación con los demás grandes proveedores de IA dentro del conjunto se encuentra en la página general: Comparativa de modelos de IA.

¿Qué significa realmente «código abierto» o «peso abierto» en una IA?

La diferencia con ChatGPT, Claude y Gemini

En la mayoría de los chatbots de IA conocidos, como ChatGPT de OpenAI, Claude de Anthropic o Gemini de Google, el cálculo propiamente dicho se ejecuta exclusivamente en los servidores del proveedor correspondiente. Se escribe una pregunta, la solicitud viaja por internet hasta el centro de datos del proveedor, allí se procesa y la respuesta vuelve. El modelo en sí —es decir, el enorme archivo con los patrones de «razonamiento» entrenados— permanece siempre en manos del proveedor y no puede ser consultado ni descargado por nadie externo.

Con Llama esto es diferente. Meta publica los pesos del modelo entrenado para su descarga. Quien disponga de los requisitos técnicos necesarios puede instalar y ejecutar Llama en su propio servidor, en su propio entorno en la nube o incluso en un PC potente, sin que se envíe una sola solicitud a los servidores de Meta. Precisamente por eso, en el caso de Llama se habla con más precisión de «peso abierto» (open weight) en lugar de software de código abierto en el sentido clásico: los resultados entrenados son abiertos y utilizables, pero los datos exactos de entrenamiento y el proceso completo de entrenamiento no son totalmente públicos.

¿Qué significa esto en concreto: autohospedar en lugar de usar un servicio en la nube?

«Autohospedar» significa que una empresa o una persona particular con conocimientos técnicos configura el software de forma que la IA se ejecute en su propio hardware, ya sea un servidor propio en la oficina, un servidor alquilado en un centro de datos alemán o una nube privada. La gran ventaja: todos los datos que se introducen en la IA nunca salen, en este caso, de la propia infraestructura. No hay ninguna empresa externa que lea, almacene o analice las solicitudes para sus propios fines. Esta es la diferencia estructural decisiva con Meta AI como producto acabado, que siempre se ejecuta a través de los propios servidores de Meta, o con ChatGPT y Claude, en los que el autoalojamiento no es técnicamente posible en absoluto.

Un modelo de peso abierto como Llama es como una receta que se puede descargar y cocinar en la propia cocina. Un chatbot clásico en la nube es como un restaurante al que hay que ir siempre, porque nunca se llega a ver la receta.

Las generaciones de Llama de un vistazo

Llama 1 y 2: los inicios

La primera versión de Llama, de la primavera de 2023, estaba pensada inicialmente solo para fines de investigación y sirvió sobre todo para que los modelos de IA abiertos empezaran a tomarse en serio. Con Llama 2, en el verano de 2023, Meta abrió por primera vez explícitamente el uso también para fines comerciales, sentando así las bases de una amplia comunidad de desarrolladores que trabaja sobre Llama.

Llama 3: el gran avance

Con Llama 3, en 2024, Meta mejoró sobre todo la calidad de las respuestas, el multilingüismo y la capacidad de manejar textos considerablemente más largos. Llama 3 se considera la versión con la que los modelos abiertos pudieron competir por primera vez en serio con los mejores modelos cerrados, y se convirtió en la base de numerosas aplicaciones empresariales.

Llama 4: Scout, Maverick y Behemoth

La generación actual, Llama 4, llegó en abril de 2025 y trajo un importante salto técnico: los modelos están construidos desde el principio de forma «multimodal», es decir, entienden no solo texto, sino también imágenes en un único modelo. La familia consta de varios tamaños: Llama 4 Scout es la variante más compacta y eficiente para tareas más sencillas y para su uso con hardware limitado. Llama 4 Maverick es la variante más potente y polivalente para tareas más exigentes. Llama 4 Behemoth es, con diferencia, el modelo más grande de la familia y sirvió inicialmente sobre todo como «modelo profesor» interno, con el que se entrenaron las variantes más pequeñas; a mediados de 2026 todavía no estaba definitivamente aclarado si y cuándo Behemoth estará disponible públicamente como modelo independiente.

La licencia de Llama: lo que conviene saber

Aunque Llama se suele denominar a menudo «modelo de código abierto», en sentido estricto esto no es del todo correcto. Según la definición oficial de software de código abierto, el uso debería ser completamente sin restricciones, y ese no es el caso de Llama. Meta permite el uso comercial de forma muy amplia, con una excepción importante: quien opere un producto o servicio con más de 700 millones de usuarios activos mensuales necesita una licencia independiente directamente de Meta. Para la inmensa mayoría de las empresas, incluidas las pymes más grandes o las empresas inmobiliarias, este límite carece por completo de relevancia práctica, ya que se encuentra órdenes de magnitud por debajo. No obstante, es importante conocer las condiciones exactas de la licencia antes de integrar Llama de forma permanente en un producto propio.

