Una respuesta con 30 fuentes puede parecer más confiable que una con diez. El problema es que cantidad de citas, calidad de las fuentes y respaldo fáctico no son lo mismo.
ChatGPT, Claude, Gemini y Perplexity ahora ofrecen capacidades de búsqueda web capaces de producir respuestas documentadas o basadas en fuentes. Pero la presencia de un enlace no actúa como sello de verificación. Un estudio publicado en mayo de 2026 encontró una diferencia importante: los modelos de frontera probados mantenían más del 94 % de los enlaces válidos y más del 80 % de la relevancia temática, mientras que la tasa de afirmaciones realmente respaldadas por fuentes estaba entre el 39 % y el 77 %.
Entonces, para un trabajo verificable, la pregunta útil no es simplemente “¿qué IA cita más?” ¿Es: la fuente citada respalda exactamente la declaración hecha, es apropiada para ese hecho y se mantiene actualizada?
Todavía hay una limitación que debe hacerse explícita en esta comparación. Aquí no se realizó un experimento propio con entre 20 y 30 preguntas idénticas dentro de las cuatro interfaces comerciales. Los benchmarks disponibles tampoco sitúan las versiones actuales de ChatGPT, Claude, Gemini y Perplexity, en las mismas condiciones, en portugués brasileño y en la misma fecha. Los números a continuación sirven para identificar patrones y riesgos, no para declarar un ganador permanente.
Las cuatro plataformas llegaron a la búsqueda profunda por diferentes caminos.
La investigación profunda de ChatGPT te permite buscar en la web pública, archivos cargados y aplicaciones conectadas. El usuario puede revisar el plan antes de su ejecución e incluso restringir la búsqueda a sitios específicos o priorizar ciertos dominios. El informe final incluye citas o enlaces a fuentes y una sección con las referencias utilizadas.
Claude's Research está disponible en planes pagos y requiere la búsqueda web habilitada. Según la documentación de Anthropic, el sistema realiza múltiples consultas que están vinculadas entre sí y pueden combinar la web con un contexto interno conectado, como Gmail, Google Calendar y Google Docs. Las respuestas a la encuesta se entregan con citas verificables por el usuario.
En Gemini, Deep Research utiliza la Búsqueda de Google como fuente predeterminada, pero también puede funcionar con Gmail, Drive, archivos cargados y libretas NotebookLM. El servicio crea un plan de búsqueda editable antes de la ejecución. La documentación actual indica que una búsqueda suele tardar entre cinco y diez minutos y puede tardar más en el caso de tareas complejas.
Perplexity Research busca, lee múltiples fuentes y genera un informe de forma iterativa. Los usuarios gratuitos tienen acceso limitado, mientras que Pro amplía este uso. En julio de 2026, la empresa actualizó el recurso a Advanced Deep Research, indicando que ahora consulta más fuentes e información de referencias cruzadas.
| Herramienta |
Función útil para auditoría |
Lo que muestra la evidencia externa |
Límite de comparación |
| ChatGPT |
Plan editable, elección de fuentes y posibilidad de restringir o priorizar sitios. | En DeepResearch Bench, OpenAI Deep Research obtuvo una puntuación del 77,96 % en precisión de citas y 40,79 citas efectivas en la configuración probada. |
El punto de referencia es una instantánea de una configuración anterior, no de la interfaz actual en agosto de 2026. |
| Claude |
La investigación realiza búsquedas sucesivas y puede combinar la web y el contexto conectado. |
En otro estudio, Claude Opus 4.5 alcanzó el 76,8% en el criterio Fact Check; Otros modelos de Claude variaron. |
La prueba utilizó modelos en un agente estandarizado con búsqueda, no el producto actual de Claude Research. |
| Géminis |
Búsqueda de Google de forma predeterminada, fuentes seleccionables y plan de búsqueda editable. |
En DeepResearch Bench, Gemini 2.5 Pro Deep Research obtuvo un 81,44 % en precisión de citas y 111,21 citas efectivas. |
El gran volumen de fuentes no significa que cada afirmación esté igualmente bien respaldada. |
| Perplejidad |
Producto orientado a la investigación con acceso limitado gratuito e Investigación profunda avanzada actualizada en 2026. |
En DeepResearch Bench, Perplexity Deep Research obtuvo una puntuación del 90,24 % en precisión de citas y 31,26 citas efectivas. |
La versión actual del producto se modificó después de la configuración evaluada por el punto de referencia. |
Esta tabla no nos permite concluir que una herramienta es “97 % confiable” o que otra es objetivamente mejor. Incluso la definición de métricas cambia entre estudios.
Demasiadas citas y citas correctas son problemas diferentes
DeepResearch Bench es particularmente útil porque separa dos medidas. El primero es Citas efectivas, asociado al número de citas consideradas útiles. El segundo es Citation Accuracy, centrado en la precisión de la atribución. El benchmark reunió 100 tareas de nivel avanzado, en 22 áreas, 50 en inglés y 50 en chino.
