Mistral en España: IA europea, modelos locales, costes y límites

Una empresa española puede querer que su asistente lea contratos sin enviarlos a una aplicación de consumo. Otra necesita un agente de programación capaz de mantener una web. Una tercera busca extraer datos de miles de documentos con una factura previsible. Mistral ofrece varias respuestas: una aplicación en la nube, una API y familias de modelos que se pueden ejecutar en infraestructura propia. La elección depende del encargo, los datos y el equipo disponible.

Esta guía revisa la oferta al 10 de noviembre de 2026. Incluye Mistral Large 4, Vibe —el nombre actual de Le Chat— y opciones locales como Ministral 3 y Devstral Small 2. Comparamos pruebas internacionales, precios publicados y requisitos de memoria. Las tablas de hardware son orientaciones calculadas; los gráficos de rendimiento proceden de evaluadores identificados. Catálogo de Mistral · Vibe y sus modalidades.

Una persona puede usar Mistral para preparar una presentación; una empresa, para procesar documentos; un desarrollador, para integrar un agente en su aplicación. Cada caso pasa por un producto diferente. El antiguo Le Chat se llama Vibe. Su experiencia actual reúne conversación y trabajo por etapas en Work, con un selector fast/think. Code se ocupa de repositorios desde terminal, VS Code o sesiones remotas. La unificación de Chat y Work comenzó el 22 de septiembre; las organizaciones Enterprise pueden seguir un calendario de migración propio. Documentación actual de Vibe.

Mistral Studio y la API permiten construir servicios propios, seleccionar modelos y pagar por consumo. En la familia actual, Large 4 cubre razonamiento, imágenes de entrada y llamadas a herramientas; Small 4 y Ministral 3 ofrecen alternativas de menor coste o tamaño. Codestral está orientado al código; OCR, a documentos; Voxtral, a audio. Las funciones concretas y las licencias cambian entre familias. Catálogo oficial.

Large 4 dispone de una ventana de un millón de tokens y pesos descargables publicados el 29 de octubre. Mistral declara soporte para más de 160 idiomas, incluidos los oficiales de la UE: una ventaja que conviene comprobar con documentos reales en castellano y lenguas cooficiales. Ese alcance declarado no demuestra igual calidad en todos ellos. Además, la API de Mistral aloja GLM 5.3 y DeepSeek V4.1 Flash 1017, de terceros: contratar su alojamiento no convierte esos modelos en investigación de Mistral. Ficha de Large 4 y catálogo y tarifas alojadas.

Work combina archivos, colecciones documentales, búsqueda web y conectores de correo, calendario, Slack, Notion, GitHub, Drive o SharePoint. Puede investigar, comparar documentos y producir entregables revisables. Los conectores requieren autenticación y dependen de las políticas de la organización; una cuenta conectada solo ayuda si dispone del permiso adecuado. Mistral indica que Work solicita aprobación para acciones sensibles, como enviar correos o modificar datos externos. Capacidades y controles de Work.

Para documentación, OCR 4.1 cuesta 4 USD por 1.000 páginas en tarifa Standard. El procesador extrae texto, tablas y estructura, con opciones de bloques, coordenadas y confianza. Por ejemplo, permite preparar una extracción de facturas que después se valida antes de registrarla. Un documento mal escaneado o una cifra ambigua siguen necesitando comprobación. Tarifas oficiales y funciones del OCR.

Voxtral 3 transcribe grabaciones y audio en directo, identifica hablantes y genera voz. La API permite construir agentes telefónicos. Mini Transcribe 3 parte de 0,0035 USD/minuto y la transcripción en tiempo real de 0,008; el servicio Voice Agents con Small 4 figura a 0,04 USD/minuto. Son conceptos distintos: la transcripción más barata no equivale al coste de una conversación completa. Documentación de audio y precios por servicio.

