Google acaba de presentar Gemini 3.7 Flash, un nuevo modelo de inteligencia artificial que llega con una apuesta bastante clara: hacer que la IA no solo responda preguntas, sino que pueda encargarse de tareas completas.
Desde 2022 hemos estado pendientes de cuál modelo razona mejor, cuál escribe mejor o cuál obtiene la puntuación más alta en los benchmarks. Google, OpenAI y Anthropic han convertido esa competencia en una especie de carrera permanente.
Pero ahora empieza a aparecer una pregunta, quizá más interesante:
¿Cuánto cuesta hacer que una IA trabaje por nosotros?
Ahí es donde Gemini 3.7 Flash quiere marcar diferencia.
Google lo presenta como su nuevo modelo de referencia para programación y agentes de IA, con mejoras en tareas que requieren seguir instrucciones, utilizar herramientas y resolver problemas en varios pasos.
Y aunque buena parte del anuncio está dirigido a desarrolladores, hay algo que debería interesar también al usuario común: los agentes de IA están empezando a dejar de ser una promesa para convertirse en herramientas prácticas.
Piensa en cómo utilizamos normalmente ChatGPT, Gemini o Claude.
Le hacemos una pregunta. Recibimos una respuesta.
Después hacemos otra pregunta. Pedimos una corrección. Añadimos información. Volvemos a revisar.
Nosotros seguimos llevando el volante.
Un agente funciona de otra manera.
En lugar de decirle paso por paso qué hacer, podemos plantearle un objetivo y algunas condiciones. La IA puede dividir el problema, consultar información, utilizar herramientas y avanzar por diferentes etapas.
Por ejemplo, no sería simplemente:
“Resume estos documentos.”
Podríamos pedir:
“Revisa estos documentos, identifica las fechas importantes, encuentra las tareas pendientes, ordénalas por prioridad y prepara un plan de acción.”
Parece una diferencia pequeña, pero no lo es; la primera petición genera un texto y la segunda intenta convertir información dispersa en trabajo terminado.
Ese es el terreno en el que Google está colocando a Gemini 3.7 Flash ahora.
Google está poniendo el foco especialmente en programación, desarrollo web, comprensión de documentos y flujos de trabajo con agentes. El modelo también mantiene una ventana de contexto de hasta un millón de tokens y puede generar hasta 64.000 tokens de salida.
Para un desarrollador, estas características pueden ser bastante relevantes.
Para el resto de nosotros, los números pueden sonar un poco abstractos, pero lo interesante es qué podemos hacer con ellos.
Imagina que tienes decenas de documentos de trabajo. Contratos, informes, correos, hojas de cálculo, notas, etc.
En lugar de ir documento por documento, podrías pedirle a un agente que busque determinadas fechas, detecte contradicciones, encuentre información pendiente y prepare un informe.
O piensa en algo todavía más cotidiano, tienes cientos de correos sin responder.
La IA podría identificar cuáles requieren una respuesta, cuáles contienen fechas límite, cuáles son simplemente informativos y cuáles están relacionados entre sí.
Eso empieza a parecerse menos a un chatbot y más a un asistente digital.
Aquí aparece uno de los detalles más interesantes del lanzamiento.
Google ha anunciado un precio promocional para Gemini 3.7 Flash de US$0,75 por millón de tokens de entrada y US$3,75 por millón de tokens de salida, hasta el 31 de diciembre de 2026. Después, las tarifas anunciadas subirán a US$1,50 y US$7,50 respectivamente.
¿Por qué debería importarnos?
Porque los agentes consumen muchos más recursos que un chatbot tradicional.
Una conversación puede requerir una o dos respuestas.
Un agente podría necesitar hacer veinte, treinta o incluso más operaciones para completar una tarea.
Consultar información. Analizarla. Utilizar una herramienta. Revisar el resultado. Corregirlo. Volver a intentarlo.
Cada paso tiene un costo.
Si ese costo es suficientemente bajo, empiezan a aparecer nuevos casos de uso.
Una empresa podría tener cientos de pequeñas tareas automatizadas. Un desarrollador podría ejecutar agentes durante horas. Una aplicación podría utilizar IA detrás de escena sin que cada operación resulte demasiado cara.
Ahí está buena parte de la batalla.
