YT YouTube2Text

YouTube2Text → Transcripts → Google lanza su MEJOR IA (y sorprende)

Google lanza su MEJOR IA (y sorprende) — Transcript

by Xavier Mitjana · 2,849 words · 447 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00Google acaba de presentar su mejor
0:01modelo, el nuevo Gemini 3.6 Flash. Y aún
0:05así, seis laboratorios tienen ahora
0:07mismo un modelo mejor que el nuevo
0:09modelo de Google, seis. Incluso Meta
0:11está por encima de ellos. Esta ha sido
0:13la reacción en X de su máximo
0:15responsable en inteligencia artificial.
0:17Y es que Internet ha dictado sentencia
0:19muy rápido. Fiasco. Y puede que tengan
0:22razón. Pero algo no encaja. Nadie tiene
0:25más dinero, más ingenieros ni más chips
0:27que Google. ¿Por qué iba a sacar un
0:29fiasco tan claro a propósito? Puede que
0:32sea porque están en crisis o porque en
0:34la inteligencia artificial ya no hay
0:36solo una carrera, hay dos. Y este
0:38lanzamiento compite en la segunda. Hoy
0:41vas a descubrir cuáles son estas dos
0:42carreras y por qué entenderlas es clave
0:45para que usar la inteligencia artificial
0:46en tu día a día sea realmente
0:47productivo.
0:50Y empecemos siendo justos con los que
0:51señalan el fiasco, porque les han dado
0:53argumentos de sobra. Ayer, Google lanzó
0:56tres modelos de golpe, el Gemini 3.6
0:58Flash, el 3.5 Flash Lite y una versión
1:00especializada en ciberseguridad. Pero
1:03todos los ojos se fueron al primero y
1:05con razón. Flash es el caballo de
1:07batalla de Google, el modelo que
1:09responde por defecto cuando abres la app
1:10de Gemini y el que Google quiere que
1:12uses para todo. Sobre el papel, la
1:14propuesta de este nuevo modelo suena
1:15razonable. Más barato que su antecesor,
1:18consume un 17% menos de tokens para
1:20resolver una misma tarea, lo que en
1:22otras palabras significa que hace lo
1:23mismo gastando menos. Pero no es un
1:26modelo más inteligente que el Gemini 3.5
1:28Flash. En el índice de Artificial
1:30Analysis, el Gemini 3.6 Flash se queda
1:32en 50 puntos, exactamente la misma
1:35puntuación que el 3.5. Y por encima
1:38tiene modelos de seis laboratorios
1:39distintos: Anthropic, OpenAI, Moonshot,
1:43XAI, ZAI y Meta.
1:45Google fuera del top 5 de laboratorios
1:48por primera vez.
1:49Y cuando pasas del benchmark a una tarea
1:51real, la cosa no parece mejorar. El
1:53equipo de Command Code puso a tres
1:55modelos a programar el mismo juego con
1:57una sola instrucción. Química 3 lo clavó
2:00a la primera, 10 sobre 10, un resultado
2:02impecable. Gemini 3.6 Flash, pues
2:05necesitó cinco o seis iteraciones para
2:07entregar un resultado peor.
2:09Si el ranking de inteligencia es la
2:11única vara de medir, no hay defensa
2:13posible, el fiasco de Google es real.
2:16Pero la inteligencia de los modelos ya
2:18no es lo único que importa. Y hay un
2:20dato del propio Artificial Analysis que
2:22es clave. Pese a tener la misma
2:23inteligencia, ahora es mucho más
2:25eficiente a la hora de resolver una
2:27misma tarea. En otras palabras, es un
2:29modelo más barato. Y para entenderlo,
2:32vamos a analizar este gráfico con calma.
2:34Este es el mapa de la inteligencia
2:35artificial a día de hoy. En vertical,
2:38inteligencia. En horizontal, lo que
2:40cuesta resolver una tarea. Y la lectura
2:42habitual es vertical, gana el que más
2:45alto llega. Pero ahora léelo en
2:47horizontal y aparecen dos zonas. A la
2:50derecha, los modelos de frontera, Claude
2:52Fabel 5, GPT 5.6 Sol, Octopus, máxima
2:56inteligencia pagando por tarea hasta 10
2:58veces más que el resto.
3:00Y en el centro te encuentras con GPT 5.6
3:03Luna, Grok 4.5, Muse Spark de Meta y
3:06Gemini 3.6 Flash. Modelos que rondan los
3:0950 puntos de inteligencia, pero son
3:11mucho más baratos. Esa es la liga de
3:14verdad donde juega Gemini. Su rival no
3:16es Fabel 5, es GPT 5.6 Luna.
