Google lleva su nuevo Gemini al Buscador y obliga a separar acceso de capacidad

El 18 de noviembre de 2025, Google presentó Gemini 3 y distribuyó Gemini 3 Pro en vista previa por varios productos. El anuncio general lo situó en la aplicación Gemini, AI Studio, Vertex AI, Google Antigravity y el Modo IA del Buscador. La amplitud era real, pero “llegó a Google” no significaba que cualquier persona recibiera el mismo modelo, ese día, en cualquier país y sin condiciones.

En el Buscador, la ficha específica limitaba el acceso inicial a suscriptores de Google AI Pro y Ultra en Estados Unidos, mediante la opción “Thinking” de Modo IA. La selección automática de Gemini 3 para consultas complejas se anunciaba para las semanas siguientes. Gemini Deep Think tampoco estaba abierto al público: Google decía que primero lo entregaría a evaluadores de seguridad.

La capacidad duradera que deja el lanzamiento es construir una matriz antes de comparar. Sus columnas son superficie, región, plan, versión, estado, herramientas permitidas y fecha. Sin ella, “disponible”, “en vista previa”, “en despliegue” y “próximamente” se mezclan hasta producir un producto imaginario con todos los puntos fuertes y ninguna restricción.

El nombre de familia no identifica la experiencia

Gemini 3 era la familia. Gemini 3 Pro era el primer modelo de esa familia y se estrenaba como vista previa. Deep Think era un modo de razonamiento reforzado pendiente de más evaluación. Antigravity era una plataforma de desarrollo que combinaba modelos y herramientas. Modo IA era una superficie del Buscador. Usar “Gemini 3” para todos ellos oculta qué componente produjo un resultado.

En la aplicación Gemini, Google anunció el despliegue para todos los usuarios. En el Buscador, el acceso inicial estaba restringido por país, suscripción y selección manual. Para empresas, Vertex AI y Gemini Enterprise ofrecían el modelo. Para desarrolladores, la API de Gemini, AI Studio, Gemini CLI y Antigravity abrían otras rutas. Cada ruta podía imponer límites, precios, herramientas y políticas diferentes.

Por eso una prueba reproducible empieza registrando el identificador del modelo y no solo la marca. Añade fecha, producto, plan, región, parámetros, herramientas, instrucciones del sistema y número de intentos. Dos personas que escriben la misma pregunta en Buscador y en API no están necesariamente evaluando el mismo sistema: una superficie puede buscar en la web, seleccionar modelos, construir una interfaz o aplicar reglas adicionales.

Un benchmark es una tarea bajo condiciones

Google publicó resultados de Gemini 3 Pro en varios ejes: 37,5% en Humanity’s Last Exam sin herramientas, 91,9% en GPQA Diamond, 81% en MMMU-Pro, 87,6% en Video-MMMU y 72,1% en SimpleQA Verified. También comunicó 1.501 puntos Elo en LMArena. Las cifras no forman una nota media: cada prueba tiene una población de preguntas, una forma de puntuar y una configuración.

Humanity’s Last Exam y GPQA se orientan a preguntas académicas difíciles. MMMU-Pro combina razonamiento sobre imágenes y conocimiento; Video-MMMU trabaja con vídeo; SimpleQA Verified evalúa respuestas breves de hechos; LMArena deriva una clasificación de preferencias entre respuestas comparadas. Un Elo es una posición relativa dentro de un sistema competitivo, no el porcentaje de consultas correctas. No se puede restar directamente de una precisión.

La metodología de evaluación de Google DeepMind añadía detalles imprescindibles: los resultados de Gemini usaban pass@1; la configuración de intento único no permitía votación mayoritaria ni cómputo paralelo en tiempo de prueba; las pruebas pequeñas se promediaban sobre varias ejecuciones. También explicaba que parte de las cifras de competidores procedía de sus propios proveedores y que Google calculó otras mediante las API oficiales cuando no había datos publicados.

Incluso dentro de programación, la metodología advertía que los resultados de SWE-bench Verified usaban andamiajes e infraestructura distintos. Eso no invalida la tabla. Cambia la pregunta que puede contestar: muestra rendimiento declarado en configuraciones descritas, no una carrera de laboratorio perfectamente controlada. Una comparación sólida iguala modelo, herramientas, presupuesto, intentos, tiempo y criterio de éxito.

