Claude vs Gemini vs GPT: ¿qué LLM escoger para un chatbot de WhatsApp?

¿Por qué no todos los modelos sirven igual?

En 2026 hay tres familias de modelos de lenguaje que dominan el mercado comercial: Claude (Anthropic), Gemini (Google DeepMind) y GPT (OpenAI). Cualquiera de los tres puede alimentar un chatbot de WhatsApp, los tres entienden español, responden coherente, y tienen APIs estables. Pero "puede funcionar" y "es la decisión correcta" no son lo mismo.

Un chatbot de WhatsApp tiene restricciones específicas que no aparecen en una demo: tu cliente espera respuesta en menos de 3 segundos, cada mensaje le cuesta plata a tu negocio, tiene que entender modismos colombianos, debe llamar a APIs externas (tu CRM, tu calendario) de forma confiable, y no puede alucinar información crítica como precios o disponibilidad. Estas restricciones descartan modelos que en otros contextos serían la respuesta obvia.

¿Qué importa para un chatbot de WhatsApp?

Nosotros evaluamos cada modelo contra cuatro dimensiones cuando un cliente nos pide construir un bot:

• Latencia, tiempo entre que el usuario manda un mensaje y recibe respuesta. Por debajo de 2 segundos se siente natural. Por encima de 5 segundos el usuario asume que el bot se rompió y manda el mensaje otra vez.
• Costo por mensaje, cuánto te cuesta cada conversación. Los modelos cobran por tokens de entrada + tokens de salida. Para un bot que maneja 500 conversaciones al día, la diferencia entre un modelo "caro" y uno "económico" puede ser la diferencia entre rentable y ruinoso.
• Calidad en español (con modismos), responder bien en español de libro no es suficiente. Un cliente te va a escribir "qué es el parcero", "cuánto me sale", "está muy caro eso", el bot tiene que entender el registro coloquial y responder en el mismo tono.
• Function calling / herramientas, qué tan confiable es el modelo llamando a tus APIs (buscar disponibilidad, crear una cita, registrar un lead). Un modelo que "olvida" pasar parámetros o inventa estructuras JSON es inutilizable para flujos de negocio.

¿Cómo se comporta Claude (Anthropic)?

Claude 4.5 / 4.6 es el modelo con el que Anthropic cambió las reglas del juego en calidad de razonamiento. Para un chatbot de WhatsApp, sus fortalezas principales son:

• Español matizado. Claude entiende registro coloquial colombiano sorprendentemente bien, mucho mejor que la mayoría de sus competidores con instrucciones mínimas. Pide el tono y lo ejecuta.
• Instrucciones del sistema con alta fidelidad. Si tu prompt de sistema dice "nunca hables de precios sin llamar a la API de productos primero", Claude respeta esa regla mucho mejor que los demás. Esto importa cuando estás vendiendo servicios caros y un error del bot cuesta dinero real.
• Prompt caching nativo. Si tu prompt de sistema tiene 3000 tokens explicando tu negocio, catálogo y reglas, Anthropic cachea esa entrada y paga una fracción en conversaciones siguientes. Bajan dramáticamente los costos a volumen.

Contras: la API de Anthropic no está disponible de forma nativa en todas las regiones sin rodeos. La latencia de Claude (sin streaming) está en el rango de 1.5-3 segundos para respuestas cortas, aceptable pero no la más rápida. Y el costo por token es más alto que Gemini Flash.

¿Cómo se comporta Gemini 2.5 Flash (Google)?

Gemini 2.5 Flash es el modelo que usamos para el chatbot de Génesis 11:6 y es nuestro default actual para PyMEs en Colombia. Razones:

• Latencia ultra-baja. Respuestas en menos de 1.5 segundos para prompts medianos. El usuario siente que está hablando con alguien, no esperando.
• Costo por mensaje bajísimo. A volumen de cientos de conversaciones al día, Gemini Flash sale mucho más barato que las alternativas. En un bot donde cada mensaje genera pocos tokens (saludo, pregunta, respuesta corta), la diferencia en costo mensual puede ser 3-5x.
• Calidad en español suficiente. No es tan matizado como Claude en registro coloquial, pero con un prompt de sistema bien escrito responde en el tono correcto. Para el 80% de casos de uso de WhatsApp, la calidad es más que suficiente.
• Function calling estable. Gemini devuelve JSON estructurado confiablemente y llama a herramientas con la misma fidelidad que GPT-4o.

Contras: en razonamiento complejo o conversaciones largas con múltiples temas entrelazados, Claude y GPT-4 siguen siendo mejores. Si tu bot tiene que mantener contexto de una conversación de 20 turnos sobre decisiones técnicas, Gemini Flash se pierde antes.

¿Cómo se comporta GPT-4o / 4o-mini (OpenAI)?

El ecosistema de OpenAI sigue siendo el más maduro en 2026. Para chatbots de WhatsApp:

• GPT-4o-mini es el competidor directo de Gemini Flash. Latencia similar, costo comparable, calidad levemente superior en algunos benchmarks de español.
• GPT-4o (el modelo "grande") tiene la mejor calidad promedio en razonamiento abierto, pero el costo por mensaje lo hace inviable para volúmenes altos de conversaciones.
• Function calling es donde OpenAI nació, el soporte para herramientas, assistants, threads y estado persistente es el más maduro del mercado. Si tu bot es parte de un flujo complejo con estado entre sesiones, OpenAI ahorra trabajo.
• Ecosistema de librerías. Casi todo lo relacionado con LLMs en JavaScript y Python asume OpenAI primero. Usar GPT acelera el desarrollo inicial.

Contras: el costo marginal por mensaje en GPT-4o es el más alto de los tres. Y si eres muy sensible a la privacidad de los datos del cliente, las políticas de retención de OpenAI históricamente han sido menos claras que las de Anthropic.

¿Cómo decidimos en un proyecto real?

Nuestra decisión sigue un árbol simple:

1. ¿Volumen esperado > 500 conversaciones/día? Si sí, Gemini 2.5 Flash por defecto. El ahorro en costo por mensaje domina la decisión.
2. ¿El bot toma decisiones con riesgo financiero o médico? Si sí, Claude por defecto, la fidelidad a las instrucciones del sistema es la que más importa. (Es exactamente por eso que recomendamos Claude para casos que involucran consejos sensibles.)
3. ¿El bot forma parte de un flujo con estado persistente multi-sesión? Si sí, GPT-4o-mini. Los Assistants API de OpenAI ahorran semanas de trabajo en ese caso.
4. ¿Ninguna de las anteriores? Gemini 2.5 Flash por la latencia y el costo.

Una nota importante: no hay que casarse con un modelo. Nosotros escribimos la capa del bot de forma que cambiar de proveedor sea un cambio de configuración, no un reescribir. Si mañana un modelo nuevo de cualquier proveedor cambia la economía, el cliente puede migrar en horas, no en semanas.

Conclusión: el marco de decisión

Resumen en una frase por modelo:

• Claude, el mejor cuando la calidad de las instrucciones importa más que el costo. Español matizado, fidelidad alta, razonamiento sólido.
• Gemini 2.5 Flash, el mejor por defecto para PyMEs con volumen alto. Rápido, económico, "suficientemente bueno" en casi todo.
• GPT-4o-mini, el mejor cuando quieres un ecosistema maduro de herramientas y estado persistente. Calidad alta, tooling ganador.

Ningún modelo es "el mejor" en abstracto. La pregunta correcta es qué optimizas: latencia, costo, fidelidad, o ecosistema. Nosotros usamos los tres en diferentes clientes porque los clientes optimizan cosas distintas.