DeepSeek V4 Pro frente a Claude Sonnet 4.6 en 50 tareas: dónde se ahorra y dónde hay riesgo

La comparación de DeepSeek V4 Pro y Claude Sonnet 4.6 en 50 tareas típicas de un desarrollador ruso deja una conclusión simple: un precio bajo por token no garantiza la mejor elección para producción. En escenarios básicos los modelos van casi a la par, pero en tareas con especificidad rusa DeepSeek se equivoca bastante más.

Qué se probó

El autor comparó los modelos no con benchmarks académicos, sino con peticiones prácticas que los equipos locales encuentran de verdad: atención al cliente, extracción de datos de documentos, cálculos según el Código del Trabajo y el Código Tributario de Rusia, y desciframiento de abreviaturas profesionales. Las pruebas se hicieron en las interfaces web habituales: Claude Sonnet 4.6 sin adaptive thinking y DeepSeek V4 en modo rápido sin deep thinking. En total fueron 50 prompts divididos en cuatro bloques.

En abril de 2026 la diferencia de precio era muy agresiva a favor de DeepSeek: 1,74 $ por millón de tokens de entrada y 3,48 $ por los de salida, frente a 3 $ y 15 $ de Sonnet 4.6. Con una carga real, eso supone un ahorro de aproximadamente el triple, así que la tentación de pasarse al modelo más barato resulta comprensible.

• Clasificación de 20 tickets de soporte en cinco categorías
• Extracción de campos de 15 documentos con errores de OCR
• 10 tareas de reasoning con normas de derecho ruso y cálculos
• 5 tareas de terminología local como EDO, UPD, OFD y KIZ

Dónde hay empate

En los escenarios sencillos casi no hubo diferencias. Ambos modelos clasificaron los tickets de soporte sin errores y respondieron igual de bien a las preguntas habituales sobre entrega, devoluciones, pago y consultas generales. En el reasoning básico también hubo empate: el plazo de prescripción, la devolución de un anticipo y el caso de un despido durante el periodo de prueba fueron resueltos correctamente por ambos sistemas, aunque con referencias normativas distintas.

El análisis de documentos ordinarios dio un resultado parecido. Ninguno confundió el OGRNIP (número de registro del empresario individual) con el INN (identificación fiscal), ambos tomaron el importe de la línea numérica cuando el importe en letras tenía un error, y ambos extrajeron correctamente la fecha de un informe de anticipos. Según el autor, si el 80 % de la carga de una empresa consiste en tareas así, pasarse a DeepSeek sí puede reducir el presupuesto en torno a un 75 % sin una caída apreciable de calidad.

«Los benchmarks en inglés no nos ayudarán a elegir un modelo para una

tarea rusa.»

Dónde los errores salen caros

Los problemas empezaron donde no basta la inteligencia general, sino que hacen falta conocimiento del contexto local y cuidado con los casos límite. En la prueba de cálculo del salario de un empleado con un sueldo de 150 000 rublos, Sonnet dio los 130 500 rublos netos correctos, mientras que DeepSeek dio 110 550. En la práctica, el modelo retuvo un 26,3 % en lugar del 13 % estándar, probablemente por mezclar el NDFL con las cotizaciones sociales del empleador. En una demostración es solo un fallo; en un pipeline automatizado pueden ser potencialmente cientos de miles de rublos de error al mes.

Otro fallo apareció en la normalización de OCR. Ambos modelos leyeron bien el importe, el INN y la fecha en una factura con caracteres rusos y latinos mezclados, pero solo Sonnet normalizó el número del documento a su forma canónica. DeepSeek dejó las letras O y l donde debían ir dígitos. Si ese número se compara después con una base de 1C o un ERP por coincidencia exacta, el documento simplemente no se encontrará, aunque el resto de los campos parezcan correctos.

El tipo de error más desagradable de DeepSeek apareció en la tarea sobre la deducción social por estudios de un hijo de 25 años. El modelo empezó la respuesta con «SÍ» y luego él mismo explicó por qué, según el artículo 219 del Código Tributario, la deducción no corresponde después de los 24 años. Una persona ve la contradicción enseguida, pero para un sistema que solo analiza la primera palabra, la clase resultante es incorrecta. Un problema similar surgió con la terminología: Sonnet desarrolló correctamente KIZ como «marca de identificación de control», mientras que DeepSeek inventó una variante sobre un «código de identificación de repuestos».

En conjunto, Sonnet obtuvo un 92 % frente a un 88 % en documentos, un 100 % frente a un 60 % en tareas con especificidad jurídica rusa y un 100 % frente a un 80 % en términos locales.

Qué significa

La conclusión práctica: DeepSeek V4 Pro encaja bien en la primera línea de soporte, las respuestas con plantilla, la clasificación básica y los MVP, donde el precio es crítico y un error no desemboca en una acción financiera o legal. Pero si el modelo interviene en cálculos de dinero, en la interpretación de los Códigos Tributario y del Trabajo de Rusia, en la normalización de documentos, o si genera respuestas que un sistema analiza directamente, pagar de más por Claude Sonnet 4.6 equivale a un seguro frente a consecuencias más caras. Conviene elegir entre ambos no por benchmarks, sino con 30–50 peticiones reales propias.