La ventana de contexto es capacidad, no comprensión garantizada

Google anunció una ventana de contexto de un millón de tokens y entradas de texto, imagen, audio, vídeo y código. Ese límite describe cuánto material admite el sistema en una solicitud, no cuánto recuerda con precisión ni qué parte resulta relevante. Meter un repositorio o varias horas de vídeo en contexto evita ciertos cortes, pero no asegura localizar la cláusula decisiva o seguir una relación distribuida entre documentos.

Una prueba de contexto debe ocultar hechos verificables en posiciones distintas, variar el volumen de material irrelevante y pedir citas o referencias al fragmento original. Conviene medir recuperación, exactitud, contradicciones, latencia y coste. Si el modelo resume bien un archivo corto pero omite datos en uno largo, la especificación de entrada sigue siendo cierta; la capacidad útil es menor para esa tarea.

La multimodalidad necesita el mismo cuidado. Aceptar vídeo no demuestra entender cada fotograma; aceptar audio no garantiza separar hablantes; aceptar un PDF no asegura interpretar tablas, diagramas y notas al pie. La unidad de evaluación debe parecerse al trabajo real y conservar un conjunto de respuestas comprobables.

El Buscador añade recuperación e interfaz

Google describió para Modo IA una técnica de expansión de consultas que realiza búsquedas relacionadas, además de interfaces generativas con tablas, diseños visuales, herramientas y simulaciones. El resultado visible no procede únicamente de los pesos del modelo. Intervienen recuperación de páginas, selección de fuentes, código generado, componentes de interfaz y reglas del producto.

Ese conjunto puede ser más útil que una respuesta de texto aislada, pero abre nuevos puntos de fallo. Una calculadora puede implementar mal una fórmula; una simulación puede elegir supuestos no declarados; un resumen puede citar una página que no sostiene la afirmación. La evaluación debe recorrer la cadena: consulta emitida, fuentes recuperadas, transformación, cálculo, enlace y resultado presentado.

La ficha del Buscador prometía enlaces destacados a contenidos de la web. Comprobarlo no consiste en contar enlaces, sino en abrirlos y verificar si respaldan la afirmación contigua. Una interfaz visual puede aumentar claridad sin elevar la exactitud; también puede hacer más persuasivo un error. Diseño y verdad son ejes separados.

Un agente se evalúa por el rastro de acciones

La guía para desarrolladores presentaba Antigravity como una plataforma donde agentes podían planificar y ejecutar tareas sobre editor, terminal y navegador, y comunicar su trabajo mediante artefactos. El salto relevante no era escribir más código, sino actuar sobre entornos.

Un agente que tiene herramientas requiere una métrica distinta de un chat. Hay que definir el objetivo, permisos, estado inicial, pruebas de aceptación, tiempo, coste, cambios realizados y posibilidad de reversión. “Terminó la tarea” no basta si modificó archivos ajenos, ocultó un fallo o dejó una dependencia vulnerable. Los artefactos permiten revisar qué orden ejecutó y qué evidencia observó.

La prueba práctica empieza en un entorno aislado y con una tarea representativa. Se repite sobre varias variantes, se registra cada acción y se puntúa el resultado mediante tests externos al propio agente. Después se revisan falsas finalizaciones, operaciones innecesarias y daño colateral. La autonomía se mide por trabajo correcto bajo límites, no por cantidad de pasos sin supervisión.

Una ficha de lanzamiento que no confunde promesa y hecho

Para cada producto, escriba “disponible para quién, dónde, en qué estado y con qué modelo”. Para cada cifra, añada tarea, métrica, configuración, herramientas, número de intentos y origen del resultado. Para cada demostración, separe entrada preparada, ejecución repetible y evidencia externa. Para cada agente, anote permisos y prueba de aceptación.

Aplicada el 18 de noviembre, esa ficha mostraba un despliegue amplio pero desigual: vista previa de Gemini 3 Pro en herramientas y aplicaciones; acceso de Search limitado inicialmente a ciertos suscriptores estadounidenses; Deep Think todavía con evaluadores; y Antigravity como plataforma de agentes en vista previa. Los benchmarks mostraban capacidad bajo protocolos concretos, no acierto universal.

Google tenía una ventaja de distribución clara: podía colocar un modelo nuevo en productos existentes desde el primer día. Precisamente por eso el lector necesitaba más precisión, no menos. La pregunta útil no era si “Gemini 3 estaba en todo”, sino qué versión atendía a qué usuario, con qué herramientas y qué prueba permitiría saber si mejoraba su tarea.