TL;DR: Poly Duo (C1M) es un atajo de iPhone gratuito y de código abierto. ChatGPT responde, Claude verifica y corrige la respuesta, y recibes un único resultado que empieza por los puntos en los que coinciden, en qué difieren y qué conviene comprobar. Funciona en el teléfono, con las cuentas que ya tienes. Sin servidor propio, sin claves de API, sin ordenador.
El bucle
Ya conoces el baile. Le preguntas a ChatGPT algo que importa. Copias la respuesta, abres Claude, la pegas y escribes «¿Esto es correcto? ¿Qué falta?». Luego saltas entre dos pantallas intentando averiguar qué partes creen los dos y cuál solo respalda uno de ellos.
Yo hacía ese baile a mano cada día, porque una segunda opinión de otra empresa de verdad detecta lo que una sola IA puede pasar por alto. Pero es lento, y es lo primero que te saltas con prisa, justo cuando más lo necesitas.
Así que le enseñé a mi iPhone a hacerlo. Se llama Duo, es de código abierto (https://github.com/vadimchernets/poly-duo) y se usa con un toque. Para que no tengas que lidiar con archivos firmados, hay una página que lo instala en tu iPhone con un toque, en tu idioma: https://polyhelper.ai/es/duo/?ref=devto-es
Qué obtienes
ChatGPT responde. Claude lee esa respuesta, la verifica y corrige lo que esté mal. Aproximadamente un minuto después, el resultado aparece en pantalla y en el portapapeles, y también en un diario en markdown dentro de iCloud Drive si lo tienes disponible. Empieza con tres bloques cortos:
- Ambos coinciden: en qué puedes apoyarte
- En qué difieren: dónde conviene ir a la fuente
- Qué comprobar tú mismo: una lista de dos minutos
Debajo va la respuesta completa y verificada.
El bloque del medio es lo esencial. Un mapa de dónde discrepan dos modelos de dos empresas es algo con lo que puedes actuar, cosa que un párrafo más pulido nunca te da.
Una primicia en el teléfono
En ordenadores, la gente lleva tiempo encadenando IA: extensiones de navegador, plataformas de IA de pago, montajes con API. En un teléfono, gratis y sin nada entre las dos IA, no había nada así hasta ahora.
Desde iOS 18, las apps de ChatGPT y Claude publican sus propias acciones de Atajos, Ask ChatGPT y Ask Claude. Duo las encadena dentro de un solo atajo. Ese único truco explica todo lo demás:
- Funciona en el teléfono. Duo no genera tráfico propio. El único tráfico de red es el de las dos apps oficiales hablando con sus propias empresas (más la sincronización de iCloud).
- Funciona con tus cuentas. Bastan las cuentas gratuitas. Si ya pagas Plus o Pro, los modelos que ofrece el plan de cada una de las dos empresas trabajan juntos sin coste adicional.
- Sin servidor propio, sin clave de API, sin ordenador. Ponlo en el botón de acción, en Tocar atrás, en Siri o en la pantalla de bloqueo y tendrás un botón de «segunda opinión».
Dónde rinde ese minuto
Duo es para preguntas en las que equivocarse sale caro:
- una cláusula de contrato antes de firmar,
- un proveedor al que vas a pagar,
- código a punto de desplegarse,
- una cuestión de dinero o salud sobre la que vas a actuar,
- un correo que no podrás retirar,
- una oferta de trabajo: más sueldo, más trayecto.
La gente ya contrasta a mano las respuestas importantes entre dos IA. Duo es ese hábito sin las pestañas.
Cuatro modos, cuatro situaciones
Critique es el modo por defecto y el único que necesitas el primer día. Otros once están a un toque, y cada uno muestra su coste en mensajes (la insignia ✉) antes de elegir.
Critique — «¿Es correcto?» ChatGPT redacta, Claude verifica y devuelve la respuesta mejorada, abierta por los tres bloques. Pega un párrafo de un contrato con un proveedor y pregunta a qué te compromete realmente la cláusula de rescisión: recibes una respuesta y una lista breve de lo que confirmar con un abogado. Tres mensajes de tus propios planes.
Dispute map — «Enséñame el desacuerdo.» Dónde coinciden, dónde no y qué afirmaciones se pueden comprobar. Sin imponer un veredicto. Útil para ver exactamente qué está en disputa antes de leer una sola fuente.
