IA y ajedrez: los rankings públicos de modelos de lenguaje, comparados

Un benchmark de IA en ajedrez pone a jugar a modelos de lenguaje, entre ellos, contra motores o contra un jugador que mueve al azar, y convierte los resultados en una puntuación. A 26 de octubre de 2026 hemos podido verificar cuatro públicos, con su método y sus cifras. Los modelos Gemini encabezan tres de ellos, los mejores modelos de OpenAI y Anthropic se mueven entre 1500 y 1600 y pico en las tablas de Dubesor y Saplin, y ningún modelo se acerca ni de lejos a un motor de ajedrez de verdad.

Las puntuaciones no se pueden intercambiar entre tablas. Cada una tiene sus rivales, sus reglas para las jugadas ilegales y su propio punto cero. Por eso en esta página cada cifra va acompañada de su método.

Los cuatro rankings de IA en ajedrez de un vistazo

Comprobados el 26 de octubre de 2026. «Últimos datos» es la fecha que muestra la propia fuente.

Ranking	Quién lo lleva	Cómo se calculan las puntuaciones	Rivales	Jugadas ilegales	Últimos datos
AI Chess Leaderboard	Dubesor, desarrollador independiente	Elo actualizado tras cada partida; valor inicial según la precisión medida por Stockfish 17.1	Otros modelos de IA; maia5-1500 y un jugador aleatorio como referencia	Se registran en una columna «Legal %»	26 oct 2026 (357 modelos, 5163 enfrentamientos)
LLM Chess Leaderboard	Maxim Saplin; artículo con coautores (arXiv 2512.01992)	Elo por máxima verosimilitud con un intervalo del 95 %	Un jugador aleatorio y el motor Komodo Dragon en niveles puntuados en Chess.com; el modelo siempre juega con negras	Derrota tras 3 fallos en una misma jugada o 10 turnos de diálogo	Archivo de datos del 20 oct 2026 (GitHub)
LLM Chess Benchmark	Proyecto de código abierto (GitHub)	Glicko-2, calibrado a una puntuación estimada de Lichess Clásico	Referencias de puntuación fija (redes Maia, el motor Eubos, un jugador aleatorio fijado en 400) y otros modelos	Un reintento; después, la partida se da por perdida	La página no tiene fecha; comprobado el 26 oct 2026
Artículo de Game Arena	Google DeepMind y Kaggle, 62 autores	Elo de Bradley–Terry; el modelo más flojo se fija en 0	Modelos punteros de 5 laboratorios, 40 partidas por pareja	Derrota tras cuatro intentos fallidos	Enviado el 25 sept 2026; modelos elegidos a fecha de feb 2026

Kaggle también tiene una clasificación de ajedrez en directo para Game Arena. Sus cifras se cargan en el navegador y no hemos podido leerlas de forma fiable, así que las hemos dejado fuera.

Las mejores puntuaciones de cada tabla

Cada fila indica su fuente. Los «±» y los rangos son la incertidumbre de cada tabla. Solo hemos copiado cifras que vimos en la fuente el 26 de octubre de 2026.

Tabla	Modelo	Puntuación	Partidas	Fuente
Dubesor	Gemini 3.1 Pro Preview	1860 ±85	81	dubesor.de, 26 oct
Dubesor	GPT-6 Astra	1637 ±86	45	dubesor.de, 26 oct
Dubesor	Claude Opus 5.5	1571 ±98	35	dubesor.de, 26 oct
Dubesor	maia5-1500 (red de estilo humano, no es un LLM)	1554 ±90	46	dubesor.de, 26 oct
Dubesor	DeepSeek V4 Flash (0731)	1438 ±99	44	dubesor.de, 26 oct
Dubesor	Grok 4.20 Reasoning	1362 ±89	47	dubesor.de, 26 oct
Dubesor	Jugador aleatorio (referencia)	419	200	dubesor.de, 26 oct
Saplin	GPT-6 Astra (high)	1614 ±110	67	Saplin, datos del 20 oct
Saplin	GPT-6.1 Sol (xhigh)	1612 ±162	30	Saplin, datos del 20 oct
Saplin	Gemini 4 Argon (high)	1609 ±131	40	Saplin, datos del 20 oct
Saplin	Claude Opus 5.5 (high)	1575 ±113	64	Saplin, datos del 20 oct
LLM Chess Benchmark	Gemini 3.1 Pro Preview (high)	2144 (1963–2325)	18	chessbenchllm, 26 oct
LLM Chess Benchmark	GPT-6 Astra (high)	1975 (1870–2081)	50	chessbenchllm, 26 oct
LLM Chess Benchmark	maia-1900 (referencia, no es un LLM)	1816	256	chessbenchllm, 26 oct
LLM Chess Benchmark	Claude Opus 5.5 (high)	1197 (517–1876)	2	chessbenchllm, 26 oct
Artículo de Game Arena	Gemini 3 Pro Preview	1325	40 por pareja	arXiv 2609.31473
Artículo de Game Arena	o3	1009	40 por pareja	arXiv 2609.31473
Artículo de Game Arena	Grok 4	773	40 por pareja	arXiv 2609.31473
Artículo de Game Arena	Claude Opus 4.5	236	40 por pareja	arXiv 2609.31473

Antes de mirar la puntuación, mira cuántas partidas hay detrás. Claude Opus 5.5 solo tiene dos partidas en el LLM Chess Benchmark, así que su rango del 95 % va de 517 a 1876: de momento no dice casi nada. El artículo de Game Arena probó una generación de modelos anterior, y por eso sus cifras parecen tan distintas.