En la configuración evaluada, Gemini 2.5 Pro Deep Research produjo un promedio de 111,21 citas efectivas, más de tres veces el número registrado por Perplexity Deep Research, que fue 31,26. Aun así, Perplexity tuvo la mayor precisión de citas entre los agentes de Deep Research en esa tabla: 90,24 %, en comparación con el 81,44 % de Gemini y el 77,96 % de OpenAI Deep Research.
Esto expone un error de evaluación común: contar enlaces.
Una herramienta puede traer más referencias y cubrir más puntos sin necesariamente hacer una atribución más precisa en cada oración. También es posible lo contrario: un informe más selectivo podría citar menos fuentes pero conectarlas mejor con las afirmaciones.
La prueba más importante ocurre después de hacer clic en la fuente
El trabajo “Cited but Not Verified”, publicado en arXiv el 7 de mayo de 2026, evaluó 14 modelos en 130 consultas de búsqueda. Para cada cita, los autores separaron tres preguntas: ¿funciona el vínculo? ¿El contenido es relevante para el tema? ¿Y la fuente realmente respalda la afirmación asociada con ella?
Es en la tercera pregunta cuando la apariencia de confiabilidad comienza a desmoronarse.
Claude Opus 4.5, por ejemplo, obtuvo una puntuación del 98,7 % en enlaces de trabajo y del 95,7 % en relevancia, pero del 76,8 % en Fact Check. GPT-5.4 alcanzó el 100% de enlaces funcionales y el 93,7% de relevancia, pero el 47,7% en Fact Check. Gemini 3.1 Pro registró 94,1%, 80,7% y 48,5% respectivamente.
Estos números no deben transferirse directamente a ChatGPT Deep Research, Claude Research o Gemini Deep Research. El estudio ubicó los modelos en un agente con su propia búsqueda y reglas para generar citas. Su aportación más útil es metodológica: enlace válido y página relacionada con el tema aún no prueban que esa página confirme los datos que se le atribuyen.
Este es precisamente el tipo de error que pasa desapercibido en una revisión rápida. El lector abre la referencia, reconoce una organización legítima, ve que el tema es similar y cierra el cheque. Para la auditoría, debe localizar el extracto que respalde el número, la fecha, la relación causal o la conclusión utilizada en el informe.
Investigar más también puede empeorar la síntesis
Otro resultado merece atención porque va en contra de la intuición de que más investigación siempre mejora una respuesta.
En el mismo estudio, los investigadores aumentaron progresivamente el número máximo de llamadas a herramientas para GPT-5.4 y Claude Opus 4.6, de dos a 150. En promedio, la precisión de Fact Check cayó aproximadamente un 42 % entre las profundidades de búsqueda más bajas y más altas, mientras que la validez y relevancia de los enlaces se mantuvieron altas.
En GPT-5.4, Fact Check pasó del 78,6 % con dos llamadas al 16,7 % con 150. En Claude Opus 4.6, cayó del 80 % al 57,9 %. Los propios autores tratan el resultado como evidencia de un posible efecto de la sobrecarga de información durante la síntesis.
No significa que buscar un poco sea mejor. Significa que la profundidad de la recopilación y la precisión de la síntesis deben medirse por separado.
Una herramienta puede encontrar un excelente conjunto de documentos y aun así mezclar números, contexto o conclusiones al escribir el informe final.
¿Qué herramienta tiene más sentido para cada tipo de trabajo?
Sin pruebas controladas de las interfaces actuales, el criterio más defendible es elegir el flujo requerido y luego verificar el resultado.
ChatGPT tiene una ventaja funcional cuando el buscador necesita controlar de antemano dónde debe realizarse la búsqueda. La posibilidad de restringir la búsqueda a determinados sitios o priorizarlos es útil, por ejemplo, para indicar al sistema que comience con organismos públicos, documentación oficial, artículos científicos o bases de datos seleccionadas.
Gemini gana relevancia en flujos en los que la Búsqueda de Google y los documentos del ecosistema de Google deben formar parte de una misma investigación. Se pueden agregar Gmail y Drive como fuentes además de archivos y NotebookLM.
Claude ofrece un flujo de investigación que cruza búsquedas sucesivas y puede consultar tanto la web como el contexto interno conectado. Esto puede resultar útil cuando la pregunta se basa tanto en documentos organizativos como en evidencia externa.
Perplexity mantiene una experiencia especialmente enfocada a la búsqueda e investigación. La investigación está disponible de forma limitada para usuarios gratuitos y ampliada en Pro; la actualización de Investigación profunda avanzada de julio de 2026 agregó más búsquedas y referencias cruzadas.
Esto es idoneidad del flujo, no clasificación de confiabilidad. Para confirmar que una de estas opciones soporta mejor las citas en portugués brasileño hoy en día, sería necesario realizar un experimento en las cuatro interfaces.
