"¿Qué modelo de IA debería usar para programar?"
Si tuviera un dólar por cada vez que alguien me preguntó eso en los últimos seis meses, tendría suficiente para cubrir mis costos de API por una semana. Quizás.
Aquí está la cuestión — la mayoría de las comparaciones de modelos de IA son inútiles. Ejecutan benchmarks sintéticos, prueban fragmentos de código aislados y declaran ganadores basándose en métricas que no tienen nada que ver con cómo realmente trabajamos. Nadie está sentado pidiendo a la IA que escriba implementaciones de bubble sort. Estamos intentando construir software real.
Así que hice algo diferente. Tomé un monstruoso Documento de Requisitos del Producto — derivado de una aplicación real y completa que había construido — y se lo lancé a cinco modelos de IA diferentes. El mismo PRD. Las mismas instrucciones. Temporizador de dos horas. Veamos quién sobrevive.
Los resultados me sorprendieron. Y no de la forma que esperaba.
La configuración que rompe la mayoría de los modelos
Antes de sumergirnos, déjenme explicar qué estaba probando realmente. Esto no era un proyecto de juguete ni un prompt de "constrúyeme una app de tareas". El PRD que usé era masivo — documentación técnica detallada que cubría componentes de UI, arquitectura backend, funciones impulsadas por IA, prompts de personalidad, motores de recomendación y más.
Imagínenlo como un dashboard de plataforma de streaming. Los usuarios navegan por shows, obtienen recomendaciones impulsadas por IA, exploran conceptos temáticos, ven información del elenco y equipo, verifican calificaciones de múltiples fuentes e interactúan con una función de "alquimia" que permite combinar shows para descubrir nuevo contenido basado en conceptos combinados.
El tipo de cosa que le tomaría semanas a un equipo especificar correctamente. Le di a cada modelo el documento completo y dije "empieza aquí".
Los contendientes:
- GPT-5.1 Codex Max (el campeón anterior)
- GPT-5.2 Medium (el nivel recomendado por OpenAI)
- GPT-5.2 Extra High (pensamiento máximo, costo máximo)
- Claude Opus 4.5 (el buque insignia de Anthropic)
Quería saber: ¿Pueden estos modelos realmente ejecutar requisitos complejos del mundo real? No solo escribir funciones — sino construir aplicaciones coherentes a partir de especificaciones densas.
Los primeros 30 minutos: Donde emergen las personalidades
Algo interesante sucedió casi inmediatamente.
GPT-5.1 Codex Max saltó directo a la acción. Los archivos empezaron a aparecer. Las dependencias se instalaron. Un servidor se levantó en los primeros diez minutos. Se sintió rápido. Productivo. Como ver a un desarrollador que ha tomado demasiado café simplemente empezar a producir código.
Los modelos GPT-5.2 — tanto Medium como Extra High — tomaron un enfoque diferente. Pasaron más tiempo pensando. Procesando. Casi podías verlos leyendo el PRD, tratando de entender el alcance completo antes de escribir una sola línea.
Y luego estaba Opus 4.5.
Aquí es donde las cosas se pusieron interesantes. Opus no solo empezó a programar. Empezó a hablar conmigo. Apareció una lista de tareas. Verbalizó lo que entendió del PRD. Hizo preguntas aclaratorias. Dijo cosas como "Basándome en los requisitos, voy a estructurar esto como..." antes de hacer cualquier cosa.
No voy a mentir — al principio, esto se sintió más lento. Pero algo se sentía correcto.
La brecha de comunicación de la que nadie habla
Déjenme pausar aquí porque esto se convirtió en la percepción más importante de todo el experimento.
Los modelos GPT empiezan a programar inmediatamente. Leen tu prompt y ejecutan. Sin confirmación. Sin "esto es lo que entendí". Solo acción.
Los modelos Opus comunican primero. Reconocen lo que pediste. Explican su interpretación. Te muestran la hoja de ruta antes de construir el camino.
¿Por qué importa esto?
Porque cuando trabajas con IA en tareas complejas, necesitas saber qué entendió realmente. Si GPT-5.2 malinterpreta un requisito y construye lo incorrecto, no lo sabrás hasta que veas la salida rota. Si Opus malinterpreta algo, te lo dice de antemano — y puedes corregirlo antes de que se escriba cualquier código.
