Di la misma investigación de compra a seis IA: no encontraron el mismo Internet
ChatGPT, Gemini, DeepSeek, Grok, Meta AI y Mistral debían decidir si reemplazar un iPhone 16. Su consenso oculta precios contradictorios, variantes regionales olvidadas y una lección más amplia sobre la fiabilidad de la búsqueda web por LLM. Fecha de publicación: 16 de septiembre de 2026
¿Existe hoy un smartphone lo suficientemente mejor que un iPhone 16 como para justificar reemplazarlo?
La pregunta parece trivial. No lo era.
El 16 de septiembre de 2026, sometí esencialmente el mismo pliego de condiciones a seis asistentes IA: ChatGPT, DeepSeek, Grok, Gemini, Meta AI y Mistral. No un prompt de tres líneas pidiendo «el mejor teléfono del momento», sino una verdadera investigación de compra: mercado francés, compacidad, precios reales, autonomía, rendimiento, foto, privacidad, seguridad, reparabilidad, soporte software, GrapheneOS, coste tras reventa y posibilidad explícita de que la mejor decisión sea simplemente no comprar nada.
Los seis sistemas tenían acceso a la Web. Debían priorizar a los fabricantes, cruzar tests, verificar variantes europeas, buscar contraargumentos y reconocer la información que no lograban confirmar.
El resultado es más interesante que el propio smartphone.
Cinco de seis IA acabaron aconsejando conservar el iPhone 16.
Y sin embargo, manifiestamente no todas habían investigado el mismo mercado.
Un Galaxy S26 podía valer 600 €, 750 € o más de 1 000 €. El mismo Galaxy S26 francés tenía un Snapdragon en una respuesta y un Exynos en otra. Algunos asistentes habían integrado el Pixel 11 salido recientemente; otros parecían seguir viviendo en la época del Pixel 9 o del Pixel 10. Varios producían porcentajes muy precisos sobre la compatibilidad de GrapheneOS sin que existiera realmente un conjunto de datos correspondiente.
Lo más inquietante no era que se equivocaran.
Era que sus errores se parecían a menudo exactamente a información verificada.
El smartphone no era más que un pretexto
Hay que precisar lo que mide este experimento y lo que no mide.
No es un benchmark científico de la «inteligencia» intrínseca de seis modelos. Las versiones exactas, motores de búsqueda, sistemas de navegación, índices, cachés, herramientas internas y estrategias de selección de fuentes pueden diferir. Una nueva ejecución al día siguiente podría producir también otros resultados.
El experimenta mide algo más concreto: la calidad del sistema completo que encuentra realmente un usuario cuando confía hoy una decisión compleja a una IA conectada a la Web.
Y el teléfono constituye un excelente test de estrés.
Para responder correctamente, hay que simultáneamente:
- conocer la fecha exacta;
- descubrir los productos muy recientes;
- reconocer las variantes vendidas en Francia;
- distinguir precio de fabricante, promoción, marketplace e importación;
- comparar medidas obtenidas con protocolos diferentes;
- entender temas de software como GrapheneOS;
- resistir la tentación de rellenar los datos faltantes;
- y, sobre todo, ser capaz de concluir que una compra quizá no sea necesaria.
Ya no basta, pues, con «encontrar páginas».
Hay que entender lo que realmente demuestran.
Primer resultado sorprendente: casi todas las IA se niegan a vender un teléfono
El iPhone 16 usado como referencia mide oficialmente 147,6 × 71,6 × 7,8 mm para 170 g, con una pantalla OLED de 6,1 pulgadas y un chip A18.
El reto era, pues, severo: encontrar una mejora lo bastante importante sin transformar un teléfono compacto en un ladrillo de más de 200 gramos.
DeepSeek, Grok, Gemini, Meta AI y ChatGPT convergen finalmente hacia la misma idea: ningún candidato aporta una mejora global bastante evidente como para tornar el reemplazo indispensable.
El principal reproche recurrente contra el iPhone 16 es su pantalla limitada a 60 Hz. En este punto, el mercado Android compacto y el iPhone 17 ofrecen una ganancia inmediatamente perceptible.
El iPhone 17 dispone efectivamente de una pantalla ProMotion que alcanza 120 Hz, un chip A19, 256 GB como mínimo y sigue siendo razonablemente compacto con 149,6 × 71,5 × 7,95 mm para 177 g.
Samsung hace aún mejor en encumbramiento: el Galaxy S25 pesa solo 162 g y mide 146,9 × 70,5 × 7,2 mm. El S26 sube ligeramente a 167 g y 149,6 × 71,7 × 7,2 mm.