Cómo funciona cada benchmark de IA en ajedrez

El AI Chess Leaderboard de Dubesor es el grupo más grande. Cada modelo recibe una puntuación inicial según la precisión de sus diez primeras partidas, medida con Stockfish 17.1, y después actualizaciones normales de Elo tras cada partida entre IA. También publica la precisión según Stockfish y la tasa de errores graves de cada modelo, además de una puntuación aparte en problemas tácticos, comparada con las puntuaciones oficiales de los problemas de Lichess. En esa tabla de problemas, Gemini 4 Argon (high) va primero con 2193 ±85, GPT-6 Astra saca 1921 ±71 y Claude Opus 5.5, 1631 ±72. La propia página de Dubesor avisa de que el Elo es relativo a su grupo.

El LLM Chess Leaderboard de Saplin hace que los modelos jueguen mediante un pequeño diálogo: pueden pedir el tablero, pedir la lista de jugadas legales o enviar una jugada. Saltarse el formato tres veces en una misma jugada, o hablar diez turnos sin mover, supone perder la partida. Así que en parte mide también si el modelo sigue instrucciones. El artículo en el que se basa (diciembre de 2025) concluyó que muchos de los modelos punteros tenían problemas para terminar partidas o ganar con regularidad, incluso contra un rival que mueve al azar, y que los modelos de razonamiento superaban con claridad a los que no razonan.

El LLM Chess Benchmark es el que más se esfuerza por hablar el idioma de las puntuaciones humanas. Los modelos se enfrentan a referencias con una puntuación fija de Lichess Clásico, y los resultados se trasladan a esa escala con Glicko-2, un sistema de puntuación que además registra la incertidumbre de cada valor. No hay suelo, así que los modelos flojos pueden bajar de cero. Su página de metodología añade una advertencia que compartimos: el autor cree que los modelos rendirían peor contra personas, que saben aprovechar mejor las debilidades sistemáticas.

El artículo de Game Arena es el más controlado. Cada pareja de modelos juega 40 partidas, 20 con cada color, a través de las API públicas, con la configuración por defecto y sin herramientas. Las puntuaciones son relativas, y el modelo más flojo se fija en 0. Los autores usaron Stockfish para seguir quién iba ganando durante cada partida y vieron que los modelos empiezan igualados y se separan en el medio juego.

Qué miden estos rankings de IA: jugar, no explicar

Las cuatro tablas puntúan lo mismo: si el modelo gana partidas y mantiene sus jugadas dentro de las reglas. Ninguna comprueba si el modelo explica bien una posición, que es justo lo que la mayoría de la gente le pide a un chatbot después de una partida.

Son habilidades distintas. Otro benchmark de investigación, ChessQA (octubre de 2025), midió la comprensión en lugar del juego, en cinco áreas que van de las reglas básicas a la táctica, la valoración de posiciones y los conceptos de ajedrez. Sus autores señalan debilidades persistentes en todas las áreas para los modelos que probaron. Es decir: un modelo con una puntuación de juego aceptable puede seguir dando una explicación muy segura y equivocada.

Esa distancia es la conclusión honesta de cualquier ranking de IA en ajedrez. Incluso en la tabla que traslada los resultados a Lichess Clásico, donde se estima que el mejor modelo anda por 2144, los modelos siguen cometiendo errores graves, y dentro del modelo no hay nada que compruebe lo que afirma. Sobre Claude en concreto, consulta ¿Qué Elo tiene Claude en ajedrez? y Claude vs ChatGPT al ajedrez. Para ver qué pasa cuando un modelo se enfrenta a un motor de verdad, lee ChatGPT vs Stockfish.

Por qué Chess Coach usa Stockfish para los hechos

Estos rankings son la razón por la que Chess Coach no deja que el modelo de lenguaje decida qué es cierto en una posición. Chess Coach es un conector para Claude y ChatGPT. Revisa tus partidas terminadas de Chess.com y Lichess con Stockfish en nuestro propio servidor, y todas las evaluaciones, mejores jugadas y variantes salen del motor. El asistente se encarga de lo que los modelos de lenguaje hacen bien: convertir esos datos en palabras sencillas adaptadas a tu nivel, sobre un tablero interactivo con los momentos clave marcados. Así, la puntuación de ajedrez del propio asistente no limita la calidad de tu revisión. El plan gratuito incluye una revisión a fondo al día. Conecta Chess Coach, lee la documentación o mira cómo se integran las herramientas de ajedrez en Claude en nuestra guía sobre skills de ajedrez para Claude.