Construction AI Leaderboard: Claude Opus 5.5 lidera en 5 ejes

El resultado importa porque la mayoría de los benchmarks de modelos evalúan código o razonamiento genérico. Este intenta medir lo que ocurre cuando la IA necesita leer planos, editar modelos BIM, responder preguntas de presupuesto y generar especificaciones de infraestructura digital. Son tareas en las que un error de interpretación cuesta caro y retrasa la obra.

En este artículo verás:

• Qué mide el Construction AI Leaderboard y cómo se construyó.
• Los cinco ejes de evaluación y por qué fueron elegidos.
• Los resultados generales y los líderes en cada eje.
• Lo que lograron los modelos open-weight frente a los propietarios.
• Cómo leer costo y tiempo sin confundir precio con calidad.

¿Qué es el Construction AI Leaderboard

El Construction AI Leaderboard fue creado por ONESTRUCTION para responder a una pregunta práctica: qué modelo de IA funciona mejor en trabajo de construcción. La propuesta no es medir conocimiento general, sino simular actividades que equipos de ingeniería, arquitectura y planificación ejecutan todos los días.

El ranking combina cinco benchmarks existentes y propios, cada uno representando una categoría de tarea. El score general es el promedio de los cinco ejes, convertido a una escala de 100 puntos. Son 20 modelos evaluados, entre propietarios y open-weight, con inferencia ejecutándose en OpenRouter para los propietarios y en GPUs H200 propias para los modelos abiertos.

La evaluación se realizó en octubre de 2026 y se publicó el 7 de noviembre. El conjunto de modelos incluye GPT-6 Astra, GPT-6.1 Sol, Claude Opus 5 y 5.5, Claude Sonnet 5 y 5.5, Gemini 3.1 Pro, Gemini 3.7 Flash, Gemini 4 Argon, Grok 4.7, Muse Spark 1.3, además de modelos open-weight como Qwen3.8-27B, GLM-5.3-Flash, DeepSeek V4.1 Flash, Kimi K3, Gemma 4 31B IT y otros.

Los cinco ejes de evaluación

Cada eje usa un benchmark con método propio y score convertido a 100 puntos. El promedio de los cinco forma el score general.

• Dibujos y documentos (AEC-Bench): preguntas y detección de conflictos en planos y documentos de construcción. El agente convierte PDFs en imágenes, extrae texto y ejecuta código para llegar a una respuesta en JSONL.
• Edición de BIM (BIM-Edit): editar modelos IFC siguiendo instrucciones en lenguaje natural.
• Comprensión de BIM (IFC-Bench-V2): explorar modelos IFC y responder preguntas sobre ellos.
• Preguntas de presupuesto (CEQuest): conocimiento de estimación y lectura de planos.
• Generación de IDS (Ishigaki-IDS-Bench): generar especificaciones IDS en XML a partir de requisitos de información BIM.

La elección de los ejes refleja lo que ONESTRUCTION considera esencial en obra: leer documentos, entender y modificar modelos digitales, estimar costos y generar especificaciones. Ninguno de los cinco cubre todo el trabajo de construcción, y la empresa afirma estar desarrollando un benchmark propio llamado BIMGenBench para generación de modelos BIM a partir de planos.

Resultados generales: Claude Opus 5.5 a la cabeza

Claude Opus 5.5 lideró con 73,7 puntos, apenas 0,1 punto por delante de Gemini 4 Argon con 73,6. Claude Opus 5 quedó en tercero con 72,7. GPT-6 Astra marcó 70,1, casi empatado con GPT-6.1 Sol con 70,2. Entre los modelos open-weight, DeepSeek V4.1 Flash (versión del 17 de octubre) alcanzó 67,6 en dibujos y documentos, superando a GPT-6 Astra con 66,2 en ese eje.

La cercanía entre Opus 5.5 y Gemini 4 Argon muestra que el liderazgo no es holgado. Diferencias de décimas de punto pueden cambiar con ajuste de prompt, versión del modelo o configuración de inferencia. El ranking es un retrato, no una verdad absoluta.

Líderes por eje de evaluación

Los primeros lugares se dividieron entre cuatro modelos, lo que refuerza la idea de que no existe un modelo universalmente mejor.

• Dibujos y documentos: Claude Opus 5.5 con 70,2 puntos.
• Generación de IDS: Claude Opus 5.5 con 63,0 puntos.
• Comprensión de BIM: Claude Opus 5 con 79,7 puntos.
• Edición de BIM: Gemini 4 Argon con 78,9 puntos.
• Preguntas de presupuesto: Gemini 3.7 Flash con 95,5 puntos.

Claude Opus 5.5 fue el único en liderar dos ejes. Gemini 4 Argon quedó primero en edición de BIM y segundo en el general. Gemini 3.7 Flash, aunque marcó 95,5 en presupuesto, no aparece entre los tres primeros en el score general, lo que muestra cómo un eje aislado puede distorsionar la elección si no se ve en conjunto.

Modelos open-weight que sorprenden

El ranking incluyó modelos open-weight y algunos de ellos superaron a propietarios en ejes específicos.

• DeepSeek V4.1 Flash (17 de octubre) marcó 67,6 en dibujos y documentos, contra 66,2 de GPT-6 Astra. Es un resultado expresivo para un modelo que puede ejecutarse en infraestructura propia.
• GLM-5.3-Flash marcó 61,9 en dibujos y documentos, superando a Claude Sonnet 5.5 con 58,6, y 78,9 en edición de BIM, casi empatado con Claude Fable 5 con 79,7.

Estos resultados muestran que los modelos abiertos ya compiten en tareas de dominio específico, siempre que el equipo tenga capacidad de hospedaje y ajuste. La diferencia de costo puede ser decisiva para empresas que procesan grandes volúmenes de planos y modelos BIM.

Costo y tiempo: lo que el número no dice

Construction AI Leaderboard también registró costo por tarea y tiempo de procesamiento, lo que ayuda a separar desempeño de viabilidad económica.

• Claude Opus 5.5 costó cerca de 0,33 dólar por tarea y tardó 1,7 minuto, contra 1,80 dólar y 5,0 minutos de la generación anterior. Es decir, mejoró siete puntos en dibujos y documentos con una quinta parte del costo y un tercio del tiempo.
• GPT-6.1 Sol quedó en cuarto lugar general con 70,2 puntos, casi igual que GPT-6 Astra con 70,1, pero a una sexta parte del costo por tarea (0,12 dólar contra 0,78).
• Claude Sonnet 5.5 marcó 66,9 puntos generales con un costo de 0,14 dólar, apareciendo como opción entre los modelos propietarios de bajo costo.

El costo por tarea no es precio de API. Es el costo medido en la ejecución del benchmark, incluyendo tokens y tiempo. Para una empresa que procesa miles de planos, la diferencia entre 0,12 y 1,80 dólar por tarea puede definir qué modelo entra en producción, aunque el más caro tenga una puntuación un poco mayor.