Pero pasar de «mejor en varios criterios» a «suficientemente mejor para vender un teléfono reciente que ya funciona» es otra cuestión.
Es precisamente ahí donde los razonamientos empiezan a divergir.
El mismo Galaxy S26 cuesta entre 599 y 1 002 euros
El precio es probablemente el mejor ejemplo de todo el experimento.
En el momento de esta investigación, Idealo referencia el Galaxy S26 256 GB negro a partir de 599,69 €. Esta información es real.
También es peligrosamente incompleta.
Las ofertas más baratas visibles en el comparador provienen de marketplaces. Idealo indica, por ejemplo, vendedores con evaluaciones de 1,6/5, 1,0/5 u 1,1/5.
Mientras tanto, Fnac muestra el mismo Galaxy S26 256 GB a 1 002 € vendido directamente, con ofertas de vendedores terceros que empiezan alrededor de 753 €.
Otra referencia de Idealo muestra incluso a Samsung Francia a 799 € para una variante 256 GB.
Así, las frases siguientes pueden estar todas acompañadas de una fuente web real:
El Galaxy S26 cuesta unos 600 €.
El Galaxy S26 cuesta unos 800 €.
El Galaxy S26 cuesta unos 1 000 €.
El problema ya no es la búsqueda de información.
El problema es saber qué precio responde realmente a la pregunta del usuario.
Un precio suelo chez un comerciante marketplace muy mal evaluado no tiene el mismo valor decisional que un precio de fabricante o una venta directa por una gran enseña. Sin embargo, para un LLM que extrae simplemente el número más bajo de una página de comparación, pueden parecer intercambiables.
Y esta diferencia es lo bastante importante como para revertir una recomendación entera.
Mistral ilustra perfectamente este efecto mariposa
Mistral constituye la excepción del experimento.
Donde los cinco otros sistemas se inclinan hacia «guarda el iPhone», su respuesta empuja mucho más claramente al cambio.
Este desacuerdo parece espectacular hasta que se examinan las hipótesis.
Mistral trabaja notamment con precios extremadamente agresivos para varios Android, combinados con un valor de reventa relativamente alto del iPhone 16. En este escenario, comprar un Galaxy S25 revendiendo el iPhone puede volverse casi neutro financieramente, e incluso rentable.
A partir de ahí, el veredicto es lógico.
Pero depende enormemente de la solidez del precio de entrada.
El S25 aporta él mismo un buen ejemplo. Darty muestra actualmente una oferta nueva a 549 €, pero su propia venta directa aparece a 902 € en otra ficha, mientras que la oferta a 549 € proviene de un vendedor tercero.
La pregunta no es, pues, solo:
«¿Existe este precio?»
Se vuelve:
«¿Puedo realmente recomendar a alguien basar una decisión de varios cientos de euros en esta oferta precisa?»
El matiz parece minúsculo. Cambia el veredicto.
Grok encontró el buen teléfono… con el mal chip
Otro tipo de error: la variante regional.
Grok identifica correctamente el Galaxy S26 como uno de los raros competidores Android capaces de acercarse al formato del iPhone 16.
Pero su análisis le atribuye un Snapdragon 8 Elite Gen 5.
Para un comprador francés, es un problema.
Samsung Francia indica explícitamente que el Galaxy S26 y el S26+ usan el Exynos 2600, mientras que el S25 anterior usaba efectivamente el Snapdragon 8 Elite for Galaxy.
No es un error cosmético.
Cambiar de SoC puede afectar:
- rendimiento CPU y GPU;
- consumo;
- comportamiento térmico;
- autonomía;
- rendimiento sostenido.
Una IA puede, pues, comparar correctamente «el Galaxy S26» en apariencia mientras analiza, en los hechos, un aparato que no es el que se vende al usuario.
Es una forma particularmente interesante de alucinación moderna: el producto existe, el chip existe, la asociación existe quizá en otra región pero el conjunto se vuelve falso solo por el contexto geográfico.
Algunos modelos ya habían fallado el mercado del 16 de septiembre
El experimento interviene en una fecha particularmente cruel para un motor de búsqueda imperfecto.
El Google Pixel 11 ya está comercializado en Francia a partir de 999 €. Google confirma un chip Tensor G6, un coprocesador de seguridad Titan M3 y más de 30 horas de autonomía según su protocolo.
Pocos días antes, el 9 de septiembre, Apple había presentado oficialmente el iPhone 18 Pro. Las preórdenes empezaron el 12 de septiembre, con disponibilidad en Francia anunciada para el 18 de septiembre y una tarifa a partir de 1 479 €.
Estos dos productos no son necesariamente las mejores opciones para la misión.
