Pruebas y comparativa

Lo que AIR-Core consigue, medido y con fuentes

Medimos los modelos que entrena AIR-Core con datos públicos y los comparamos con referencias conocidas en las mismas filas. Y comparamos, con enlaces a la documentación de cada uno, qué hace cada herramienta cuando la conversación termina.

Banco de pruebas

Modelos en el rango normal, también donde quedan por detrás

Para cada conjunto de datos, AIR-Core entrena el modelo que entrenaría en la plataforma: el método de la plantilla o, en los demás, el que propone el asistente (bosque aleatorio). Usa el 30 % de las filas para la prueba, barajadas con una semilla fija, y no ajusta nada con ellas. En esas mismas filas medimos la predicción ingenua y dos modelos de scikit-learn con sus valores por defecto.

Resultados del banco de pruebas de modelos de AIR-Core, con la predicción ingenua y dos referencias de scikit-learn en las mismas filas de prueba.
DatosTareaFilas de pruebaMétodo de AIR-CoreMétricaAIR-CorePredicción ingenuaVeredicto de AIR-CoreGradient boosting (scikit-learn)Modelo lineal (scikit-learn)
Bajas de clientes (plantilla)Clasificación600Regresión logísticaAcierto91 %70 %Bueno87 %91 %
Mantenimiento de máquinas (plantilla)Clasificación750Regresión logísticaAcierto equilibrado78 %50 %Bueno77 %79 %
Opinión de clientes (plantilla)Texto900Regresión logísticaAcierto80 %50 %Bueno—82 %
Sentimiento de reseñas: origen (ejemplo)Texto900Bosque aleatorioAcierto79 %35 %Bueno—82 %
Cáncer de mama (Wisconsin)Clasificación171Bosque aleatorioAcierto97 %63 %Bueno96 %98 %
Pingüinos de PalmerClasificación100Bosque aleatorioAcierto97 %48 %Bueno99 %99 %
Marketing bancarioClasificación1357Bosque aleatorioAcierto equilibrado60 %50 %Bueno67 %65 %
Calidad del vino (tinto)Regresión480Bosque aleatorioR² (variación explicada)45 %0 %Bueno42 %35 %
AbulónRegresión1254Bosque aleatorioR² (variación explicada)53 %0 %Bueno52 %53 %

Cómo leer la tabla

El acierto es la parte de casos bien clasificados; con clases desequilibradas se usa el acierto equilibrado, la media del acierto de cada clase. En regresión, la parte de la variación que explica el modelo (R²). La predicción ingenua responde siempre la clase más frecuente o la media.

Dónde queda por detrás

En el marketing bancario, con clases muy desequilibradas, el bosque aleatorio por defecto se queda 5 y 7 puntos por detrás de las referencias. En los textos y en los pingüinos, 2 o 3 puntos por detrás. En el resto, a un punto o menos de la mejor referencia, o por delante.

Datos y licencias

Plantillas con datos sintéticos (CC0), el ejemplo «Sentimiento de reseñas» y cinco conjuntos abiertos: cáncer de mama, marketing bancario, calidad del vino y abulón del repositorio UCI (CC BY 4.0), y pingüinos de Palmer (CC0).

Previsión

La plantilla de demanda, día a día

AIR-Core prueba varios métodos con el pasado reciente y se queda con el que mejor acierta. Error medio, en unidades al día, de los últimos 30 días de esa prueba (cuanto más bajo, mejor). Un gradient boosting con el calendario acierta algo más en esa ventana.

Error medio de la previsión de la plantilla de demanda en los últimos 30 días de su prueba, en unidades al día.
Familia de productosMétodo elegido por AIR-CoreAIR-CoreRepetir la semana anteriorGradient boosting con el calendario (scikit-learn)
PanaderíaSuavizado exponencial8107
BebidasSuavizado exponencial131813
FrescosSuavizado exponencial111310

Reproducible

Cómo lo medimos

Un programa repite las pruebas y da las mismas cifras cada vez.