Debate until agreement — «No me decido.» ChatGPT toma partido, Claude objeta, hasta tres rondas, hasta que uno cede. Después: en qué estuvieron de acuerdo, qué sigue en disputa y qué te toca decidir a ti. Para las preguntas sin respuesta correcta, solo bien argumentadas.
Synthesis — «Dame lo mejor de ambos.» Las dos responden a ciegas. Una respuesta sirve de ancla y la otra añade solo lo que falta. Obtienes una respuesta más completa sin leer dos respuestas largas.
¿No sabes cuál elegir? Auto lee tu pregunta y recomienda uno.
Trio: una tercera empresa con una clave gratuita
Dos voces pueden compartir un punto ciego. Trio añade un tercer modelo de una tercera empresa. Tras la verificación de Claude, lee la pregunta y las dos respuestas y nombra solo lo que ambos pasaron por alto, en su propio bloque bajo la respuesta de Claude.
Sirve una clave gratuita de cualquiera de estos servicios: primero NVIDIA (Kimi K3, GLM-5.3, DeepSeek V4.1 Flash), luego Google AI Studio (Gemini), Groq u OpenRouter. Las claves viven en tu iCloud Drive, nunca dentro del atajo, así que compartir el atajo nunca comparte una clave.
Por dentro
- Un solo atajo; sus doce modos se enrutan mediante un diccionario, de modo que un modo nuevo es una entrada nueva, no una copia.
- Los prompts son archivos de texto plano en
locales/. El atajo se construye a partir de ellos; el repositorio tiene 11 locales, incluidos japonés, chino, árabe e hindi. -
tools/verify.pydesempaqueta el.shortcutfirmado y comprueba que coincide con las fuentes, de modo que lo que instalas es lo que puedes leer. - Apache-2.0.
La investigación detrás
Duo se apoya en dos trabajos aceptados en workshops de NeurIPS 2026 y en un reanálisis de los datos de nuestro estudio complementario. Los trabajos en OpenReview: https://openreview.net/forum?id=Mg9RtDWcK4 (Verification Theater), https://openreview.net/forum?id=OyuZAAtv2q (Self-Confidence in LLM Evaluation). (1) La autoconfianza es una señal débil (workshop TAE, doi:10.5281/zenodo.23197651): en nueve modelos de API de una colección ciega de 16 modelos (finales de julio de 2026; claude-haiku-4-5, gpt-5-mini, gemini-3.6-flash, grok-4-fast, deepseek-chat, qwen-plus, kimi-k3, glm-4.5, mistral-small-latest), la confianza declarada predice la corrección del propio modelo con un AUROC de 0,53–0,79; en el panel principal fijado de antemano (CN: DeepSeek, Alibaba, Moonshot), el acuerdo con modelos consultados a ciegas alcanza 0,83 frente a 0,55 de la autoconfianza (Δ +0,29; 0,775 frente a 0,545 con una recodificación sin etiquetas de corrección). (2) La verificación debe empezar a ciegas (workshop «Who Verifies the Agents?», doi:10.5281/zenodo.23197641): en un brazo exploratorio de conformidad con seis verificadores de API de julio de 2026 (Anthropic, OpenAI, Google, DeepSeek, Alibaba, Moonshot), los verificadores que habían discrepado a ciegas respaldaron la respuesta al verla como la de un colega en el 38,5 % de los casos (168/436); los modos Synthesis y Side by side de Duo obtienen ambas respuestas a ciegas. En el mismo trabajo, en el quintil más difícil según la dificultad para toda la población, los paneles de API de julio de 2026 (un modelo por laboratorio, llamados allí «frontier», de gama económica/media en ocho de nueve) replicaron 342 respuestas en 106 preguntas y, según la evaluación original, ninguna fue correcta. (3) Reanálisis post hoc (26 oct. 2026) de los datos publicados de la oleada de modelos insignia del estudio complementario (doi:10.5281/zenodo.22166995; un modelo insignia por laboratorio, instantánea del 5 ago. 2026): la pareja gpt-5.6-sol + claude-fable-5, 1 459 ítems de SimpleQA, respuestas a ciegas, la respuesta de GPT se emite solo cuando hay acuerdo por equivalencia determinista — cobertura 69,6 %, respuestas emitidas correctas en el 98,1 % (985/1 004) [97,2; 98,9] frente al 95,3 % de GPT solo; tasa de fallos seguros (confianza ≥ 80, sobre las respuestas seguras) 4,6 % → 1,9 % en GPT y 10,3 % → 2,8 % en Claude; ambos modelos insignia cometieron el mismo error seguro en solo el 1,0 % de los ítems (15/1 459). En las 106 preguntas de WVA (difíciles para los modelos de julio) la pareja insignia coincidió en 37 y acertó en 34. La pareja de gama media de los mismos laboratorios (gpt-5-mini + claude-haiku-4-5, julio de 2026): cobertura 8,6 %, respuestas emitidas correctas en el 36,6 %, 0/13 en las 106. Una pareja más fuerte gana en todos los ejes prácticos: cobertura ×8, exactitud de la respuesta emitida 37 % → 98 %, proporción de fallos seguros compartidos entre las respuestas emitidas 8 % → 1,5 %. Con ChatGPT Plus/Pro y Claude Pro/Max, Duo usa los modelos más potentes de esos planes sin coste adicional; las cifras anteriores corresponden a la pareja del 5 ago. 2026.