Cómo realizar un examen de 24 preguntas en PT-BR sin favorecer una plataforma
Un punto de referencia editorial útil no debería limitarse a utilizar preguntas sencillas con una respuesta conocida. Una muestra de 24 consultas se puede distribuir en seis tipos de tareas: hechos actuales; ubicación de fuentes primarias; síntesis de múltiples fuentes; temas con fuentes divergentes; temas brasileños o locales menos documentados; y preguntas en las que la respuesta correcta requiere reconocer que una fuente no confirma una afirmación en particular.
Después de eso, cada afirmación verificable debe auditarse por separado. El protocolo puede seguir esta secuencia:
- Ejecute exactamente el mismo mensaje en las cuatro herramientas: fecha de grabación, plan, modo de búsqueda y configuración.
- Guarde la respuesta completa y las horas de inicio y finalización.
- Separe las declaraciones fácticas verificables del texto.
- Identifique qué declaraciones se citaron y cuáles quedaron sin fuente.
- Abra cada referencia y compruebe si el enlace funciona.
- Compruebe si la página aborda el tema y, sobre todo, si respalda la afirmación específica.
- Clasifica la fuente como primaria, secundaria o simplemente reproduce otra fuente.
- Consulta la publicación o actualiza cuando la fecha cambie la respuesta.
- Registre las contradicciones ignoradas o tratadas por la herramienta.
- Mida el tiempo y el coste de las pruebas reales, sin intentar convertir diferentes límites de suscripción en una única métrica falsa.
Las métricas centrales serían la cobertura de citas, el porcentaje de reclamos respaldados, la tasa de fuentes primarias, los enlaces inaccesibles, la puntualidad, el manejo de contradicciones, la latencia y el costo.
También vale la pena repetir parte de las preguntas. Un estudio publicado el 6 de agosto de 2026 comparó las condiciones de uso de ChatGPT en la interfaz y la API y realizó tres ejecuciones por mensaje. Dentro de ese diseño experimental, las respuestas repetidas fueron inconsistentes hasta en el 21% de las indicaciones. El resultado no es un punto de referencia de las cuatro herramientas, pero demuestra por qué una sola ejecución puede ser insuficiente para evaluar sistemas probabilísticos.
El tiempo y el coste deben incluirse en la prueba, no asumirse
Los planes y límites cambian con frecuencia y ni siquiera siguen la misma estructura empresarial.
A partir del 9 de agosto de 2026, ChatGPT Plus cuesta $20 por mes e incluye investigación profunda cuando esté disponible. Claude Pro cuesta 20 dólares mensuales, o el equivalente a 17 dólares mensuales para el plan anual, e incluye Investigación. En la página brasileña de Google One, Google AI Pro aparece por R$ 96,99 al mes e incluye acceso a Deep Research. Perplexity Research tiene un uso limitado en el plan gratuito y acceso ampliado en Pro; La documentación de la empresa establece un precio inicial de 20 dólares estadounidenses al mes para Pro.
Estos valores no hacen que el costo por búsqueda sea directamente comparable. Existen diferencias en cuotas, regiones, funciones incluidas y políticas de uso.. Para una comparación editorial, lo mejor es registrar cuánto fue necesario pagar para realizar el lote de preguntas definido y cuántas tareas podrían completarse en las mismas condiciones.
El tiempo también debe registrarse en el experimento. Google informa oficialmente un rango habitual de cinco a diez minutos para los informes de Gemini Deep Research. Anthropic describe la Investigación como un proceso de minutos. La página actual de Perplexity contiene dos estimaciones contradictorias en el mismo párrafo: “menos de tres minutos” para la mayoría de las tareas y “entre cuatro y cinco minutos” para generar una respuesta, lo cual es una razón más para medir la latencia directamente en lugar de utilizar la promesa comercial como resultado.
El criterio final sigue siendo la evidencia
Los productos han logrado grandes avances en la presentación de fuentes. Hoy existen planes editables, seguimiento de búsquedas, integración con documentos internos, decenas de búsquedas automáticas y extensos informes. Nada de esto elimina el paso de verificar la relación entre una declaración y su referencia.
El propio OpenAI ha reconocido, desde la presentación de Deep Research, que el sistema puede alucinar hechos, hacer inferencias incorrectas y tener dificultades para distinguir la información autorizada de los rumores.
Por lo tanto, una búsqueda generada por IA debe tratarse como una investigación asistida con un rastro de la fuente, no como una verificación completa.
Para una consulta exploratoria, puede ser suficiente leer el informe y abrir los enlaces decisivos. Para publicaciones periodísticas, investigaciones académicas, decisiones comerciales o temas legales, médicos o financieros, la revisión debe llegar a la fuente original y probar cada afirmación importante.
El mejor sistema para este tipo de trabajo no será necesariamente el que encuentre más páginas o escriba el informe más largo. Será lo que, en esa tarea y configuración, deje la menor distancia entre lo que afirmas y lo que tu propia evidencia realmente te permite afirmar.
Temas de este artículoChatGPTcitaçõesClaudeDeep ResearchGeminiPerplexitypesquisa com IA
