Inteligencia artificial
¿Está Gemini de Google liderando ahora la carrera de IA?
El desarrollo de la tecnología de IA se ha descrito con razón como una carrera, con startups privadas como OpenAI y Anthropic compitiendo cara a cara con gigantes tecnológicos como Microsoft (MSFT ) y Google (GOOGL ). Esta carrera ha sido impulsada por cientos de miles de millones de dólares en inversión, no solo en desarrollo de software, sino también en enormes gastos de capital para construir centros de datos de IA cada vez más grandes y hambrientos de energía para entrenar los últimos modelos.
Mientras tanto, los modelos chinos también están avanzando rápidamente, añadiendo una sensación de urgencia y competencia geopolítica a los esfuerzos de las empresas occidentales.
Recientemente, parece que Gemini de Google está tomando la delantera sobre sus competidores, especialmente con el lanzamiento de Gemini 3 Deep Think, un modelo centrado en una comprensión realista no solo de los lenguajes sino también del mundo físico. Además, Google también ha sido seleccionado por Apple (AAPL ) para impulsar la IA de los dispositivos de la compañía y está avanzando en el negocio de fabricación de chips de IA.
Gemini 3 Deep Think: ¿Qué cambió?
Lanzamiento de Deep Think
Con el lanzamiento el 12de de febrero de 2026 de Gemini 3 Deep Think, Google dio un paso definitivo al pasar de IAs que se centran mayormente en la búsqueda y el lenguaje (LLM) a IAs más generalistas capaces de comprender el mundo físico.
Este es un desarrollo importante, ya que “IA física” es la dirección que está tomando la industria, una tendencia que exploramos con más detalle en “IA física: Inversión en el auge de los robots humanoides 2026.”
Por ahora, el nuevo Deep Think está disponible en la aplicación Gemini para suscriptores de Google AI Ultra y, por primera vez, disponible a través de la API de Gemini para investigadores, ingenieros y empresas seleccionados, lo que hace que esta IA ya esté disponible comercialmente, no solo como modelo de prueba.
Matemáticas y Ciencias Primero
Lo que distingue a Deep Think de iteraciones anteriores de Gemini, y en cierta medida de otras IAs también, es un enfoque en la comprensión matemática.
Los LLMs son notoriamente deficientes en tareas matemáticas simples, a veces fallando incluso en sumas simples o en contar en orden. Esto no es cierto para Deep Think, que ha permitido que agentes especializados realicen exploraciones matemáticas a nivel de investigación. El modelo supera enormemente a otros modelos en pruebas de matemáticas y ciencias. También tiene un rendimiento muy bueno en tareas de codificación.
Fuente: Google
La diferencia con Gemini Pro Preview es aún más marcada en pruebas sobre temas científicos, de las Olimpiadas Internacionales de Matemáticas o de Química, donde obtuvo alrededor del 82 %, en comparación con solo el 14 % en la prueba de matemáticas del modelo LLM anterior de Google.
Fuente: Google
Estos resultados fueron posibles gracias a una arquitectura radicalmente diferente de las “IA clásicas”, que sufren alucinaciones cuando los datos son escasos, lo que por definición siempre será el caso para los últimos descubrimientos científicos.
Por ejemplo, para la matemática pura, un agente de investigación matemática (con nombre interno Aletheia), impulsado por Gemini Deep Think, cuenta con un verificador de lenguaje natural para identificar fallas en soluciones candidatas. Permite un proceso iterativo de generación y revisión de soluciones. Crucialmente, este agente puede admitir el fracaso al resolver un problema, una característica clave que mejoró la eficiencia para los investigadores.
Fuente: Google
Este enfoque no solo es más potente al ofrecer los resultados correctos, sino también más eficiente, ya que Aletheia demostró que se puede lograr una mayor calidad de razonamiento con un menor cómputo en tiempo de inferencia.
El enfoque puede ampliarse de las matemáticas a otras ciencias físicas. Por ejemplo, Gemini Deep Think descubrió cómo usar “una solución novedosa con polinomios de Gegenbauer” para calcular la radiación gravitacional de cuerdas cósmicas.
Aplicaciones científicas reales
Este rendimiento ya se está traduciendo en usos científicos reales por parte de los investigadores.
Por ejemplo, la matemática Lisa Carbone de la Universidad de Rutgers utilizó Deep Think para encontrar una falla lógica que había sido pasada por alto por revisores humanos en un artículo matemático altamente técnico sobre la teoría de la gravedad de Einstein y la mecánica cuántica.
Deep Think también fue utilizado por el Laboratorio Wang de la Universidad de Duke para diseñar una receta para cultivar películas delgadas de semiconductor de más de 100 micrómetros, un objetivo previamente difícil de alcanzar.
Distribución, hardware y impulso estratégico
El logro de Deep Think se suma a otras buenas noticias para el equipo de IA de Google.
Lo más importante fue la decisión de Apple, el único gigante tecnológico que en gran medida se mantuvo al margen de la carrera de IA, de adoptar Gemini como su IA predeterminada en los dispositivos Apple. En ese contexto, tiene sentido que OpenAI declarara en diciembre de 2025 un “Código Rojo” respecto al progreso de Google y también de otras empresas de IA.