  • La misma petición que la plataforma. El motor de modelado de AIR-Core recibe lo que envía la plataforma al crear un modelo, y el veredicto lo calcula el mismo código de la garantía de calidad.
  • Las mismas filas para todos. El programa comprueba que AIR-Core y las referencias se prueban con las mismas filas y se detiene si no.
  • Nada ajustado con la prueba. Valores por defecto en todos los métodos y semillas fijas para que dos ejecuciones coincidan.
  • Fecha y versiones. 17 de noviembre de 2026, motor de modelado 0.22.0, scikit-learn 1.9.1 y Python 3.15.2, en un Apple M5 Pro.
  • El detalle, si lo pides. El código está en el repositorio de AIR-Core, que no es público. Escríbenos y te enviamos el método y todas las cifras. (abre tu programa de correo)

Comparativa

Lo que sigue funcionando cuando la conversación termina

BigML entrena modelos muy bien y Claude y ChatGPT son excelentes para conversar con tus datos. AIR-Core se centra en mantener vivos los datos, los modelos y las decisiones de tu equipo: conectados, vigilados, documentados y en la UE. Cada dato de los demás productos viene de su documentación o su página de precios, con el número de la fuente.

Comparativa de capacidades de AIR-Core, BigML, Claude y ChatGPT, con las fuentes de cada dato de los demás productos.
Lo que necesitasAIR-CoreBigMLClaudeChatGPT
Fuentes conectadas y actualización automáticaArchivos, URLs, bases de datos, datos abiertos (CKAN) y MQTT en tiempo real, con actualizaciones programadas.Fuentes desde URLs, almacenamiento en la nube y conectores a PostgreSQL, MySQL, SQL Server y Elasticsearch.12 Actualización programada de una fuente: No verificadoConectores que leen tus servicios cuando la conversación lo pide; los documentos de Google Drive añadidos se mantienen sincronizados.1112Conectores que traen datos de tus herramientas; una tarea programada puede revisar una fuente cada día laborable.1920
ReentrenamientoAutomático para clasificadores y regresores: por calendario, cuando cambian los datos o cuando avisa el seguimiento. La versión nueva solo se usa si mejora.Reentrenamiento automático en BigML Ops, un producto aparte, o con el comando «retrain» de BigMLer y tu propio programador.34No verificadoNo verificado
Seguimiento y deriva de los modelosCompara los datos que recibe cada modelo con los de su entrenamiento y mide si sigue acertando.BigML Ops vigila cada modelo y lo empareja con un detector de anomalías.3No verificadoNo verificado
Alertas y accionesCondiciones sobre tus datos con aviso por email o webhook, y flujos que reentrenan, predicen las filas nuevas y actúan.BigML Ops avisa cuando el rendimiento de un modelo baja de un umbral.3 Canal del aviso: No verificadoTareas programadas (planes de pago) que se ejecutan de forma periódica con tus conectores.13 Avisos por email o webhook: No verificadoTareas programadas y, en planes compatibles, tareas que se activan con eventos de Gmail, Slack o GitHub.21 Avisos por email o webhook: No verificado
Garantía de calidadCada clasificador y regresor se compara con la predicción ingenua. Si no la mejora, AIR-Core prueba otros métodos y, si ninguno lo consigue, te lo dice.Las evaluaciones muestran el modelo junto a dos referencias: la clase más frecuente (o la media) y una predicción aleatoria.5 Aviso o reintento automático: No verificadoNo verificadoNo verificado
ExplicacionesPeso de cada variable en el modelo y explicación de cada predicción (valores SHAP), calculados al entrenar.Importancia de cada campo en el modelo y explicación de cada predicción.67No verificadoNo verificado
Ficha del modelo e informe para el Reglamento de IAFicha e informe de confianza de cada modelo (PDF o Markdown) y registro de los sistemas de IA de tu organización.Informe resumen de cada modelo, con la importancia de los campos.8 Documentación para el Reglamento de IA: No verificadoAnthropic publica fichas de sus propios modelos (system cards).14 Fichas de tus modelos: no aplica.OpenAI publica fichas de sus propios modelos (system cards).22 Fichas de tus modelos: no aplica.
Alojamiento en la UE y en tus servidoresNube en AWS Fráncfort (Alemania). Instalación en tu infraestructura con iCore (plan Enterprise).Su servicio en la nube está alojado en Estados Unidos (política de privacidad de 2022). Despliegue privado en nube pública, privada u on-premises.910Los datos de sus productos se guardan en Estados Unidos. Residencia de datos en Europa para los modelos Claude a través de AWS Bedrock y Google Cloud Vertex.1516 En tus servidores: No verificadoEspacios de trabajo con residencia de datos en Estados Unidos o la UE para el contenido compatible.23 Planes que la incluyen y despliegue en tus servidores: No verificado
Conector MCPServidor MCP propio en todos los planes, también en el Gratis: conecta Claude, ChatGPT o Cursor a tus datos y modelos.No verificadoConectores MCP personalizados en todos los planes; uno en el plan Free.17Puedes añadir servidores MCP personalizados, según las políticas de tu cuenta y tu espacio de trabajo.24 Planes: No verificado
Precio de entradaPlan Gratis (0 €). Planes de pago desde 49 € al mes, sin IVA.Plan gratuito de 0 $ al mes, con 16 MB por tarea, y prueba de 3 días.10 Primer plan de pago: No verificadoPlan Free de 0 $. Pro: 17 $ al mes con pago anual o 20 $ con pago mensual, sin impuestos.18Plan Free de 0 $. Go: 8 $ al mes. Plus: 20 $ al mes.25 Precios en tu país: No verificado