No se trata solamente de crear una IA más inteligente. También hay que conseguir que sea económicamente viable utilizarla miles de veces.
Hay otro detalle que me parece especialmente revelador.
Gemini 3.7 Flash no está pensado únicamente para utilizarse dentro de Gemini.
Google lo está poniendo a disposición a través de Google AI Studio, Gemini API, Google Antigravity y Android Studio. Además, GitHub ya lo está incorporando a Copilot.
Esto cambia la perspectiva.
La competencia ya no consiste solamente en conseguir que alguien abra una aplicación y elija Gemini en lugar de ChatGPT.
También consiste en conseguir que los desarrolladores utilicen Gemini como motor de sus propias aplicaciones y agentes.
GitHub, por ejemplo, está incorporando Gemini 3.7 Flash en Copilot para tareas de programación, desarrollo web, investigación de código y flujos de trabajo agénticos.
Es posible que dentro de unos meses utilicemos una aplicación que funcione con Gemini sin siquiera saberlo.
Y eso es exactamente lo que buscan los proveedores de modelos.
Convertirse en la infraestructura.
Hablar de benchmarks está bien, pero la mayoría de las personas no se despierta pensando en SWE-bench. Tenemos otras preocupaciones.
Probemos algunos promps:
En lugar de:
“Dime qué dicen mis correos.”
Podrías pedir:
“Revisa mis correos de los últimos 30 días. Identifica facturas, reuniones, solicitudes pendientes y fechas límite. Agrúpalos por prioridad y prepara una lista de acciones.”
No estás pidiendo un resumen, estás delegando una pequeña parte de tu trabajo.
Tom’s Guide probó Gemini 3.7 Flash precisamente con un escenario de este tipo, utilizando información de Gmail y Google Drive para encontrar pendientes, fechas y documentos y convertirlos en un plan de acción. La prueba también mostró que todavía hace falta supervisar los resultados.
También podríamos darle un objetivo mucho más cotidiano, el prompt podría ser:
“Quiero viajar cinco días a Madrid con un presupuesto de US$1.500. Busca opciones de alojamiento, organiza los lugares que quiero visitar por zonas y prepara un itinerario que reduzca los desplazamientos.”
La IA tendría que investigar , comparar, tomar en cuenta restricciones y construir una respuesta coherente para ti.
Ese tipo de tareas es justamente donde los agentes pueden resultar mucho más útiles que un chatbot tradicional.
Otro ejemplo.
Imagina que recibes 15 documentos relacionados con un proyecto.
Podrías pedir:
“Analiza estos documentos. Identifica fechas, compromisos, riesgos y diferencias entre ellos. Agrupa los hallazgos por tema y prepara un informe ejecutivo. Indica siempre qué documento respalda cada conclusión.”
Aquí la IA deja de ser una herramienta para escribir y se convierte en una herramienta para procesar información.
Y eso puede tener un impacto enorme en oficinas, empresas, universidades y pequeños negocios.
💎 Suscríbete para acceder a artículos exclusivos, herramientas útiles y consejos prácticos para aprovecharla antes que los demás.
Gemini 3.7 Flash está especialmente orientado a programación y desarrollo web.
Eso abre otra posibilidad interesante.
Una persona que no sea programadora podría describir algo como:
“Quiero una página para mi negocio. Debe mostrar mis servicios, precios, zonas de atención, preguntas frecuentes y un formulario de contacto.”
Un agente puede generar código, revisar errores y hacer modificaciones.
No significa que los programadores vayan a desaparecer, más bien cambia el trabajo.
En lugar de escribir cada línea desde cero, el desarrollador puede dedicar más tiempo a decidir qué debe construirse, cómo debe funcionar y cómo comprobar que realmente funciona.
Aquí conviene bajar un poco el entusiasmo.
Google presenta resultados muy buenos para Gemini 3.7 Flash y destaca mejoras frente a generaciones anteriores en programación, desarrollo web y tareas agénticas.
Pero eso no significa que sea automáticamente el mejor modelo para todo.
Los benchmarks ayudan pero no cuentan toda la historia.
Una IA puede obtener una puntuación excelente en una prueba y comportarse peor en una tarea concreta que tú haces todos los días, por eso, yo no elegiría un modelo solamente porque “ganó” determinado benchmark.