No se trata de qué modelo es "más inteligente". Se trata de cuál hace que la colaboración se sienta menos como apostar.
He trabajado con desarrolladores junior que programan más rápido que los senior. La velocidad no es lo mismo que la productividad. Los mejores colaboradores — humanos o IA — confirman entendimiento antes de ejecutar.
Hora uno: La carrera de funcionalidades
Al llegar a la marca de sesenta minutos, las diferencias se hicieron evidentes.
GPT-5.1 Codex Max tenía una aplicación funcionando. Se veía... funcional. CSS básico, algo de estilo faltante, pero la estructura central estaba ahí. Las funcionalidades faltantes eran obvias — sin motor de recomendación, visualización limitada de metadatos, navegación incompleta.
GPT-5.2 Medium mostró mejora sobre 5.1. La UI se sentía más pulida. Alcanzó más de las funcionalidades solicitadas. Pero faltaba el arte clave. Algunos elementos interactivos no estaban conectados. El "medium" en su nombre se sentía preciso — punto medio.
GPT-5.2 Extra High fue más lento pero más minucioso. La interfaz era más limpia. Más accesible. Diseño lógico. El motor de recomendación funcionaba. Los metadatos se recuperaron correctamente. La información del elenco y equipo se mostró correctamente. Era genuinamente impresionante — hasta que noté que las listas de episodios bajo las temporadas de los programas de TV faltaban completamente.
Opus 4.5 estaba construyendo algo diferente. Elementos visuales más ricos. Animaciones que no había solicitado específicamente pero que tenían sentido. Visualizaciones de datos financieros (ganancias, ROI). Desglose claro de calificaciones y géneros. Y — esto es clave — un reproductor de tráiler inline que ninguno de los modelos GPT siquiera intentó.
Pero la UI de Opus también era más compleja. Más cargada. Más difícil de navegar a primera vista. Optimizó para completitud sobre simplicidad.
La revelación del documento de brechas
Aquí hay algo que cambió todo.
Ninguno de los modelos completó completamente el PRD en un solo intento. Ni de cerca. Todos omitieron funcionalidades. Todos hicieron suposiciones. Todos tenían brechas.
Así que creé lo que llamo un "documento de brechas" — un segundo prompt que listaba todo lo que la construcción inicial omitió, esencialmente pidiendo a cada modelo que se auditara contra los requisitos originales y llenara los vacíos.
Aquí es donde GPT-5.2 Extra High y Opus 4.5 se adelantaron dramáticamente.
Ambos modelos respondieron al documento de brechas abordando sistemáticamente las funcionalidades faltantes. Las listas de episodios aparecieron. La lógica de recomendación mejoró. El pulido de la UI aumentó. Dentro de otra hora de iteración, ambos habían alcanzado lo que estimo en 90-95% de completitud funcional.
¿El antiguo GPT-5.1? Tuvo dificultades. Seguía confundiéndose sobre lo que ya había construido versus lo que se estaba solicitando. La gestión del contexto se volvió un problema.
La lección: Ningún modelo de IA hoy puede ejecutar completamente un PRD complejo de forma autónoma. Pero los mejores pueden acercarse notablemente con una ronda de retroalimentación estructurada. La brecha no está en la capacidad bruta — está en la autoauditoría.
Filosofía de UI: Elegancia vs Completitud
Hablemos de las salidas visuales porque revelan algo importante sobre cómo piensan estos modelos.
GPT-5.2 Extra High produjo lo que llamaría interfaces "amigables para desarrolladores". Limpias. Predecibles. El tipo de UI que es fácil de usar porque no intenta hacer demasiado a la vez. Buen espaciado. Jerarquía de información lógica. Si se lo mostraras a un product manager, probablemente lo aprobaría sin muchos cambios.
Opus 4.5 construyó algo más ambicioso. Cada punto de datos posible salió a la superficie. Múltiples patrones de interacción. Riqueza visual que bordeaba lo abrumador. Se sentía como si Opus estuviera tratando de demostrar que entendía cada requisito mostrándolos todos simultáneamente.