No es el punto.
Una investigación que pretende representar el estado del mercado al 16 de septiembre de 2026 debe al mínimo saber que existen.
ChatGPT los había integrado. Varios competidores, no.
Esta diferencia no prueba que un modelo sea «más inteligente». Muestra sobre todo que en materia de búsqueda actual, la frescura forma parte de la verdad.
Una respuesta técnicamente impecable sobre el mercado de julio puede ser una mala respuesta en septiembre.
Hasta Apple puede contradecir a Apple
Se podría creer que el problema desaparece en cuanto se imponen fuentes oficiales.
El iPhone 17 demuestra lo contrario.
En su lanzamiento el 9 de septiembre de 2025, Apple anunciaba oficialmente un precio francés a partir de 969 €. Este valor existe siempre en el comunicado de prensa de Apple.
Una página Apple Business francesa muestra también el iPhone 17 256 GB a 969 €.
Pero la tienda Apple grand público actualmente indexada muestra 1 119 €.
Mismo dominio. Mismo fabricante. Mismo teléfono. Dos importes diferentes.
«Usar la fuente oficial» no es, pues, una estrategia suficiente.
Hay que determinar aún:
- cuándo se publicó la página;
- a qué público se dirige;
- si representa un precio de lanzamiento o un precio actual;
- si la oferta sigue siendo aplicable;
- y qué contexto corresponde realmente a la pregunta.
La procedencia de una información y su pertinencia temporal son dos problemas diferentes.
Gemini muestra por qué la precisión puede ser una ilusión
Gemini es probablemente el caso más fascinante del lote.
Su respuesta posee todo lo que inspira espontáneamente confianza en un informe:
tablas abundantes, escenarios, scores ponderados, valores numéricos, proyecciones financieras, autonomía detallada, evaluaciones de privacidad y decenas de referencias.
Visualmente, es casi un informe de gabinete de consultoría.
Es precisamente la trampa.
Ciertas afirmaciones son sólidas. Otras adquieren una precisión que los datos disponibles no permiten.
El caso GrapheneOS es particularmente revelador.
Números como «70 % de las aplicaciones bancarias compatibles» dan una impresión de medida estadística. Sin embargo, GrapheneOS no publica un dataset oficial que permita transformar la compatibilidad bancaria mundial en tal ratio.
La documentación del proyecto adopta una formulación mucho más prudente: las aplicaciones que usan Play Integrity pueden rechazar los sistemas alternativos a Android certificado por Google, salvo si sus desarrolladores eligen explícitamente soportar una atestación compatible.
Las dos formulaciones no son equivalentes.
«Ciertas aplicaciones pueden no funcionar» parece menos impresionante que un porcentaje.
Pero cuando el porcentaje no está medido, la frase vaga es en realidad más exacta.
Es la falsa precisión: transformar una incertidumbre mal cuantificada en una cifra limpia, tranquilizadora y memorizable.
Un LLM puede parecer entonces más científico precisamente en el momento en que se vuelve menos riguroso.
GrapheneOS era la trampa ideal
El tema concentraba casi todas las dificultades del experimento.
¿Se puede instalar la Play Store?
Sí.
GrapheneOS propone una capa de compatibilidad que permite usar las versiones oficiales de los servicios de Google en el sandbox Android normal, con privilegios reducidos en vez del acceso especial al sistema del que disponen generalmente. Su documentación describe explícitamente este «Sandboxed Google Play».
¿Hay que dejar el bootloader desbloqueado?
No: la instalación normal de GrapheneOS prevé, por el contrario, su rebloqueo para conservar la cadena de arranque verificada.
¿Todos los Pixel son compatibles?
Tampoco.
La lista oficial de septiembre de 2026 incluye notamment los Pixel 10, 10 Pro, 10 Pro XL, 10 Pro Fold y 10a, pero no la gama Pixel 11.
¿Y Google Wallet?
El pago NFC vía Google Wallet sigue siendo problemático porque GrapheneOS no satisface el modelo de certificación esperado por Google para esta función. Soluciones alternativas pueden existir según el país y el proveedor, pero su disponibilidad no debe extrapolarse automáticamente.
Es exactamente el tipo de dominio donde una IA entrenada para producir una respuesta completa es tentada de rellenar los agujeros.
Y cada agujero rellenado aumenta la probabilidad de producir una respuesta más agradable pero menos verdadera.
Meta AI: cuando un orden de grandeza se vuelve estadística
Meta AI encuentra un problema vecino.
