COMPARACIÓN DE LA CALIDAD DEL ASESORAMIENTO ENTRE DIFERENTES INTELIGENCIAS ARTIFICIALES ACCESIBLES VÍA NAVEGADORES WEB
DOI:
https://doi.org/10.61530/redtis.vol9.n1.2025.265Palabras clave:
ChatGPT, DeepSeek, Gemini, inteligencia artificial, Kimi, modelos generativosResumen
Este estudio compara el desempeño, capacidades y limitaciones de cuatro modelos de inteligencia artificial generativa ampliamente utilizados: ChatGPT, Google Gemini, DeepSeek y Kimi. La evaluación se basó en criterios como arquitectura, seguridad de datos, acceso a información, precisión, capacidades lingüísticas, experiencia de usuario y restricciones éticas. La metodología combinó el análisis de respuestas directas a un conjunto estandarizado de preguntas con una revisión documental técnica. Los resultados revelan diferencias significativas en el enfoque de cada modelo: ChatGPT sobresale en razonamiento contextual y equilibrio ético; Gemini, en acceso a información e integración con servicios Google; DeepSeek, en eficiencia computacional y análisis técnico; y Kimi, en adaptación cultural al mercado asiático y alineación política con su entorno. La investigación concluye que no existe un modelo "mejor" de manera universal, sino que la elección óptima depende del propósito de uso específico.
Referencias
[1] J. Baines, R. Dalal, L. Ponce y H.-C. Tsai, «Advice from artificial intelligence: a review and practical implications,» 07 octubre 2024. [En línea]. Available: https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2024.1390182/full.
[2] R. J. Deriu, O. A. Echegoyen y R. S. Aguirre, «Survey on evaluation methods for dialogue systems. Artificial Intelligence Review,» 25 junio 2020.
[3] M. A. Benavides Lara y V. J. Rendon Cazales, «Presencia y uso de la inteligencia artificial generativa en la Universidad Nacional Autónoma de México,» Revista Digital Universitaria, vol. 26, nº 1, p. 16, Enero 2025.
[4] D. Akiba y M. Fraboni, «AI-Supported Academic Advising: Exploring ChatGPT’s Current State and Future Potential toward Student Empowerment,» 27 julio 2023.
[5] N. Almusharraf, «Google Gemini as a next generation AI educational tool: a review of emerging educational technology - Smart Learning Environments,» 23 May 2024.
[6] M. Soori y R. Dastres, «AI-based decision support systems in Industry 4.0, a review,» ScienceDirect, vol. 04, p. 20.
[7] H. F. Vallejo Ballestero y R. E. Aguilar Pazos, «La inteligencia artificial generativa como recurso didáctico en la educación superior. Una revisión sistemática,» ReciMundo, vol. 9, nº 2, p. 15, 07 05 2025.
[8] O. Lopez Solis y A. Luzuriaga Jaramillo, «Effect of Generative Artificial Intelligence on Strategic Decision-Making in Entrepreneurial Business Initiatives: A Systematic Literature Review,» MDPI, vol. 15, nº 2, p. 25, 13 02 2025.
[9] J. C. Valdes Ahuatzi, «Implementación de un asesor académico digital usando inteligencia artificial generativa,» Alianzas y Tendencias BUAP, vol. 59, nº 73, p. 15, 26 02 2025.
[10] M. F. Shahzad y S. Xu, «ChatGPT awareness, acceptance, and adoption in higher education: the role of trust as a cornerstone - International Journal of Educational Technology in Higher Education,» 31 July 2024.
[11] A. Choudhury, Y. Shahsavar y H. Shamszare, «User Intent to Use DeepSeek for Healthcare Purposes and their Trust in the Large Language Model: Multinational Survey Study,» 18 02 2025.
[12] Kimi Team, «Kimi K2: Open Agentic Intelligence,» vol. Vol.1, 28 julio 2025.
[13] L. Percy, B. Rishi, L. Tony, T. Dimitris, S. Dilara, Y. Michihiro, Z. Yian y N. Deepak, «Holistic Evaluation of Language Modelsx,» Arxiv, vol. v2, nº https://doi.org/10.48550/arXiv.2211.09110, p. 162, 2022.
[14] L. Stephanie, H. Jacob y E. Owain, «TruthfulQA: Measuring How Models Mimic Human Falsehoods,» Arvix, vol. v1, nº https://doi.org/10.48550/arXiv.2109.07958, p. 39, 2021.
[15] K. Jan, C. Igor, K. Oliwier, K. Mateusz y S. Dominika, «ChatGPT: Jack of all trades, master of none,» Arvix, vol. v1, nº https://doi.org/10.1016/j.inffus.2023.101861, p. 46, 2023.
[16] G. Suyu, L. Xihui, Z. Yunan, H. Jiawei y P. Hao, «A Little Goes a Long Way: Efficient Long Context Training and Inference with Partial Contexts,» Arvix, vol. v1, nº https://doi.org/10.48550/arXiv.2410.01485, p. 14, 2024.
[17] L. Yucheng, D. Bo, L. Chenghua y G. Frank, «Compressing Context to Enhance Inference Efficiency of Large Language Models,» Arvix, vol. v1, nº https://doi.org/10.48550/arXiv.2310.06201, p. 12, 2023.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Jacinto Leonardo Caro Morales, Mitzi Narumy Pérez González, Daniel León Neriz, Francisco Daniel Caro Morales
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
This is a human-readable summary of (and not a substitute for) the license.
Advertencia.
Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar — remezclar, transformar y crear a partir del material
El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia.
Bajo las condiciones siguientes:
Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios<. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
NoComercial — No puede utilizar el material para una finalidad comercial.
CompartirIgual — Si remezcla, transforma o crea a partir del material, deberá difundir sus contribuciones bajo la misma licencia que el original.
No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
Avisos:
No tiene que cumplir con la licencia para aquellos elementos del material en el dominio público o cuando su utilización esté permitida por la aplicación de una excepción o un límite.
No se dan garantías. La licencia puede no ofrecer todos los permisos necesarios para la utilización prevista. Por ejemplo, otros derechos como los de publicidad, privacidad, o los derechos morales pueden limitar el uso del material.
Cómo citar