Ninguno de los dos enfoques es incorrecto. Pero sirven para propósitos diferentes.
Si necesitas un prototipo rápido para validar una idea, la salida más limpia de GPT-5.2 te lleva ahí más rápido. Si necesitas cobertura funcional completa y no te importa refinar la presentación después, Opus te da más con qué trabajar.
Descubrí que usaba la salida de GPT-5.2 como referencia de UI mientras tomaba implementaciones de funcionalidades de Opus. La combinación funcionó mejor que cualquiera por separado.
Las funciones de IA: Donde se pone interesante
Ambos modelos implementaron funciones impulsadas por IA — extracción de conceptos, recomendaciones temáticas, exploración dinámica basada en preferencias del usuario. Aquí es donde el PRD se complicó, y donde esperaba que los modelos tuvieran dificultades.
No las tuvieron. No realmente.
Los motores de recomendación funcionaron. Entendieron relaciones semánticas entre shows. Podían explicar por qué dos series aparentemente diferentes podrían atraer al mismo espectador.
La función de "alquimia" de Opus destacó. Permitía a los usuarios combinar múltiples shows y extraer conceptos temáticos superpuestos para encontrar nuevas recomendaciones. Esto estaba en el PRD, pero requería entender un concepto bastante abstracto. Opus lo clavó. La interfaz de mashup era intuitiva, y las recomendaciones que generó realmente tenían sentido.
GPT-5.2 implementó alquimia también, pero más literalmente. Combinó shows y escupió recomendaciones. La magia — el meta-análisis de por qué ciertas combinaciones funcionaban — no estaba ahí.
Para programación asistida por IA de funciones de IA, Opus tenía la ventaja. Entendió la intención detrás de los requisitos, no solo las especificaciones literales.
Lo que nadie acertó
Hablemos de los fracasos porque importan tanto como los éxitos.
Arte clave. Cada modelo tuvo dificultades con las imágenes de los shows. El PRD especificaba integración con APIs externas para arte de póster y miniaturas. Ningún modelo las recuperó y mostró de forma confiable. Algunos hicieron cajas de marcador de posición. Algunos las ignoraron por completo. Ninguno lo logró completamente.
Tráilers. Solo Opus intentó la reproducción de tráilers inline. Los demás lo omitieron o generaron implementaciones rotas.
Autoauditoría. Ningún modelo verificó naturalmente su propio trabajo contra el PRD original. Todos requirieron documentos de brechas explícitos para identificar funcionalidades faltantes. Esto sugiere que los modelos de IA actuales son buenos ejecutando pero malos validando su propia salida.
Manejo de medios en general. Las funciones basadas en texto fueron sólidas. Todo lo que involucraba activos externos — imágenes, videos, integraciones de API — quedó corto. Los modelos podían escribir el código, pero depurar respuestas de API y manejar casos límite aún requería intervención humana.
Velocidad vs Calidad: La verdadera compensación
Déjenme darles números concretos.
GPT-5.1 Codex Max: Salida inicial más rápida. Menor completitud funcional. Más bugs. Tiempo hasta prototipo "utilizable": ~45 minutos. Tiempo hasta aplicación "completa": No lo logró en dos horas.
GPT-5.2 Medium: Velocidad moderada. Cobertura funcional razonable. Algunos problemas de pulido. Tiempo hasta prototipo utilizable: ~60 minutos. Tiempo hasta casi completo: ~100 minutos con documento de brechas.
GPT-5.2 Extra High: Salida inicial más lenta. Alta completitud funcional. UI limpia. Tiempo hasta prototipo utilizable: ~75 minutos. Tiempo hasta casi completo: ~110 minutos con documento de brechas.
Opus 4.5: Salida inicial bastante rápida (servidor arrancó temprano). Mayor completitud funcional. UI compleja. Tiempo hasta prototipo utilizable: ~50 minutos. Tiempo hasta casi completo: ~95 minutos con documento de brechas.
Si estás optimizando puramente por velocidad, GPT-5.2 Medium tiene sentido. Si estás optimizando por completitud y no te importa iterar, Opus 4.5 entrega más funcionalidades por dólar gastado.
La ecuación de costos de la que nadie quiere hablar
Estos modelos no son gratis. Y el nivel "Extra High" de GPT-5.2 cuesta significativamente más que Medium.