3:20¿Y por qué existe esta zona? Porque
3:22todos esos modelos compiten por lo
3:24mismo, hacer que los agentes de
3:26inteligencia artificial automaticen
3:27tareas donde deben encadenar muchos
3:29pasos uno detrás de otro.
3:31Es decir, quieren ser buenos en el mundo
3:33de los agentes. Cuando le preguntas algo
3:35a un chatbot, es una consulta, una
3:37pregunta, una respuesta. Pero cuando un
3:39agente trabaja para ti, ejecuta cientos
3:42de pasos, a veces miles. Lee, planifica,
3:46prueba, se equivoca, corrige y ahí el
3:49coste por cada tarea deja de ser un
3:51detalle sin importancia, ya que cada
3:53paso puede acumular decenas de miles de
3:55tokens. Ahí, la eficiencia es lo que
3:57decide si un agente te sale a cuenta o
3:59te arruina. Por lo que una vez tenemos
4:01claro esto, toca ponerlo a prueba con su
4:03competencia real. Lo vamos a probar
4:05contra GPT 5.6 Luna para conseguir un
4:08objetivo donde deberán encadenar
4:09múltiples tareas.
4:13Y el objetivo es este. Cada modelo tiene
4:15que crear un vídeo explicando el
4:16lanzamiento de Gemini 3.6 Flies usando
4:19Hyperframes. Este es el tipo de trabajo
4:21que las herramientas de inteligencia
4:22artificial prometen resolver a partir de
4:24ahora. Antes de verlos en acción, ¿cuál
4:26crees que lo hará mejor? Y aquí tenéis
4:28ambos test que he probado en el arnés
4:29propio de cada modelo. Es decir, para
4:31hacer la prueba con el GPT 5.6 Luna lo
4:34he hecho en Codex, mientras que para
4:36hacer la prueba con el modelo de Google
4:38lo he hecho en Antigravity. Y es que
4:40este es uno de los grandes hándicaps de
4:42utilizar la inteligencia artificial. Si
4:43estás como yo, probablemente tienes una
4:45suscripción para el chat de inteligencia
4:47artificial, otra para generar imágenes,
4:49otra para presentaciones, otra para
4:50crear webs y acabas saltando entre 15
4:53pestañas para hacer un solo proyecto.
4:55Genes Spark, que patrocina este vídeo,
4:57ha hecho algo que me ha llamado mucho la
4:58atención, conseguir unificar todos estos
5:01procesos. Y es que Genes Spark no es un
5:03proyecto pequeño, estamos hablando del
5:05primer unicornio de agentes de
5:06inteligencia artificial de Silicon
5:07Valley, una empresa valorada en más de
5:091.000 millones de dólares.
5:11Genes Spark es un espacio de trabajo que
5:13conecta todos los modelos punteros de
5:15inteligencia artificial y los pone a
5:17trabajar juntos para darte los
5:18resultados ya terminados. Tú le dices lo
5:20que necesitas y Genes Spark te entrega
5:22el trabajo hecho.
5:24Te pongo ejemplos reales. Con Genes
5:26Spark Code, le he pedido una web y me la
5:28ha montado entera sin tocar una sola
5:29línea de código. Con Genes Spark Slides
5:315.0, le he dado un tema y me ha generado
5:34una presentación profesional. Y es que a
5:36la hora de crear presentaciones, Genes
5:37Spark tiene dos cosas que marcan la
5:39diferencia.
5:41Por un lado tiene Expert Thinking, que
5:42usa flujos de trabajo de expertos según
5:44el área para conseguir un resultado
5:46profesional. Y por el otro, dispone de
5:48una biblioteca enorme de plantillas
5:49profesionales adaptadas a distintos
5:51sectores y casos de uso. Así que nunca
5:54empiezas realmente de cero. Y una vez
5:55termina el diseño, los gráficos, todo
5:58está listo para exportar a PowerPoint. Y
6:00finalmente, con Gen- Spark Image, que
6:02usa Nano Banana 2, he creado imágenes
6:04para redes sin abrir ninguna otra
6:06herramienta. Lo mejor, con un solo
6:08prompt te genera varias imágenes a la
6:10vez. Así que puedes explorar varias
6:12direcciones creativas de golpe.
