Google lleva Gemini a la búsqueda, el móvil y la creación de vídeo

Google utilizó I/O el 14 de mayo de 2024 para colocar Gemini en varias capas de su negocio: respuestas generadas en la Búsqueda, un modelo más rápido para desarrolladores, un asistente que ve a través del móvil y un generador de vídeo. La impresión era la de un lanzamiento simultáneo, pero cada pieza estaba en un estado distinto. AI Overviews empezaba un despliegue en Estados Unidos; Gemini 1.5 Flash entraba en vista previa pública; Veo quedaba limitado a creadores seleccionados; Project Astra seguía siendo un prototipo. Leer esa escalera de disponibilidad evita confundir una demostración con una función que ya puede usarse.

La importancia del movimiento no reside solo en presentar otro chatbot. Google posee la interfaz desde la que una gran parte de internet busca información, además de Android, Workspace y una plataforma de nube. Integrar generación en esos puntos cambia el recorrido del usuario: el modelo deja de ser un destino separado y se convierte en una capa que resume, ordena o actúa antes de que la persona vea las fuentes.

AI Overviews pasa del laboratorio al buscador

Google anunció que AI Overviews comenzaba a desplegarse para todos los usuarios de Estados Unidos. La función genera una respuesta situada sobre los resultados tradicionales y añade enlaces para profundizar. Procedía de Search Generative Experience, el experimento de Search Labs que llevaba probándose desde 2023.

La compañía dijo que cientos de millones de personas tendrían acceso esa semana y que esperaba superar los mil millones antes de acabar 2024. Esas dos cifras no son usuarios observados del producto final: la primera describe alcance previsto del despliegue y la segunda, una expectativa de la propia Google. La fecha y el verbo importan tanto como el número.

El cambio modifica la unidad de confianza. En una lista de enlaces, el usuario puede reconocer dominio, título y fragmento antes de elegir. En un resumen generado, recibe primero una síntesis compuesta y debe abrir las fuentes para reconstruir de dónde sale cada afirmación. Google sostuvo que los enlaces dentro de AI Overviews recibían más clics que si las mismas páginas aparecieran como un resultado tradicional para esas consultas, una medición de la empresa que debía observarse a medida que creciera el despliegue.

Para una consulta de bajo riesgo, el resumen puede ahorrar pasos. Para salud, dinero, derecho, seguridad o una decisión irreversible, conviene tratarlo como un mapa, no como la llegada. La pregunta práctica es si cada dato importante puede seguirse hasta una página que realmente lo sostiene. Una respuesta fluida sin procedencia visible reduce fricción a costa de hacer más difícil detectar una mezcla incorrecta.

Project Astra era una visión, no una aplicación disponible

Project Astra mostró un agente que procesaba vídeo y voz de forma continua, respondía sobre objetos que la cámara tenía delante y recordaba dónde había visto algo. El anuncio de Gemini y Astra explicó el mecanismo a alto nivel: codificar fotogramas de manera continua, combinar imagen y habla en una línea temporal y almacenar esa información para recuperarla con rapidez.

Ese diseño convierte la latencia en parte de la capacidad. Un asistente visual no resulta conversacional si tarda tanto que la escena ya ha cambiado. También convierte la memoria en una cuestión de privacidad: para recordar dónde estaban unas gafas, el sistema tiene que representar lo que vio y asociarlo con un momento. Antes de usar una función así habría que saber si el procesamiento ocurre en el dispositivo o en servidores, cuánto se conserva, quién puede borrarlo y qué indicación reciben las demás personas captadas.

El anuncio de mayo hablaba de prototipos y decía que algunas capacidades llegarían a experiencias de Gemini más adelante en 2024. Las gafas mostradas eran una forma posible, no un producto con precio o fecha de venta. La página oficial de Project Astra lo identifica como prototipo de investigación limitado a probadores de confianza. Un vídeo de una función y una función disponible son pruebas diferentes.