Aquí está mi opinión honesta: GPT-5.2 Extra High no justificó su prima sobre Medium para esta tarea. Sí, la salida fue más limpia. Sí, capturó algunos requisitos más. Pero la mejora marginal no valía 3-4 veces el costo.
Opus 4.5, a pesar de ser costoso, se sintió que valía la pena. Solo el estilo de comunicación ahorró tiempo de depuración. La completitud funcional redujo ciclos de iteración. La comprensión de requisitos complejos de IA significó menos retrabajo.
La eficiencia de costos importa. El modelo de Anthropic entregó más valor por turno de conversación que el nivel más alto de OpenAI. Eso no es una declaración de fanboy — es contabilidad.
Lo que esto significa para el desarrollo real
Seré directo: Ni GPT-5.2 ni Opus 4.5 reemplazará desarrolladores pronto.
Pero están reemplazando meses de trabajo con horas de trabajo. Eso no es nada. Eso es transformador.
La aplicación que usé como base para este PRD le tomó a un equipo varias semanas construirla originalmente. Estos modelos de IA alcanzaron 90-95% de paridad funcional en menos de dos horas. El 5-10% restante — los casos límite, el pulido, la depuración — aún necesita atención humana. Pero el trabajo pesado? Hecho.
Esto cambia cómo pensamos sobre la creación de prototipos. Cambia cómo validamos ideas. Cambia la economía de construir software.
Aún no estamos en "prompt y envía". Estamos en "prompt, revisa, itera y envía más rápido que nunca". Eso sigue siendo un cambio masivo.
Mi recomendación
Después de ejecutar este experimento, esto es lo que le diría a otro desarrollador:
Usa Opus 4.5 cuando:
- Estés construyendo algo complejo con funciones impulsadas por IA
- Necesites alta completitud funcional y no te importe refinar la UI
- Valores la comunicación y quieras verificar comprensión antes de la ejecución
- Estés dispuesto a pagar una prima por ciclos de iteración reducidos
Usa GPT-5.2 Medium cuando:
- Necesites prototipos rápidos para validación
- La UI importe más que la profundidad funcional
- El presupuesto sea una restricción primaria
- Te sientas cómodo con más depuración práctica
Omite GPT-5.2 Extra High. Para la mayoría de los casos de uso, no justifica la prima de costo sobre Medium. Las mejoras incrementales no son suficientes.
No te molestes con GPT-5.1 Codex Max. Ha sido superado. Los modelos más nuevos son significativamente mejores.
El panorama general
Estamos observando las herramientas de codificación IA evolucionar en tiempo real. Hace seis meses, pedirle a un modelo que ejecutara un PRD complejo habría sido risible. Hoy, es viable — con salvedades.
La brecha entre "código generado por IA" y "código listo para producción" se está reduciendo. No ha desaparecido. Pero se reduce rápidamente.
Los desarrolladores que descubran cómo colaborar efectivamente con estas herramientas — que aprendan a escribir mejores PRDs, que dominen el arte de los documentos de brechas, que entiendan qué modelo usar para qué tarea — van a tener una ventaja enorme.
No se trata de ser reemplazado. Se trata de ser amplificado.
Los mejores desarrolladores humanos usarán IA para multiplicar su producción. Los que se resistan se preguntarán por qué todos los demás entregan más rápido.
Yo sé qué lado estoy eligiendo.
Pensamientos finales
Si te llevas una cosa de este experimento, que sea esta: Deja de evaluar modelos de IA con benchmarks sintéticos. Pruébalos con tu trabajo real. Dales tus requisitos desordenados, complejos y del mundo real. Mira qué pasa.
Los resultados podrían sorprenderte.
Ciertamente me sorprendieron a mí.
🤝 Contratar / Trabajar conmigo:
- 🔗 Fiverr (builds personalizados, integraciones, rendimiento): fiverr.com/s/EgxYmWD
- 🌐 Mejba Portfolio Personal: mejba.me
- 🏢 Ramlit Limited: ramlit.com
- 🎨 ColorPark Agencia Creativa: colorpark.io
- 🛡 xCyberSecurity Servicios Globales: xcybersecurity.io