“La base de usuarios de Gemini ha estado creciendo desde el lanzamiento en agosto de un generador de imágenes, Nano Banana, y Google dijo que los usuarios activos mensuales crecieron de 450 millones en julio a 650 millones en octubre.
OpenAI también está enfrentando presión de Anthropic, que se está volviendo popular entre los clientes empresariales.”
Otro de los recientes éxitos de Google es el éxito de sus chips de IA. Primero, fue Anthropic, que anunció que comenzaría a usar los chips de IA de Google, llamados TPUs (Unidades de Procesamiento Tensorial), incluyendo el uso de hasta 1 millón de procesadores para impulsar su software de IA. Ahora, la empresa competidora de IA Meta también se está sumando al uso de los TPUs de Google, lo que pone en duda si Google se está convirtiendo en un competidor de Nvidia (NVDA ) tanto como lo es de OpenAI.
(Puedes leer más sobre los TPUs y otro hardware enfocado en IA como XPUs, FPGAs, etc., en “Invertir en hardware de IA: de CPU a XPU”)
Estrategia de IA de Alphabet: integración vertical a gran escala
Desliza para desplazarte →
| Empresa | Enfoque del modelo | Estrategia de hardware | Control de distribución | Integración vertical |
|---|---|---|---|---|
| Alphabet | Gemini 3 Deep Think (Matemáticas/Ciencia) | TPUs internos | Android + Búsqueda + Enrutamiento potencial de Apple | Pila completa (Chip → Nube → Consumidor) |
| Microsoft/OpenAI | Modelos GPT (LLM general) | GPU Nvidia a través de Azure | Windows + SaaS empresarial | Parcial |
| Meta | Llama (código abierto) | GPU + Silicio personalizado | Plataformas sociales | Moderado |
| Anthropic | Claude (Enfoque empresarial) | TPUs de Google | API + Acuerdos empresariales | Bajo |
El enfoque en los TPUs es una buena indicación de la estrategia de Google. Los LLM sólidos como Gemini y el rendimiento superior en aplicaciones del mundo real como Deep Think son, por supuesto, muy importantes.
Pero es en el control de la distribución de la IA y en la estructura de costos + acceso al capital donde Google tiene una posición sólida.
La presencia de Google en el mercado móvil a través de Android ya es fuerte, pero con el acuerdo con Apple, casi garantiza que la mayoría de las solicitudes de IA que no se dirijan específicamente a una aplicación de IA determinada irán a Gemini, directa o indirectamente.
El otro componente es la creciente dependencia de los TPUs. Algunos informes dicen que los TPUs son aproximadamente un 30 % más baratos que los GPU Nvidia y ofrecen de 2 a 4 veces mejor rendimiento por dólar en cargas de trabajo comparables. El menor consumo de energía para el mismo cómputo no es solo una cuestión financiera; también ayuda a escalar los centros de datos de IA a pesar de las crecientes limitaciones de suministro de energía.
Por último, el nivel de integración vertical —comenzando con los TPUs, pasando por centros de datos de propiedad directa, una plataforma de nube empresarial y luego un canal de distribución al consumidor— es inigualable en la industria, con solo Microsoft acercándose un poco en el espacio empresarial.
Finalmente, la construcción de la infraestructura de IA ha sido extraordinariamente costosa. Estos cientos de miles de millones de dólares en chips y centros de datos ahora deben pagarse y generan enormes costos de amortización en el balance cada año en adelante. La escala de los flujos de efectivo de Alphabet provenientes de la búsqueda, YouTube, Android y otros productos le permite manejar mejor tanto los costos iniciales como el mantenimiento futuro de esta infraestructura.
¿Está Gemini realmente tomando la delantera?
Declarar a un “ganador” de la carrera de IA es ciertamente prematuro. Por ejemplo, todo el paradigma actual podría volverse del revés si los centros de datos orbitales de la ahora fusionada xAI/Space resultaran ser una fuerte ventaja competitiva.
Pero parece que están surgiendo algunas tendencias que se están moviendo a favor de Google.
La primera es la necesidad de hardware de IA especializado, un dominio donde muchos gigantes tecnológicos se quedan atrás, lo que brinda una ventaja a los fabricantes de chips y a Google.
La otra es la importancia del control de distribución para el público en general, que puede no estar muy al tanto de qué IA pueden o deben usar. En ese sentido, el acceso directo a todo el ecosistema de Apple refleja la estrategia previa de lograr que Google sea el motor de búsqueda predeterminado en los iPhones (lo que incluso provocó fallos antimonopolio en EE. UU. a finales de 2025 al considerarse “demasiado beneficioso”).
Junto con la destreza de Deep Think en matemáticas y ciencia, Google está experimentando un gran comienzo en 2026 en lo que respecta a la IA. Si esta posición de liderazgo se mantendrá a largo plazo frente a la resistencia de OpenAI, Microsoft, Meta, Anthropic y una miríada de modelos chinos —incluidos los de gigantes tecnológicos chinos como Alibaba (BABA ) o ByteDance— aún está por verse.
