Durante los últimos dos años, la competencia entre los principales desarrolladores de inteligencia artificial estuvo dominada por una métrica: construir el modelo más potente. OpenAI, Anthropic, Google, Meta y las compañías chinas concentraron sus inversiones en mejorar el razonamiento, la programación y las capacidades multimodales de sus modelos.
Sin embargo, el lanzamiento de Gemini 3.6 Flash, Gemini 3.5 Flash-Lite y Gemini 3.5 Flash Cyber muestra que la competencia comienza a desplazarse hacia otra variable: el costo de operar inteligencia artificial a gran escala. Google presentó la nueva familia de modelos como una respuesta a la demanda de empresas que necesitan ejecutar millones de consultas diarias sin que el costo de infraestructura crezca en la misma proporción.
Del rendimiento a la eficiencia
Los grandes modelos de lenguaje requieren enormes recursos computacionales para responder cada consulta. Ese proceso, conocido como inferencia, representa uno de los principales costos para las empresas que ofrecen servicios de IA.
Durante la primera etapa del mercado, la prioridad consistió en mejorar la calidad de las respuestas. Hoy, con modelos que ya alcanzan niveles elevados de desempeño en numerosas tareas, la atención comienza a desplazarse hacia cuánto cuesta generar cada respuesta.
En ese contexto, Google anunció que Gemini 3.6 Flash reduce el consumo de tokens —la unidad con la que se mide el procesamiento de texto en estos sistemas— respecto de la generación anterior, al tiempo que mejora el rendimiento en programación, tareas de conocimiento y aplicaciones multimodales. La compañía sostiene que el modelo utiliza hasta 17% menos tokens de salida en evaluaciones generales y registra reducciones mayores en determinados casos de uso, lo que disminuye el costo operativo para los clientes.
Tres modelos para distintos mercados
La estrategia también muestra una mayor segmentación de la oferta.
Gemini 3.6 Flash fue presentado como el modelo de uso general para aplicaciones empresariales. Gemini 3.5 Flash-Lite apunta a tareas masivas de baja complejidad, como clasificación de documentos, traducción automática o extracción de información, donde la velocidad y el precio son más relevantes que la máxima capacidad de razonamiento.
El tercer lanzamiento, Gemini 3.5 Flash Cyber, está especializado en ciberseguridad. Fue diseñado para detectar vulnerabilidades y asistir en la corrección de código, inicialmente para gobiernos y socios estratégicos dentro del ecosistema de seguridad de Google.
La presentación de estos modelos coincidió con la postergación del lanzamiento de Gemini 3.5 Pro, el modelo de mayor capacidad de Google, cuya disponibilidad fue demorada mientras continúa el proceso de pruebas.
Una nueva etapa para la inteligencia artificial
El cambio tiene implicancias que trascienden a Google.
En la primera fase de la IA generativa, las empresas competían por demostrar superioridad en los benchmarks académicos y en pruebas de razonamiento. Ahora, la discusión incorpora una variable económica: cuántas consultas puede ejecutar una empresa por cada dólar invertido.
Ese cambio resulta especialmente relevante para compañías que buscan incorporar IA en atención al cliente, automatización administrativa, logística, comercio electrónico o desarrollo de software. En esos escenarios, pequeñas diferencias en el costo por consulta pueden representar millones de dólares cuando los sistemas operan de forma continua.
La industria comienza así a reproducir un proceso similar al ocurrido décadas atrás con la computación en la nube: una vez alcanzado un determinado nivel de desempeño, la eficiencia económica pasa a ser un factor decisivo para acelerar la adopción.
Google no abandona el desarrollo de modelos de frontera. La compañía confirmó que continúa trabajando en Gemini 3.5 Pro y que ya inició el entrenamiento de Gemini 4. Sin embargo, el lanzamiento de la nueva familia Flash indica que considera que la próxima gran batalla del mercado no se librará únicamente en la calidad de los modelos, sino también en el costo de desplegarlos a escala.
La IA entra en una etapa de maduración en la que la eficiencia económica puede resultar tan determinante como la inteligencia del modelo. Si el costo de inferencia continúa disminuyendo, la adopción empresarial podría acelerarse significativamente y ampliar el mercado mucho más allá de las aplicaciones de mayor valor agregado. Además, la competencia dejará de centrarse exclusivamente en quién construye el modelo más avanzado para incorporar una nueva métrica: quién ofrece la mejor relación entre rendimiento y costo.