La persistencia también tiene una oferta específica. Managed Agents y Agents SDK están en vista previa pública: documentan sesiones duraderas, reanudación tras fallos, ejecución paralela, secretos, trazas y aprobaciones, con despliegue gestionado o propio. Permiten continuar trabajo sin mantener abierto el portátil cuando la ejecución está desplegada en un servidor. Esa continuidad depende de la infraestructura, los permisos y los límites configurados; el modelo descargado por sí solo no mantiene procesos activos. La API y sus condiciones pueden cambiar durante la vista previa. Managed Agents.

Estos son los importes observados en dólares estadounidenses el 10 de noviembre de 2026, sin impuestos. La compra en España debe comprobarse con país, moneda, modalidad de facturación y condiciones del checkout; no presentamos una conversión aproximada como tarifa oficial en euros. Precios de Vibe.

Las tareas programadas de pago están sujetas a uso razonable. Conviene dimensionar la compra con número de personas, volumen de archivos y tareas simultáneas: una etiqueta de acceso ampliado no proporciona capacidad ilimitada. La API dispone de facturación por consumo y reglas propias. Antes de integrar automatizaciones, hay que revisar qué créditos incluye el contrato y cómo se cobra el exceso.

En programación, Code puede leer y editar archivos, ejecutar comandos y preparar solicitudes de integración. La documentación advierte que las ediciones de archivos se aplican por defecto sin preguntar; el agente ask permite revisarlas también. Conviene elegir esa política según el proyecto y verificar los cambios antes de desplegarlos. Permisos y funcionamiento de Vibe Code.

La tabla compara USD por millón de tokens de entrada y salida en API estándar, sin caché, herramientas ni descuentos por lotes, para peticiones cortas de menos de 200.000 tokens de entrada. Recoge ocho tarifas numéricas verificadas y señala el dato pendiente de Kimi. Las cuotas de las aplicaciones de chat se contratan por separado.

Carbon duplica sus tarifas a 4/20 el 1 de diciembre. Astra y Sol cobran el doble por entrada y 1,5 veces por salida cuando la petición supera 272.000 tokens de entrada. Grok aplica 4/12 en contexto largo a partir del umbral de 200.000. DeepSeek figura con tarifa punta; fuera de esas franjas cuesta la mitad. Cada enlace de la tabla permite revisar condiciones vigentes.

El razonamiento aumenta consumo aunque la respuesta visible sea breve: OpenAI, Anthropic y Google incluyen sus tokens en la salida facturada; Grok también los cobra. Caché, llamadas externas y reintentos cambian la factura. Large 4 ofrece una tarifa atractiva; su coste real por encargo exige medir el recorrido completo.

FrontierCode 2.0 de Cognition evalúa 132 encargos definidos por mantenedores de proyectos, con requisitos de calidad para cambios de código integrables. En la clasificación consultada, Fable 5.2 alcanza 49,1 puntos; Astra, 42,8; Carbon, 40,0; Sol, 39,0; Grok, 28,6; y Large 4, 19,7. Kimi obtiene 19,6; DeepSeek, 19,3; y GLM, 17,8. Son puntos de rúbrica sobre 100, no porcentajes de encargos resueltos. Resultados y metodología originales.

La diferencia deja a Large 4 por detrás del grupo líder en este tipo de ingeniería. También aporta una señal competitiva frente a esos modelos chinos en esta evaluación concreta. Cada fila combina modelo, esfuerzo de razonamiento y herramienta: Mistral utiliza Vibe; OpenAI, Codex; Anthropic, Claude Code; otras filas, Devin CLI o Grok Build. Cognition desarrolla Devin, circunstancia relevante al valorar la fuente. El gráfico conserva esas configuraciones para hacer visible qué se compara.