Su respuesta contiene buenas intuiciones. Detecta notamment el Galaxy S25, que constituye un candidato particularmente lógico: sigue siendo extremadamente compacto, tiene una pantalla 120 Hz y ya beneficia de una fuerte depreciación respecto a su posicionamiento inicial.
Pero ciertos elementos sobre GrapheneOS se vuelven demasiado afirmativos, notamment cuando una compatibilidad bancaria aproximada se expresa en forma de porcentaje.
Es un defecto frecuente de los sistemas generativos: tomar una tendencia salida de testimonios comunitarios «muchas aplicaciones parecen funcionar» y transformarla progresivamente en información cuantitativa.
En cada etapa, la frase se vuelve más utilizable.
Se vuelve también más difícil de defender.
DeepSeek: una buena decisión con un mercado incompleto
DeepSeek produce probablemente uno de los razonamientos económicos más sanos del experimento.
Entiende que la verdadera comparación no es:
iPhone 16 contra mejor smartphone disponible.
Sino:
coste y beneficio del reemplazo contra valor de conservar lo que ya se posee.
Es una distinción esencial.
Toma en cuenta la reventa, reconoce el interés específico de GrapheneOS para un usuario que privilegia la privacidad y acepta que un smartphone pueda ser mejor técnicamente sin justificar financieramente un cambio.
Su principal problema está en otra parte: la cobertura del mercado.
La ausencia de candidatos tan pertinentes como el Galaxy S25, y sobre todo de novedades muy recientes como el Pixel 11, reduce el alcance de la investigación.
Esto muestra que un razonamiento puede ser coherente mientras trabaja sobre un conjunto de datos incompleto.
Es un error menos espectacular que una alucinación.
Puede, sin embargo, modificar una decisión igual de bien.
ChatGPT sobre todo resistió mejor la tentación de responder
En esta ejecución precisa, ChatGPT produjo la investigación más robusta del grupo.
No porque cada dato fuera correcto.
Su tratamiento inicial del precio del Galaxy S26 muestra precisamente una debilidad: retener un suelo alrededor de 600 € sin separar suficientemente los marketplaces dudosos de los vendedores recomendables daba demasiado peso a una oferta cuya calidad comercial era mediocre.
Su diferencia más interesante estaba en otra parte.
Estaba más dispuesto a escribir:
- medida independiente insuficiente;
- precio a verificar;
- datos difícilmente comparables;
- aplicación bancaria no confirmada;
- información desconocida.
Eso parece casi banal.
En un sistema generativo, no lo es.
Una IA es recompensada, en la práctica, por su utilidad percibida. Una casilla vacía parece una debilidad. Una cifra parece una respuesta.
Sin embargo, en una investigación, negarse a inventar la casilla faltante es una capacidad.
Seis respuestas, seis modos de fallo
Lo más útil no es, en definitiva, clasificar los modelos en una línea.
Cada uno expone un riesgo diferente.
| Sistema | Debilidad particularmente visible en este experimento |
|---|---|
| ChatGPT | Puede encontrar un precio real sin penalizar suficientemente la mala calidad del vendedor |
| DeepSeek | Razonamiento coherente sobre un mercado parcialmente incompleto |
| Grok | Mala localización regional de una característica material |
| Gemini | Precisión numérica superior a la calidad real de las pruebas |
| Meta AI | Transformación de informaciones comunitarias en generalizaciones demasiado afirmativas |
| Mistral | Veredicto muy dependiente de precios frágiles y varias afirmaciones técnicas insuficientemente verificadas |
Esta tabla no constituye una clasificación universal.
Cambiar de pregunta podría modificar completamente el orden.
Revela algo más interesante: «alucinar» ya no es una categoría de error lo bastante precisa para describir los LLM conectados a la Web.
Ahora pueden fallar encontrando una información auténtica.
Encontrar una página verdadera puede llevar a una respuesta falsa
Es quizá la evolución más importante desde la llegada de la búsqueda Web en los asistentes IA.
La alucinación clásica era fácil de conceptualizar: el modelo inventaba un hecho o una fuente.
Hoy, el problema se vuelve más sutil.
El modelo puede encontrar:
- una ficha de producto verdadera;
- un precio verdadero;
- un benchmark verdadero;
- una documentación verdadera;
- un comentario verdadero;
- un comunicado oficial verdadero.
Para luego producir una mala conclusión porque esta información concernía:
- otra fecha;
- otra región;
- un vendedor poco recomendable;
- otra metodología;
- una versión antigua;
- un caso particular transformado en regla general.
La cita no suprime, pues, el error.
Puede incluso volverlo más convincente.
Una frase falsa acompañada de un enlace real es psicológicamente mucho más difícil de impugnar que una frase falsa sin fuente.