«No verificado» quiere decir que no lo hemos encontrado en la documentación pública del producto el 17 de noviembre de 2026; no quiere decir que no exista. Si ves un error, escríbenos y lo corregimos. (abre tu programa de correo)

Límites

Lo que AIR-Core no hace

No es un asistente de conversación

Para conversar, redactar o analizar un archivo suelto, Claude o ChatGPT lo hacen muy bien. AIR-Core se conecta a ellos por MCP y guarda lo que debe seguir funcionando después.

Modelos con ajustes por defecto

Aprendizaje automático clásico sobre tablas y textos, sin redes profundas para imágenes. Con datos difíciles, como el marketing bancario de arriba, un especialista puede afinar más.

No certifica el Reglamento de IA

La ficha, el informe de confianza y el registro ayudan a preparar sus obligaciones. No son asesoramiento jurídico, y la clasificación de cada sistema la decide tu organización.

Cada plan tiene sus límites

Algunas funciones, como las alertas, las bases de datos externas o la API, dependen del plan, y la instalación en tus servidores es un proyecto aparte.

Fuentes

Documentación consultada

Páginas públicas de cada producto, con la fecha de consulta.

  1. static.bigml.com/static/html-doc/Sources/sect0001.html · 2026-11-17
  2. static.bigml.com/static/html-doc/Sources/sec-data-stores.html · 2026-11-17
  3. bigml.com/bigmlops · 2026-11-17
  4. blog.bigml.com/2018/02/06/retraining-machine-learning-models · 2026-11-17
  5. static.bigml.com/static/html-doc/Classification_and_Regression/sect0046.html · 2026-11-17
  6. static.bigml.com/static/html-doc/Classification_and_Regression/sec-understanding-models.html · 2026-11-17
  7. bigml.com/whatsnew · 2026-11-17
  8. static.bigml.com/static/html-doc/Classification_and_Regression/sect0001.html · 2026-11-17
  9. bigml.com/privacy · 2026-11-17
  10. bigml.com/pricing · 2026-11-17
  11. support.claude.com/en/articles/11176164-use-connectors-to-extend-claude-s-capabilities · 2026-11-17
  12. support.claude.com/en/articles/10166901-use-google-workspace-connectors · 2026-11-17
  13. support.claude.com/en/articles/13854387-schedule-recurring-tasks-in-claude-cowork · 2026-11-17
  14. www.anthropic.com/system-cards · 2026-11-17
  15. privacy.claude.com/en/articles/7996890-where-are-your-servers-located-do-you-host-your-models-on-eu-servers · 2026-11-17
  16. claude.com/regional-compliance · 2026-11-17
  17. support.claude.com/en/articles/11175166-get-started-with-custom-connectors-using-remote-mcp · 2026-11-17
  18. claude.com/pricing · 2026-11-17
  19. chatgpt.com/features/connectors · 2026-11-17
  20. learn.chatgpt.com/use-cases/analyze-data-export · 2026-11-17
  21. learn.chatgpt.com/docs/automations · 2026-11-17
  22. deploymentsafety.openai.com · 2026-11-17
  23. learn.chatgpt.com/docs/enterprise/higher-education-roles-and-permissions · 2026-11-17
  24. developers.openai.com/plugins/deploy/connect-chatgpt · 2026-11-17
  25. learn.chatgpt.com/docs/pricing · 2026-11-17

Empieza hoy con tus propios datos

Crea tu cuenta gratuita y conecta tu primera fuente en minutos. Cuando lo necesites, pasa a un plan de pago.