El selector de coste añade otra dimensión: Large 4 registra 1,55 USD por ejecución, frente a 1,03 de Sol y 0,38 de DeepSeek. Fable lidera la puntuación con un coste superior. Elegir exige valorar errores, revisión y trabajo aprovechable, además del gasto de la ejecución. Estos resultados corresponden a Large 4 con su agente evaluado; no permiten atribuir la misma capacidad a un Ministral pequeño instalado en un portátil. Tampoco miden por sí solos todas las tareas de investigación, idiomas o atención al cliente.

Vals Vibe Code 1.1 utiliza OpenHands en las nueve configuraciones seleccionadas. Mide pruebas funcionales de aplicaciones: Large 4 supera el 81,56%, frente al 93,77% de Fable, 89,59% de Astra, 89,06% de Carbon y 88,93% de Sol. DeepSeek alcanza 87,73%; Grok, 86,17%; Kimi, 84,89%; y GLM, 78,13%. Superar ese porcentaje de pruebas no significa entregar ese porcentaje de aplicaciones perfectas. Evaluación original de Vals, actualizada el 9 de noviembre.

Large 4 cuesta 11,72 USD por tarea en esta prueba, frente a 8,25 de Carbon, 6,23 de Sol y 0,58 de DeepSeek. Su tiempo registrado es de 3.013 segundos, unos 50 minutos. El gráfico permite alternar pruebas, coste y tiempo. Son resultados de ese conjunto y configuración, con consumo y duración diferentes entre modelos; no constituyen un presupuesto garantizado para una aplicación de una empresa española.

Nuestra lectura es que Mistral merece una prueba cuando pesan los documentos, los idiomas, la integración y la elección de infraestructura. Para programación exigente, los datos aconsejan compararlo con líderes estadounidenses y alternativas chinas en el mismo repositorio antes de decidir. Los modelos frontera aquí citados de OpenAI, Anthropic, Google y Grok se consumen como servicios; Mistral Large 4, Kimi, DeepSeek y GLM ofrecen opciones de pesos descargables, con licencias y requisitos propios: Kimi, DeepSeek y GLM. Descargar un modelo no reproduce automáticamente las herramientas y la calidad del producto alojado. El ensayo útil mide entregables correctos, coste completo, tiempo de revisión y control de datos.

Una instalación local permite que la inferencia, el proceso que genera la respuesta, se ejecute en un ordenador o servidor controlado por la organización. La aplicación puede proporcionarle documentos guardados allí y recibir respuestas sin enviar cada consulta a una API externa. Para conseguirlo, hay que preparar también la aplicación de chat, los archivos, el índice de búsqueda y los servicios auxiliares. La primera descarga de pesos y dependencias requiere conexión; después se puede comprobar el funcionamiento con la red desconectada.

Este control resulta útil para un archivo interno, una instalación con conexión limitada o un proceso que debe conservar una versión estable del modelo. También facilita decidir quién accede a los documentos y cuándo se actualiza el sistema. El equipo asume a cambio su mantenimiento: capacidad disponible, copias de seguridad, actualizaciones, accesos y revisión de los resultados.

Conviene dibujar el recorrido completo de los datos. Un modelo local puede enviar información mediante una búsqueda web, un conector de correo o una herramienta de gestión. El historial puede terminar en una carpeta sincronizada. La guía de modelos offline de Vibe explica cómo configurar un servidor propio y desactivar telemetría y comprobaciones de actualización; los conectores externos necesitan una revisión adicional.

La oferta local también depende del producto. Mistral presenta Voxtral 3 para despliegue propio mediante su equipo comercial. En documentos, la familia de OCR 4, actualizada a 4.1, contempla una instalación autogestionada. Antes de presupuestarla hay que comprobar las condiciones, el contenedor suministrado y sus recursos.

Para un primer asistente escogeríamos una variante Instruct, preparada para seguir instrucciones. Ministral 3 ofrece tamaños 3B, 8B y 14B con visión, herramientas y español. Sus variantes Reasoning también existen: pueden dedicar más generación al razonamiento y necesitan una prueba propia de calidad y tiempo. Los checkpoints Base se orientan a desarrollar o ajustar modelos. Las familias y formatos aparecen en la ficha oficial de Ministral 3.