El número de fuentes es un muy mal sustituto de su calidad
Una respuesta con cincuenta referencias puede parecer más seria que una con diez.
No garantiza casi nada.
Para cada cita, habría idealmente que poder responder a cuatro preguntas:
- ¿La fuente dice realmente lo que la IA le hace decir?
- ¿Es lo bastante reciente para la pregunta?
- ¿Concierne al buen país, producto y escenario?
- ¿La conclusión sobrepasa lo que la fuente permite afirmar?
Es extremadamente costoso verificarlo manualmente.
Y es precisamente por qué los agentes de búsqueda son seductores: prometen realizar este trabajo en nuestro lugar.
El paradoja está ahí.
Más la búsqueda se vuelve compleja, más la IA aporta valor.
Pero más aporta valor, más se vuelve difícil para el usuario controlar íntegramente su trabajo.
Los benchmarks agravan aún el problema
El smartphone añade otra trampa: los rendimientos.
Un LLM puede recuperar fácilmente Geekbench, AnTuTu, 3DMark, tests GPU, tests IA y algunas temperaturas.
Puede luego calcular:
«A es 34 % más rápido que B.»
Matemáticamente, la división es correcta.
Científicamente, la conclusión puede ser absurda.
Dos scores pueden diferir por:
- versión del benchmark;
- API Metal o Vulkan;
- temperatura ambiente;
- modo rendimiento;
- duración del test;
- número de bucles;
- sistema de explotación;
- resolución;
- throttling;
- variante regional del SoC.
El problema no es, pues, saber si el LLM sabe calcular un porcentaje.
Debe saber si el porcentaje merece ser calculado.
El consenso de las IA no es una prueba
Cinco asistentes de seis recomiendan finalmente conservar el iPhone 16.
Puede dar ganas de hablar de consenso.
Pero cinco modelos pueden compartir:
- las mismas páginas;
- los mismos comparadores;
- los mismos datos de entrenamiento;
- los mismos hábitos de razonamiento;
- o simplemente la misma intuición económica evidente.
El número de modelos de acuerdo no es, pues, equivalente al número de pruebas independientes.
Este experimento contiene incluso un ejemplo más inquietante: varios asistentes pueden llegar a la buena decisión con hechos intermedios diferentes o incorrectos.
Dicho de otro modo:
una conclusión justa no valida retroactivamente su razonamiento.
Es probablemente la razón por la que evaluar los asistentes solo sobre su respuesta final se vuelve insuficiente en cuanto se les confía decisiones reales.
El error más peligroso no es necesariamente la alucinación
Una alucinación grosera puede ser detectada.
Un valor preciso en una tabla de veinte líneas, acompañado de tres fuentes, lo es mucho menos.
La salida más peligrosa no es, pues, necesariamente la que parece mala.
Es a veces la que posee todos los atributos visuales del rigor:
tablas, decimales, referencias, scores, categorías y vocabulario técnico.
Un lector puede confundir fácilmente densidad informacional y densidad de pruebas.
Las dos no son sinónimas.
El verdadero benchmark debería medir la calibración
Los LLM modernos son ya extraordinariamente útiles para este tipo de investigación.
En pocos minutos, pueden:
- construir un universo de candidatos;
- recorrer decenas de características;
- identificar compromisos olvidados;
- descubrir productos que el usuario no conocía;
- acercar seguridad, coste, autonomía y ergonomía;
- estructurar una decisión mucho más rápido que una búsqueda manual.
Este experimento no muestra, pues, que habría que dejar de usarlos para buscar.
Sugiere otra cosa.
Quizá evaluamos la mala calidad.
Los benchmarks piden generalmente:
¿Conoces la buena respuesta?
Para la búsqueda Web, una pregunta adicional se vuelve indispensable:
¿Sabes reconocer la fuerza real de las pruebas que te autorizan a responder?
La mejor salida no es entonces necesariamente la que contiene más informaciones.
Es la que sabe mantener cuatro categorías distintas:
lo que está verificado; lo que se atribuye a una fuente; lo que se infiere razonablemente; lo que sigue siendo desconocido.
En mi experimento, la diferencia entre los sistemas se veía mucho más claramente en este punto que en su capacidad para recitar características de smartphones.
Y es probablemente ahí donde está la cuestión de los próximos agentes de búsqueda.
No solo recorrer más páginas.
No solo citar más fuentes.
Sino aprender a no transformar automáticamente cada vacío documental en respuesta.
Porque cuando una IA puede buscar casi todo en Internet, su aptitud más valiosa ya no es, quizás, saber.
Es saber cuándo no tiene aún suficientes pruebas para pretender saber.