Veo generaba vídeo, pero solo en prueba privada

Google también presentó Veo, su modelo de vídeo de alta definición. El anuncio original de Veo e Imagen 3 atribuyó al sistema vídeos de 1080p que podían superar un minuto, entrada mediante instrucciones y comprensión de términos cinematográficos como cámara rápida o plano aéreo. Los ejemplos publicados confirmaban resultados seleccionados; no ofrecían una distribución de fallos ni una comparación pública reproducible.

El estado de acceso era estrecho: algunos creadores podían probar Veo en vista previa privada mediante VideoFX y el resto podía apuntarse a una lista de espera. Google dijo que algunas capacidades llegarían en el futuro a YouTube Shorts y otros productos. No era disponibilidad general ni una vista previa abierta en Vertex AI el 14 de mayo.

Todos los vídeos generados con Veo en VideoFX llevarían SynthID, una marca de agua digital imperceptible de Google. La medida aporta una señal para reconocer contenido salido de ese circuito, pero no demuestra por sí sola que un vídeo sin la marca sea auténtico. Puede proceder de otra herramienta, haber perdido metadatos o no estar dentro del sistema compatible. Una señal positiva tiene un significado más fuerte que su ausencia.

Flash sí llegó a manos de desarrolladores, en preview

Gemini 1.5 Flash fue la parte más accesible del bloque técnico. Google lo describió como una variante más ligera que 1.5 Pro, optimizada para velocidad, coste y tareas de alto volumen. Tanto Flash como Pro estaban en vista previa pública en Google AI Studio y Vertex AI con una ventana de contexto de un millón de tokens. Pro con dos millones se ofrecía mediante lista de espera.

Vista previa pública significa que un desarrollador puede probar, pero no que la interfaz, el precio, los límites o el comportamiento tengan la estabilidad de una versión general. Tampoco un millón de tokens significa un millón de tokens comprendidos con idéntica precisión. La ventana marca cuánto material admite la petición; no garantiza que el modelo encuentre cada detalle, mantenga relaciones lejanas ni razone bien sobre todo el conjunto.

Google explicó que Flash se había entrenado mediante destilación desde 1.5 Pro y lo orientó a resumen, chat, descripción de imagen y vídeo y extracción de datos. Para evaluar la promesa de rapidez no basta una etiqueta. Hay que medir el tiempo hasta una respuesta correcta, el coste por tarea completada y la calidad en los documentos propios. Un modelo barato que obliga a repetir o corregir puede salir caro.

Una tabla de disponibilidad para leer una conferencia

Los cuatro anuncios pueden ordenarse con cinco preguntas. ¿Quién tiene acceso hoy? ¿En qué país o plataforma? ¿Con qué etiqueta —general, preview pública, prueba privada o investigación—? ¿Qué capacidad está presente y cuál figura como futura? ¿Qué prueba respalda la afirmación: uso observado, benchmark, demostración elegida o previsión empresarial?

Aplicada a I/O, la tabla queda clara. AI Overviews iniciaba un despliegue de producto en Estados Unidos. Gemini 1.5 Flash estaba abierto a pruebas de desarrolladores, aún en preview. Veo tenía usuarios seleccionados y lista de espera. Astra mostraba dirección de investigación y futuras incorporaciones. La misma palabra presentó no significa lo mismo en las cuatro filas.

La distinción también ayuda a entender riesgos. Un fallo en Astra afectaba por entonces a un prototipo limitado; un fallo en AI Overviews podía escalar con el buscador. Veo exigía controles de procedencia antes de ampliar acceso. Flash requería evaluación y límites antes de integrarlo en una aplicación. La capacidad técnica y la superficie de exposición crecen en ejes distintos.

La capacidad transferible es convertir cualquier keynote en una matriz de estado, alcance, evidencia y fecha. Primero anota qué puede usar una persona ese día; después separa lo que está en prueba de lo que solo se promete. Por último, busca la fuente detrás de cada número y conserva sus verbos. Así se puede reconocer la ambición real de Google sin tratar una hoja de ruta como presente ni un despliegue masivo como si fuera una demo inocua.