La licencia de Devstral Small 2 permite uso comercial y modificación bajo sus condiciones. Small 4 mantiene Apache 2.0. En Large 4, la licencia concreta introduce condiciones para empresas que operan modelos como servicio y excepciones para uso interno. Un proyecto que ofrezca inferencia a terceros debe revisar su encaje contractual antes de desplegar.

Los parámetros activos de un modelo MoE ayudan a explicar el trabajo de cálculo. En un despliegue habitual hay que alojar sus pesos totales. Ese detalle cambia mucho el presupuesto de memoria de Small 4 y Large 4.

En un PC, la RAM del sistema y la VRAM de la tarjeta gráfica son recursos diferentes. En un Mac con Apple Silicon, la memoria unificada se comparte con macOS y otras aplicaciones. Para dimensionar una instalación hay que mirar también el ancho de banda, el procesador, los controladores y el soporte del motor de inferencia. Los TOPS anunciados para una NPU aportan poca información sobre la compatibilidad de un checkpoint concreto.

Las primeras filas son orientaciones para un piloto, calculadas a partir de los archivos y la memoria adicional. La referencia de Devstral procede de su ficha y de la guía offline. Una tarjeta de 8 GB permite empezar con 3B; 8B con visión deja un margen ajustado según contexto y motor. En CPU, descargar parte del trabajo desde la GPU permite ampliar capacidad, aunque suele aumentar la espera.

El almacenamiento merece su propia cuenta. Para ensayar una variante pequeña reservaríamos unos 25–40 GB libres en SSD; conservar varios tamaños y precisiones puede requerir 60–100 GB o más. Son presupuestos orientativos que incluyen descargas, cachés y margen temporal. La receta de Small 4 sitúa sus pesos NVFP4 alrededor de 72 GB. La de Large 4 publica unos 610 GB en NVFP4 y configuraciones de centro de datos. Son escalas distintas de inversión.

Cuantizar reduce la precisión con la que se almacenan los pesos. Un GGUF Q4_K_M, un checkpoint FP8 y otro NVFP4 utilizan formatos y rutas de ejecución diferentes. La compatibilidad depende del motor y del hardware. Para elegir una cuantización comprobaríamos especialmente extracción de campos, llamadas a herramientas y errores en tareas largas.

Los archivos oficiales Q4_K_M de Ministral 3 ocupan aproximadamente 2,15 GB en 3B, 5,20 GB en 8B y 8,24 GB en 14B. Para visión, sus proyectores BF16 añaden unos 0,84–0,88 GB. Son tamaños de archivos redondeados en GB decimales. El gráfico los convierte a GiB y añade una estimación de la caché de conversación, calculada a partir de las configuraciones oficiales.

Al aumentar de 4k a 16k o 32k tokens, la caché KV crece aunque se conserven los mismos pesos. El cálculo supone una sesión con el contexto lleno, caché BF16 y los modelos densos indicados. Los motores pueden reservar memoria adicional para procesar imágenes, agrupar peticiones y ejecutar operaciones. Las fuentes, la fórmula y sus exclusiones se despliegan en el propio gráfico.

La documentación de contexto de Ollama permite comprobar la longitud asignada y el reparto entre CPU y GPU. Antes de ampliar la ventana, conviene medir si mejora la entrega. Una búsqueda documental bien preparada puede proporcionar los fragmentos necesarios con un contexto moderado.