Yo lo probaría y lo compararía, si una tarea funciona mejor con Gemini, lo usaría.
Si funciona mejor con Claude, utiliza Claude, si ChatGPT resuelve mejor otra cosa, quédate con ChatGPT.
La ventaja de tener varios modelos disponibles es precisamente esa.
Ya no tenemos que casarnos con una sola IA.
Hay una estrategia que probablemente se vuelva cada vez más habitual.
Utilizar modelos económicos para las tareas repetitivas y reservar los modelos más potentes para los problemas realmente difíciles.
Por ejemplo:
Modelo rápido y económico
clasificar correos;
resumir documentos;
extraer información;
organizar datos;
generar borradores;
convertir notas en listas;
realizar tareas repetitivas.
Modelo más avanzado
analizar una decisión empresarial compleja;
resolver un problema difícil de programación;
revisar una estrategia;
analizar información ambigua;
trabajar en tareas donde un error puede tener consecuencias importantes.
Tiene sentido.
No necesitas un Ferrari para ir a comprar pan.
Cuanto más autónoma sea una IA, mayor es la responsabilidad que tenemos al utilizarla.
Un chatbot puede equivocarse.
Un agente puede equivocarse y actuar basándose en ese error.
Esa diferencia importa mucho.
Por eso recomiendo empezar con tres niveles.
La IA analiza y propone.
Tú decides.
La IA puede realizar varias acciones, pero tiene que pedir permiso antes de hacer algo importante.
Tú apruebas.
La IA puede completar un proceso sin pedirte permiso en cada paso.
Esto puede ser fantástico para tareas de bajo riesgo.
Pero no sería buena idea comenzar dándole acceso completo a tu correo, archivos, cuentas o sistemas empresariales.
Primero hay que conocer sus límites.
Creo que esta es una de las ideas más útiles que podemos sacar del lanzamiento de Gemini 3.7 Flash.
Durante mucho tiempo hemos aprendido a preguntarle cosas a la IA.
Ahora tendremos que aprender a delegarle trabajos.
La diferencia se nota en la forma de escribir el prompt.
En lugar de:
“Ayúdame con mis correos.”
Prueba:
“Quiero organizar mi correo. Revisa los mensajes pendientes, identifica los que requieren una acción, agrúpalos por prioridad y prepara una lista de tareas. No envíes respuestas ni elimines nada sin pedirme autorización.”
Es mucho mejor.
Le das un objetivo.
Le das límites.
Y defines qué cosas puede hacer por su cuenta y cuáles requieren tu aprobación.
Esa forma de trabajar será cada vez más importante.
No necesitas construir un sistema sofisticado.
Busca una tarea aburrida que haces todas las semanas.
Una sola.
Puede ser organizar documentos, resumir reuniones, preparar informes, revisar correos, comparar información o generar un primer borrador.
Dale a la IA el objetivo completo.
Después observa qué ocurre.
¿Entendió bien la tarea?
¿Necesitó demasiadas instrucciones?
¿Cometió errores?
¿Fue capaz de comprobar su propio trabajo?
¿Realmente te ahorró tiempo?
Esta última pregunta es la más importante.
No uses IA solamente porque puede hacerlo. Úsala cuando hacerlo con IA sea mejor que hacerlo manualmente.
Gemini 3.7 Flash puede parecer, a primera vista, simplemente otro modelo nuevo.
Pero detrás del lanzamiento hay una tendencia bastante clara.
Google está apostando por modelos que sean suficientemente inteligentes para trabajar con herramientas, suficientemente rápidos para responder y suficientemente baratos para ejecutar muchas tareas.
OpenAI y Anthropic están haciendo movimientos similares.
Y GitHub ya está llevando estos modelos directamente a las herramientas que utilizan los desarrolladores.
La carrera ya no es solamente por construir el chatbot que responde mejor.
Es por construir la IA que pueda decir:
“Entendí lo que necesitas. Voy a encargarme.”
Eso puede cambiar mucho más nuestra relación con la tecnología que otra mejora de unos cuantos puntos en un benchmark.
Porque cuando una IA puede completar una tarea de principio a fin, dejamos de pensar en ella como una herramienta que utilizamos.
Empezamos a verla como alguien —o algo— al que podemos delegarle trabajo.
Y ahí es donde la revolución de los agentes realmente comienza.
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.