La nueva generación de IA para desarrolladores Business Central: GPT, Claude, Gemini y el futuro de Visual Studio Code
La IA ha dejado de ser una promesa de futuro para convertirse en una de las herramientas más transformadoras del presente. En 2026, los modelos de IA no solo nos ayudan a escribir código más rápido: entienden proyectos completos, analizan los requerimientos, entienden imágenes, moldean la estructura del código y el proyecto y, sobre todo, son cada vez más precisas depurando errores y generando respuestas con menos alucinaciones.
En este artículo exploramos las novedades más relevantes de los modelos de IA (GPT-5.6, Codex, Claude Haiku, Sonnet y Opus, Gemini 2.5/3.x) y cómo están revolucionando el trabajo diario de los desarrolladores de Microsoft Dynamics 365 Business Central y Visual Studio Code. Estas capacidades son muy extensas y avanzan a una velocidad vertiginosa, dentro de poco estaremos usando IA para gestionar repositorios y para pedir peticiones prácticamente sin desarrollar código. ¡Sigue leyendo!
La IA para programar ya no es solo autocompletado
Hace unos años, la IA en desarrollo se limitaba a sugerir líneas de código o completar funciones básicas. Le escribíamos un prompt y teníamos que copiar manualmente el código que proponía el chat bot.
Hoy, los modelos actuales son capaces de:
- Entender proyectos completos y sus dependencias.
- Refactorizar código y aplicar buenas prácticas.
- Generar documentación técnica y funcional.
- Crear y ejecutar pruebas automáticas.
- Detectar errores complejos y proponer soluciones.
- Actuar como agentes autónomos dentro del entorno de desarrollo.
Visual Studio Code se ha convertido en el centro de esta transformación, integrando asistentes inteligentes que multiplican nuestra productividad y reducen el tiempo dedicado a tareas repetitivas.
Cosas relevantes a tener en cuenta. Contexto, modo, modelo y esfuerzo
En la pantalla de VS Code encontramos varios botones clave para controlar cómo interactúa la IA con nuestro proyecto. Vamos a analizarlos de izquierda a derecha.
Añadir contexto (+)
El botón «+» nos permite añadir al contexto cualquier archivo del proyecto para que el agente lo analice directamente, sin necesidad de buscarlo por su cuenta. Esto es importante porque una búsqueda automática por parte del agente se traduce en más consumo de tokens, respuestas más lentas y, en muchos casos, menos precisas. Darle el archivo exacto desde el principio es la forma más eficiente de trabajar.
Modo: pregunta vs. agente
Aquí podemos elegir entre dos modos:
- Modo pregunta: la IA se limita a responder lo que le preguntamos, sin modificar nada. Ideal cuando solo queremos una consulta rápida o una segunda opinión, ya que ahorra tokens y evita cambios no deseados.
- Modo agente: permite que la IA interactúe directamente con nuestro workspace — lanzar comandos, modificar objetos, crear archivos. Es el modo más potente y el que realmente nos ahorra esfuerzo. Cada cambio que propone se puede confirmar o rechazar antes de aplicarse, y se visualiza en el editor de forma similar a un commit, lo que nos da control total sobre lo que se acepta.
Agentes personalizados
También podemos crear un agente personalizado, definiendo skills y valores por defecto para que la IA sepa exactamente cómo actuar en cada situación sin necesidad de explicárselo de nuevo en cada prompt. Esto ahorra mucho tiempo, especialmente en proyectos con tareas repetitivas, donde configurar el comportamiento una sola vez nos evita repetir instrucciones constantemente.
Selección de modelo
El botón de Models nos permite elegir qué modelo queremos usar. La lista disponible varía con el tiempo y depende de lo que gestione nuestro administrador de licencias.
Esfuerzo y capacidad de contexto
Por último, tenemos las opciones de esfuerzo y capacidad de contexto. Desde mi experiencia, no suelen ser relevantes, ya que cada modelo viene bien configurado por defecto para la mayoría de los casos.
Lo más importante no es tocar todas estas opciones, sino saber elegir el modelo adecuado según la tarea y darle un prompt preciso con el contexto suficiente. Esto es lo que realmente marca la diferencia entre obtener el resultado deseado a la primera o perder tiempo en bucle.
Artículos recomendados:
- Cómo gestionar divisas en Business Central: configuración, operativa y ajustes contables
- Agentes de IA en Business Central: qué son, cómo diseñarlos y cuánto cuestan
- Impulsa tu lugar de trabajo con la IA de Microsoft Teams, Places y Copilot
- Inteligencia artificial en Business Central: Lo que ya puedes usar en España
Experiencia propia en uso de modelos
Mi valoración se basa en tres criterios fundamentales:
1. Consumo
Comparar el consumo entre modelos es clave. No queremos quedarnos sin tokens antes de tiempo, así que buscamos siempre la eficiencia: en función de la tarea, usaremos un modelo que consuma más o menos. Que un modelo consuma más no significa necesariamente que sea mejor, pero sí es un buen indicativo de su coste-beneficio para una tarea concreta.