Límites: SimpleQA es público, y gpt-5.6-sol repite la cadena de referencia literalmente en el 61,6 % de las respuestas; en las 106 preguntas acierta solo en el 95,2 % y repite la referencia en el 64,2 % — difíciles para los modelos de julio, no para él. La compuerta elimina una proporción menor de los fallos seguros de GPT que la de la gama media (70,8 % frente a 92,3 %). Insignia frente a gama media son dos puntos medidos (meses distintos; esfuerzo de razonamiento de GPT medium frente a minimal). Las cifras de la pareja valen para los modos con respuesta ciega primero, no para Critique, donde Claude ve la respuesta de ChatGPT. El cero de WVA se mantiene con la dificultad de toda la población; con la dificultad sin los modelos del propio panel (leave-panel-out) persiste en el panel entre bloques (0/116), no en el agregado (78/354). Si se acreditan las respuestas defendibles halladas en la adjudicación manual de referencias de WVA, ese cero pasa a ser como máximo 13/342 (lift 0,98×). El control inverso del brazo de conformidad se hizo con seis modelos locales. En el panel US de TAE, la autoconfianza agregada va por delante (0,84 frente a 0,70), un efecto entre modelos (0,67 con normalización por rangos). Claude usa el modelo por defecto de la app; ChatGPT funciona con model: auto, que en los planes de pago elige el modelo del plan. Los modelos insignia actuales aún no están medidos. Datos y trabajos: github.com/vadimchernets/papers · polyhelper.ai/research
La escalera de modelos (reanálisis post hoc del 26 oct. 2026 de los datos publicados del estudio complementario, doi:10.5281/zenodo.22166995; no es un resultado de los trabajos de los workshops de NeurIPS). Los mismos 1 459 ítems de SimpleQA, ambos modelos a ciegas, la respuesta de GPT se emite solo cuando hay acuerdo por equivalencia determinista. Pareja de gama media gpt-5-mini (razonamiento minimal) + claude-haiku-4-5 (julio de 2026): cobertura 8,6 % (125), exactitud de la respuesta emitida 36,6 % (45/123) frente al 11,7 % de GPT solo, fallos seguros 85,4 % → 61,1 % de las respuestas seguras, 0/14 en el quintil más difícil, 0/13 en los 106 ítems de WVA. Pareja insignia gpt-5.6-sol (razonamiento medium) + claude-fable-5 (5 ago. 2026): cobertura 69,6 %, exactitud de la respuesta emitida 98,1 % (985/1 004) [97,2; 98,9] frente al 95,3 % solo, fallos seguros 4,6 % → 1,9 %, el mismo error seguro de ambos en solo el 1,0 % de los ítems (15/1 459) — el 1,5 % de las respuestas emitidas frente al 8,0 % de la pareja de gama media; respuestas emitidas correctas por cada 100 preguntas 67,5 frente a 3,1; bootstrap pareado, insignia menos gama media: exactitud de la respuesta emitida +52,8…+70,0 pp, cobertura +58,5…+63,7 pp. En un conjunto nuevo de 100 preguntas de dos pasos escritas después de la recogida, la pareja insignia coincidió en 32 y acertó en 29 (GPT allí con esfuerzo de razonamiento none). El estudio complementario motiva la escalera: los niveles por defecto de los tres mayores productos de IA de consumo están por debajo del nivel insignia, y alrededor del 3 % de los usuarios de IA de consumo paga por premium (Menlo Ventures, 2025); y en un piloto pareado (gemini-3.1-pro, 233 ítems) el presupuesto de razonamiento por defecto del proveedor frente a uno bajo dio una exactitud de 76,4 % frente a 75,1 % (McNemar p = 0,648), confianza declarada +3,1 puntos (Wilcoxon p < 0,0001), peor ECE (0,100 frente a 0,082) a 2,1 veces el coste: más presupuesto compró confianza, sin ganancia detectable de acierto. En estos datos, la fiabilidad de la verificación cruzada es una propiedad del nivel de la pareja, no del acto de verificar. Correspondencia con los planes a 26 oct. 2026 (claude.com/pricing; help.openai.com/en/articles/20001354 y /9793128; notas de versión de ChatGPT; no medido): ChatGPT Free/Go — Luna (GPT-6 Luna se despliega desde el 8 de oct.); Plus — GPT-6 Sol; Pro 100/200 $ — GPT-6 Sol con los modos más profundos y GPT-6 Pro (Astra); Claude Free — Sonnet 5.5; Pro — Opus 5.5, Fable con créditos de uso; Max — Fable 5.1. Las dos líneas de la pareja medida (Sol, Fable) son accesibles con ChatGPT Plus/Pro + Claude Max; dos planes de 20 $ dan acceso a GPT-6 Sol y Opus 5.5, no medidos como pareja; en Duo, ChatGPT funciona con auto y Claude con el modelo seleccionado en su app. Próxima medición: el mismo protocolo ciego sobre un conjunto nuevo a lo largo de la escalera de planes de cada proveedor, registrando en el dispositivo el modelo que respondió.
Límites: dos puntos medidos, no una curva (meses distintos, esfuerzo de razonamiento de GPT minimal frente a medium, distinta exposición a SimpleQA; gpt-5.6-sol repite la cadena de referencia literalmente en el 61,6 % de las respuestas); claude-haiku-4-5 rechazó 476 de los 1 459 ítems, lo que explica la baja cobertura de la pareja de gama media; la compuerta de GPT elimina el 70,8 % de sus fallos seguros con los insignia frente al 92,3 % con los de gama media; la etiqueta «insignia» por sí sola no garantiza nada (11,4–95,4 % entre once modelos insignia de agosto de 2026); el resultado sobre el presupuesto de razonamiento es un piloto con un solo modelo, presupuesto bajo frente al del proveedor por defecto, sin probar presupuestos superiores al por defecto (con el razonamiento desactivado, gpt-5.6-sol cayó del 92,0 % al 46,3 % en una submuestra, confundido con la temperatura); las parejas de planes gratuitos y de 20 $ y los modelos insignia actuales no están medidos.
Pruébalo
- En tu iPhone, abre https://polyhelper.ai/es/duo/?ref=devto-es y toca Duo en tu idioma. Se abre Atajos; toca Añadir.
- En la primera ejecución, toca Permitir siempre cada vez que pregunte por ChatGPT, Claude y el portapapeles (4–6 veces).
- Pregunta algo en lo que una segunda opinión valga un minuto.
Necesitas iOS 18 o posterior (un iPhone 14 lo ejecuta sin problema) y las apps de ChatGPT y Claude con la sesión iniciada. Duo para Android es gratis en Google Play: https://play.google.com/store/apps/details?id=ai.polyhelper.a1
Código fuente (Apache-2.0): https://github.com/vadimchernets/poly-duo
Instálalo, hazle la pregunta más incómoda que tengas esta semana sobre la mesa (un contrato, una oferta, un diff) y cuéntame en los comentarios qué modo debería añadir a continuación. ¿Un prompt que se pueda afinar? Abre un issue.
Un consejo práctico: mientras se ejecuta, deja la pantalla en paz. Un toque detiene el atajo.
Vadym Chernets, investigador independiente de IA (PhD). Dos de mis pósters sobre evaluación y verificación de IA están en workshops de NeurIPS 2026: https://neurips.cc/virtual/2026/178299 · https://neurips.cc/virtual/2026/loc/sydney/173020
Poly para iPhone — beta en TestFlight: https://testflight.apple.com/join/xDnucCVD
Top comments (0)