1. Elegir el motor y una variante concreta. Ollama ofrece un recorrido sencillo en Windows, macOS y Linux. Para un primer ensayo de texto y visión se puede seleccionar ministral-3:8b desde su biblioteca. En una instalación ya preparada, ollama run ministral-3:8b descarga el paquete y abre una conversación. Hay que revisar el tamaño, la licencia y las funciones de la variante elegida. La primera descarga puede tardar y ocupar varios gigabytes.
2. Probar archivos ficticios y verificar los recursos. Empezaríamos con una sesión y 4k–8k de contexto, solicitando respuestas verificables: extraer campos de una ficha o resumir un texto con referencias. El comando ollama ps permite inspeccionar el contexto y el reparto de procesamiento. En un PC con NVIDIA se comprueba la ruta CUDA; con AMD o Intel hay que revisar la matriz del motor y los controladores del sistema operativo. En Apple Silicon, llama.cpp utiliza Metal; MLX LM ofrece otra ruta para modelos compatibles. La compatibilidad de texto y la de visión requieren comprobaciones propias.
3. Conectar la aplicación y registrar la configuración. llama.cpp permite trabajar con GGUF y crear un servidor; Vibe CLI admite un servidor local compatible. Para una aplicación que use el cliente de OpenAI, Ollama documenta el destino local http://localhost:11434/v1/. La compatibilidad de API cubre un subconjunto de funciones: hay que probar las que utilice la aplicación. Guardaríamos modelo, revisión, plantilla de conversación, cuantización y contexto.

Para un servicio compartido, vLLM o SGLang ofrecen recetas orientadas a servidores. La prueba inicial debería mantener el servicio en el equipo o en una red privada; abrirlo a otros usuarios exige autenticación, permisos y límites de uso. Antes de comprar hardware, repetiríamos el ensayo con los documentos y el número de conversaciones previstos.

Un asistente documental necesita encontrar información antes de redactar. Mediante RAG, la aplicación divide los documentos, crea un índice y recupera fragmentos relevantes para cada consulta. Se pueden conservar localmente el modelo de embeddings, el índice y los archivos. Esta preparación facilita citar la página o el apartado utilizado y actualizar documentos sin volver a entrenar el modelo. El permiso de acceso debe comprobarse antes de entregar cada fragmento al asistente.

Para un equipo que maneje versiones de presupuestos, probaríamos consultas con una referencia exacta y un documento retirado. El sistema debería localizar la versión vigente, mostrar la fuente y permitir que una persona compruebe las cifras. Conviene incluir ejemplos en los que la respuesta esté ausente: una salida fluida con datos inventados puede resultar más costosa que una consulta sin resolver.

La persistencia de un agente requiere componentes adicionales: almacenamiento del estado, cola de tareas, registro de pasos y un proceso que vuelva a ejecutar el trabajo. Un agente de programación puede guardar cambios y pruebas en un repositorio local. Otro puede conservar qué documentos ya revisó y continuar tras una interrupción. Si el único equipo de ejecución se apaga, el proceso tendrá que esperar a su reanudación.

Las herramientas merecen permisos concretos. Una primera fase puede consultar archivos y proponer cambios; después se valida la escritura en una copia de trabajo. Una web o un documento pueden contener instrucciones que intenten desviar al agente. La integración debe comprobar destinos, operaciones y credenciales, además de revisar el texto generado. El control local facilita definir esas fronteras, y también obliga al equipo a mantenerlas y probarlas.

En una gestoría, un piloto útil sería clasificar expedientes y extraer campos de copias de documentos, conservando la referencia de origen. Mediríamos errores de identificación y tiempo de revisión. En una empresa hotelera, se podría preparar un borrador de respuesta a partir de manuales internos, procedimientos y tarifas vigentes, con aprobación antes del envío. En un equipo de software, Devstral Small 2 con un agente local puede explorar un repositorio, proponer un cambio y ejecutar sus pruebas. Registraríamos los requisitos cumplidos y la revisión necesaria para aceptar la entrega.