2. Tarea y velocidad
Los modelos consumen tokens de forma diferente, y están pensados para tipos de tareas distintas. Los modelos más baratos rinden bien en tareas simples: modificar sintaxis, renombrar variables o responder preguntas puntuales. En cambio, los modelos más caros destacan analizando la arquitectura del código, aportando soluciones reales a problemas complejos, creando objetos nuevos y analizando funcionalmente un requerimiento.
3. Resultados
Lo ideal es ir probando el alcance de cada modelo, para así ir definiendo cuál se adapta mejor a nosotros o a la tarea concreta que estemos realizando.
Experiencia personal
Uso habitual
Para la mayoría de casos, suelo usar Claude Sonnet 5. Es un modelo de coste medio con un rendimiento alto: un mastodonte capaz de comprender y resolver situaciones complejas. No es el más rápido, ya que «piensa» bastante antes de responder, pero esa espera se compensa con la precisión de sus respuestas.
Modelos GPT
No tiene mucho sentido usar el 5.5: su consumo es muy elevado para el rendimiento que ofrece, ahora que disponemos de los nuevos modelos 5.6, que OpenAI ha decidido categorizar por tamaño de cuerpo celeste. Hay tres modelos principales, cuyo consumo y rendimiento varían según su «tamaño»: Sol, Terra y Moon.
El que más me interesa ahora mismo es Terra, que compite directamente con Sonnet. Es muy bueno entendiendo el contexto y desarrollando código de forma rápida y eficiente. Todavía me queda hacerle más pruebas, pero de momento tiene un coste similar al de Sonnet.
Otros modelos
Gemini y las versiones más básicas de GPT o Claude, desde mi punto de vista, no merecen la pena. Son baratos, pero flaquean bastante a la hora de resolver tareas — incluso en las más simples pueden modificar código de forma que el proyecto deje de compilar, o directamente inventarse funciones que no existen. Por eso, en mi caso, los descarto directamente sin complicarme.
Cómo crear y usar skills para tareas repetitivas
Asuntos complejos
El modelo GPT Sol es extremadamente caro. Por ello, para situaciones complejas, Claude Opus 4.8 suele ser una buena opción. Su rendimiento es brutal, y en la mayoría de los casos ha terminado resolviendo el problema.
Tareas repetitivas
Si la dificultad es media, Sonnet 5. Si la dificultad es muy baja, selector en Auto: el sistema elegirá el modelo que considere más adecuado y, además, aplica un 10% de descuento en tokens.
Migraciones o requerimientos específicos
Cuando hay que abordar una migración con normas concretas -por ejemplo, prefijar objetos, aplicar determinadas traducciones, centralizar el código en codeunits o mantener saltos de ID fijos en los campos nuevos- lo que más tiempo ahorra es elaborar un prompt que acote bien todos los escenarios y, en ese mismo chat, pedirle al modelo que genere una skill correspondiente.
De esta forma, al día siguiente basta con indicarle que use esa skill en la migración, y ya tendrá en cuenta todos los detalles que le marcamos previamente. Así ahorramos tiempo en escribir prompts repetidos.
Ejemplo de creación de skill simple
Como veis, el selector auto ha escogido el gpt 5.3 Codex, suficiente para esta tarea y barato.
Le damos a Keep para aceptar el cambio y aquí la tenemos:
El claro ejemplo de que la IA no solamente nos genera código, sino que también nos guía para probar lo que se ha desarrollado:
Tabla comparativa rápida de modelos
| Modelo | Cuándo lo uso yo | Coste relativo | Alternativa si no está disponible |
| Claude Sonnet 5 | Es mi modelo por defecto para el día a día: desarrollo, revisión de código, documentación. Rinde muy bien en la mayoría de tareas. | Medio | GPT-5.6 Terra |
| Claude Opus 4.8 | Lo reservo para asuntos complejos que Sonnet no resuelve: arquitectura, bugs difíciles de rastrear, problemas sin solución clara. | Alto | GPT-5.6 Sol (aunque su coste no compensa) |
| GPT-5.6 Terra | Alternativa a Sonnet cuando quiero comparar resultados. Buen manejo de contexto y generación de código rápida y eficiente. Aún en fase de pruebas para mí. | Medio (similar a Sonnet) | Claude Sonnet 5 |
| GPT-5.6 Sol | Prácticamente no lo uso: para el nivel de dificultad que justificaría su coste, prefiero directamente Opus. | Muy alto | Claude Opus 4.8 |
| Modo Auto | Para tareas repetitivas de dificultad muy baja, dejo que el sistema elija el modelo. Evita estar cambiando de selector constantemente. | Variable (10% de descuento en tokens) | Selección manual según la tarea |
| Gemini y modelos básicos (GPT/Claude) | Los descarto directamente. Fallan incluso en tareas simples: código que no compila, funciones inventadas. No compensa el ahorro. | Bajo | Cualquier modelo Claude o GPT de gama media/alta |
Mediante el uso de la inteligencia artificial para automatizar procesos, analizar datos y optimizar la gestión en diversas áreas, las organizaciones pueden incrementar su eficiencia operativa y enfocarse en actividades estratégicas que promuevan su crecimiento y competitividad en el mercado. ¿Quieres probarlo? ¡Rellena el formulario y nuestros expertos se pondrán en contacto contigo!
Jorge Ramos
Operaciones Business Applications