Para casi cualquier empresa normal en Alemania, el límite de licencia de 700 millones de usuarios es pura teoría. Lo relevante es cómo y dónde se ejecuta Llama, no si está legalmente permitido.

Ejemplos de uso en la vida cotidiana y profesional

Ejemplo 1: preguntas cotidianas en el chat

El uso más sencillo se da a través de Meta AI: una pregunta sobre una receta de cocina, una traducción, un breve resumen de un texto. Aquí Llama se ejecuta en segundo plano en los propios servidores de Meta, sin que el usuario o la usuaria se dé siquiera cuenta.

Ejemplo 2: los desarrolladores construyen sus propias aplicaciones

Una empresa de software puede descargar un modelo Llama e integrarlo en su propia aplicación, por ejemplo un chatbot de atención al cliente, sin pagar por cada solicitud individual a un proveedor de nube externo. Los costes recurrentes consisten entonces en el propio servidor, en lugar de en una facturación por solicitud.

Ejemplo 3: datos sensibles en el sector inmobiliario y financiero

Un ejemplo de la práctica: una agencia inmobiliaria quiere crear textos de dosieres, descripciones de inmuebles o notas internas sobre posibles compradores con ayuda de la IA, sin que los datos de clientes, precios de compra o borradores de contratos se transmitan a un proveedor de nube estadounidense. Con un modelo Llama alojado por cuenta propia en un servidor en Alemania, esta información permanece por completo dentro de la propia infraestructura. Esto no sustituye una plena conformidad con la protección de datos, pero sí supone una diferencia estructural respecto a un chatbot en la nube, en el que los datos salen por principio de la propia empresa. Es importante tener en cuenta que el esfuerzo de configuración, mantenimiento y actualización de un modelo propio es real y debe planificarse de forma realista antes de decidirse por esta opción.

Ejemplo 4: traducción y multilingüismo en administraciones públicas

Algunos organismos públicos o equipos de tramitación más grandes utilizan modelos abiertos como Llama para clasificar previamente solicitudes en varios idiomas o para preformular respuestas estándar, sin transmitir datos de ciudadanos a un servicio de nube externo.

Ejemplo 5: un sencillo cálculo sobre la lógica de costes

Supongamos que una pequeña empresa procesa mensualmente unas 50.000 solicitudes de IA para la redacción de textos. A través de un chatbot comercial en la nube con facturación por solicitud, según el proveedor y el tamaño del modelo, pueden acumularse rápidamente varios cientos de euros al mes, ya que los costes aumentan con el volumen de uso. En cambio, un servidor propio con un modelo Llama más compacto como Scout genera costes en gran medida fijos de alquiler y funcionamiento del servidor, independientemente de si se procesan 10.000 o 80.000 solicitudes al mes. A partir de cierto volumen de uso, el funcionamiento propio puede resultar así más económico que la facturación continua por solicitud, aunque solo si ya se dispone de los conocimientos técnicos necesarios para la configuración y el mantenimiento, o si estos se contratan. Para un uso pequeño e irregular, un servicio en la nube suele seguir siendo la opción más práctica.

Preguntas frecuentes

¿Se puede usar Llama de forma completamente gratuita?

La descarga y el uso de los pesos del modelo son gratuitos para la gran mayoría de los casos de uso. Los costes surgen del funcionamiento, es decir, del hardware del servidor o de la capacidad de cálculo en la nube necesaria para ejecutar el modelo.

¿Necesito conocimientos de programación para ejecutar Llama por mi cuenta?

Para el funcionamiento independiente suelen ser necesarios conocimientos técnicos especializados o un proveedor de servicios informáticos. Para el uso normal a través de Meta AI en WhatsApp o en la aplicación, en cambio, no se necesitan conocimientos previos.

¿Un modelo Llama alojado por cuenta propia es automáticamente conforme con el RGPD?

No, nada es automático. Sin embargo, el autoalojamiento crea el requisito técnico para que los datos no tengan que salir de la propia empresa, lo cual constituye una base importante para soluciones respetuosas con la privacidad. La implementación jurídica concreta sigue siendo necesaria de todos modos.

¿Cuál es la diferencia entre Llama 4 Scout y Maverick?

Scout es la variante más compacta y eficiente en recursos para tareas más sencillas y servidores más pequeños, mientras que Maverick es la variante más potente para aplicaciones más exigentes, con la correspondiente mayor necesidad de hardware.

¿Puede cualquier empresa utilizar Llama en sus propios productos?

Para la inmensa mayoría de las empresas, sí, dentro de las condiciones de la licencia de Llama. Solo en el caso de servicios con más de 700 millones de usuarios activos mensuales es necesario un acuerdo independiente con Meta.

Quien, tras este análisis técnico en profundidad, quiera volver a situar el producto final Meta AI en la vida cotidiana, encontrará el resumen en la página del proveedor sobre Meta. Una comparación con los demás grandes proveedores de IA está disponible en la página general del clúster de modelos de IA.