Son propuestas de ensayo de HocusPocus. Para compararlas con una IA frontera en la nube utilizaríamos los mismos archivos, encargos y criterios. Un modelo local pequeño puede resultar suficiente en una extracción acotada y necesitar más revisión ante un proyecto ambiguo o una cadena larga de herramientas. La evaluación debería conservar ese resultado por tarea, junto con los errores que podrían afectar al negocio.

El coste total de operación suma amortización del equipo, electricidad incremental, mantenimiento, copias, actualizaciones y tiempo de supervisión. Como escenario ilustrativo, un equipo de 2.000 euros amortizado en 36 meses supone unos 55,56 euros al mes. Si consume 250 W adicionales durante 160 horas y se aplica una tarifa hipotética de 0,20 euros/kWh, la electricidad añade 8 euros. El subtotal sería 63,56 euros mensuales antes de operación, refrigeración, impuestos y revisión. Estas cifras son supuestos ilustrativos, sin una oferta de compra asociada.

La unidad de comparación más útil es el coste por entrega aceptada. Con poco uso, una API evita capacidad ociosa y trabajo de mantenimiento. Con una carga estable, datos adecuados y personal que opere el sistema, una instalación propia puede ofrecer ventajas. Conviene comprobar ambas hipótesis con un piloto medido antes de ampliar el despliegue.

La ventaja europea de Mistral puede concretarse en decisiones que una empresa entiende: con quién contrata, dónde procesa sus documentos y cuánto control conserva sobre el sistema. Mistral AI es una sociedad francesa. Para una organización con sede en España, sus condiciones comerciales generales establecen legislación francesa y tribunales de París, aunque un pedido negociado puede prevalecer. Esto ofrece una referencia contractual europea identificable; conviene leer el acuerdo que realmente se firma. Condiciones comerciales, apartados 14.10 y 14.11.

El proveedor declara que aloja los datos en la Unión Europea por defecto. También permite elegir un endpoint estadounidense y advierte de transferencias temporales fuera de la UE según la función utilizada. Enterprise puede desactivar algunas de esas funciones. Por tanto, para decidir sobre un expediente sensible hay que mirar el recorrido completo: inferencia, archivos, conectores, soporte y copias. La residencia es una condición comprobable del despliegue. Alojamiento y transferencias según Mistral.

Su acuerdo de tratamiento distingue a la empresa responsable de los datos y a Mistral como encargado cuando trabaja por su cuenta. Recoge instrucciones, confidencialidad, seguridad y asistencia. Esa documentación facilita evaluar al proveedor, pero la organización sigue decidiendo qué información necesita utilizar y para qué. Los modelos descargables añaden otra posibilidad: controlar versiones y mantener la ejecución en infraestructura propia. Acuerdo de tratamiento de datos.

También Google Cloud ofrece un endpoint multirregional de la UE para el procesamiento de modelos compatibles y un acuerdo de tratamiento de datos, con sus condiciones. La comparación útil incluye contrato, despliegue, acceso a los pesos y operador efectivo; el cumplimiento del RGPD puede abordarse con proveedores de distintos orígenes. Residencia de datos de Google Cloud · Acuerdo de tratamiento de Google Cloud.

Antes de subir documentación, conviene distinguir usar los datos para entrenar, conservarlos para prestar el servicio y registrar actividad. Desactivar una finalidad no elimina las otras. El control elegido también depende del canal.

Los documentos adjuntos cuentan como entradas. La ayuda de Mistral explica los controles de Vibe y el ajuste separado de Studio/API. Sus condiciones mantienen excepciones para feedback y modelos Labs/Preview; en estos últimos no se aplican los controles de exclusión de entrenamiento de otros productos. Controles de entrenamiento · Excepciones contractuales.

La política general cita treinta días de conservación de entradas y salidas para vigilar abusos en APIs ordinarias, salvo ZDR, y plazos distintos para agentes y archivos. La documentación actual excluye de ZDR, entre otros, Agents, conversaciones, Libraries, Files, Chat, Vibe Work y trazas de observabilidad. En un proceso que necesita recordar expedientes, habría que definir qué se guarda, dónde y cómo se borra. Conservación · Alcance y límites de ZDR.

