En el panorama digital en rápida evolución de hoy, las reseñas de clientes juegan un papel crucial en la formación de la reputación y el éxito de los hoteles. Analizar y clasificar con precisión el sentimiento de estas reseñas ofrece valiosos conocimientos sobre la satisfacción del cliente, lo que permite a las empresas obtener una ventaja competitiva. Este estudio realiza un análisis comparativo de modelos tradicionales de procesamiento de lenguaje natural (NLP), como BERT, y modelos de lenguaje grande avanzados (LLMs), específicamente GPT-4 omni y GPT-4o mini, tanto antes como después del ajuste fino con aprendizaje de pocos ejemplos. Al aprovechar un extenso conjunto de datos de reseñas de hoteles, evaluamos la efectividad de estos modelos en la predicción de calificaciones estelares basadas en el contenido de las reseñas. Los hallazgos demuestran que la familia GPT-4 omni supera significativamente al modelo BERT, logrando una precisión del 67%, en comparación con el 60.6% de BERT. GPT-4o, en particular, destacó en precisión y comprensión contextual, mostrando la superioridad de los LLMs avanzados sobre los métodos tradicionales de NLP. Esta investigación subraya el potencial de utilizar sistemas sofisticados de evaluación de reseñas en la industria hotelera y posiciona a GPT-4o como una herramienta transformadora para el análisis de sentimientos. Marca una nueva era en la automatización e interpretación de la retroalimentación del cliente con una precisión sin precedentes.