Una instalación propia permite reducir envíos a terceros. Para tratar datos personales sigue haciendo falta una base jurídica, acceso limitado a quienes lo necesitan y conservación proporcionada. El RGPD exige seguridad acorde al riesgo y una evaluación de impacto previa cuando sea probable un alto riesgo; utilizar IA por sí solo no convierte todo encargo en ese supuesto. La protección incluye copias de seguridad y restauración, además del equipo que genera las respuestas. RGPD, artículos 6, 28, 32 y 35.

La AEPD distingue la memoria funcional del agente y los registros de gestión. Recomienda controlar ambas, permitir su administración y separar información por tratamiento, caso o usuario. Un asistente no debería recuperar un expediente de otra persona porque comparte la misma base documental. El EDPB recuerda, además, que la anonimidad de un modelo se valora caso a caso. Ejecutarlo en la oficina o convertir documentos en embeddings no demuestra anonimización. Orientaciones de la AEPD · Criterios del EDPB.

La seguridad del agente también depende de sus permisos. Mistral documenta que archivos, webs y comentarios pueden introducir instrucciones maliciosas, y aconseja revisar la actividad y los cambios. Su 97,1 % de resistencia B3 publicado para Large 4 es un resultado declarado por el fabricante bajo unas pruebas concretas. No garantiza cada instalación o tarea. Inyección de instrucciones y controles · Evaluación comunicada por Mistral.

También importa la licencia: Large 4 utiliza Mistral Ecosystem Open-Weight License, una MIT modificada. Si la empresa o una afiliada opera un negocio de Model-as-a-Service, exige licencia comercial separada antes del uso comercial, con excepciones expresas para uso interno y productos oficiales de Mistral. La definición excluye productos finales con el modelo integrado en funciones específicas. Ofrecer una herramienta a clientes requiere comprobar cómo encaja en ese texto. Licencia original.

El calendario del AI Act cambió en 2026: las obligaciones de alto riesgo del anexo III pasan al 2 de diciembre de 2027 y las de sistemas integrados en productos al 2 de agosto de 2028. Las reglas de transparencia pertinentes ya se aplican, con transiciones específicas para ciertos marcados técnicos. El uso local conserva las obligaciones que correspondan al sistema y su finalidad. Reforma de 2026 · Transparencia vigente.

Prepararíamos entre veinte y treinta encargos representativos con el mismo material y criterios de aceptación para cada opción. Un hotel puede contrastar procedimientos internos y redactar una respuesta con su referencia; una agencia, extraer requisitos de un briefing; una inmobiliaria, comprobar superficies y condiciones entre documentos. Son ejemplos de pruebas propuestas por HocusPocus. En programación mediríamos también que el cambio se pueda integrar y que conserve los comportamientos existentes.

El registro útil reúne entrega aceptada, error grave, coste de todos los pasos y minutos de revisión. Un piloto puede combinar un modelo local para clasificar información interna y una API más capaz para encargos autorizados y complejos. Elegiríamos esa combinación solo si los resultados y el recorrido de los datos justifican la complejidad. Para ampliar la comparación, puedes consultar nuestras guías de OpenAI y ChatGPT, Grok, Gemini Carbon y Google y IA local en la empresa.

Fuentes y método. Consulta del 10 de noviembre de 2026. Comparamos documentación de los proveedores, licencias, organismos europeos y evaluadores originales. Cada gráfico conserva su prueba, unidad y configuración; una puntuación de rúbrica o de pruebas funcionales no equivale a una entrega perfecta. Los cálculos de memoria y ejemplos económicos son elaboración propia y no proceden de una instalación medida por HocusPocus. Las ilustraciones son originales y generadas con IA. Los modelos, precios y condiciones pueden cambiar.