6:14Comparado por ejemplo con ChatGPT, que
6:16normalmente te da una sola imagen por
6:18intento. Y estas mismas imágenes las
6:20puedes convertir en vídeo en un clic,
6:22sin salir de Gen-Spark. Y lo que más me
6:24gusta es que aquí, en vez de pagar
6:26cuatro o cinco suscripciones distintas,
6:27lo tienes todo en un solo espacio de
6:29trabajo por 19,99 dólares al mes. Y
6:32ahora mismo puedes probarlo gratis con
6:34créditos de bienvenida. Encontrarás el
6:36enlace en la descripción. Y seguimos con
6:38este test que he realizado en ambos
6:39modelos. Como os decía, en el caso del
6:41GPT 5.6 Luna, pues lo hemos hecho dentro
6:44de su propio Harness, que es Codex.
6:46Simplemente le he pedido que quiero
6:47crear un vídeo con Hyperframes, ha
6:49instalado los skills de Hyperframes y
6:51luego le he dicho qué vídeo quería, una
6:53promo de 30 segundos explicando la
6:54novedad de Gemini 3.6 Flash. Y le he
6:57dado el enlace a la noticia en el blog
6:59de Google. A partir de aquí, pues
7:01simplemente ha definido el brief, le he
7:03dicho que continuase y con esto ya me ha
7:05entregado el vídeo que luce de esta
7:07manera. Y si tu agente pensara más
7:09gastando menos. Llega Gemini 3.6 Flash.
7:13Código, conocimiento y tareas
7:15multimodales. Escribe código.
7:18Entiende contextos largos.
7:20Trabaja con texto, imagen, audio,
7:23vídeo y PDF. Resultado, hasta un 17%
7:28menos tokens de salida y menor coste por
7:30tarea. Disponible en Gemini API, Google
7:33AI Studio y la app de Gemini. Empieza a
7:36construir hoy. Por otro lado, la
7:38experiencia en Antigravity no no sido
7:40tan satisfactoria. ¿Por qué? Porque le
7:42he pedido exactamente lo mismo, la
7:44primera instrucción, quiero crear un
7:45vídeo con hyperframes, a partir de aquí
7:47la segunda instrucción ha sido la misma,
7:49una promo de 30 segundos a partir de la
7:51entrada en el blog, y aquí el problema
7:54que hemos tenido es que una vez he
7:55validado el brief, lo que ha hecho es
7:58entregarme una versión sin sonido, por
8:00lo que le he tenido que hacer una
8:03instrucción de seguimiento diciéndole
8:04que quería, pues, una locución en
8:06español y efectos de audio. Y aquí yo
8:09creo que se ha liado un poco a la hora
8:11de utilizar las skills y me ha devuelto
8:13un resultado como este.
8:15Presentamos Gemini 3,6 Flash. Calidad de
8:20razonamiento avanzado con la velocidad
8:22de escaneo menos de tokens. 12% más
8:26rápido y hasta un 20% mejor rendimiento
8:30en código. Arquitectura verdaderamente
8:32multimodal. Código agéntico. Visión,
8:35audio y razonamiento profundo.
8:38Inteligencia de nivel pro velocidad
8:40Flash. Empieza a construir hoy mismo en
8:43Google AI Studio.
8:45El resultado, pues, como has podido
8:46comprobar, Luna llegó más directo y lo
8:49hizo mejor. Entendió el encargo y lo
8:50ejecutó casi del tirón.
8:52Gemini necesitó una corrección más por
8:54el camino y una de sus decisiones le
8:56pasó factura. Una leve desincronización
8:58en el audio que ensucia el resultado
9:00final.
9:01Eso sí, el camino que ha escogido
9:03complicaba el proceso. Pero aún así, si
9:06pones los dos vídeos uno al lado del
9:07otro, la diferencia es clara. GPT-5.6
9:10Luna es mejor.
9:11Si apostaste por Luna, acertaste. Si
9:14apostaste por Gemini, quédate con el
9:16matiz. Con un prompt más específico
9:17sobre el proceso hubiese podido
9:19completar la tarea. Pero el hecho es que
9:21lo ha hecho peor.
9:22Aunque en este ejemplo quiero que te
9:24fijes en otro detalle. Los dos han hecho
9:26un trabajo que hace año y medio habría
9:28parecido ciencia ficción, incluso para
9:30el modelo más potente del momento. Y esa
9:33es la clave que las grandes empresas de
9:34inteligencia artificial ya lo han
9:35entendido. Para muchas tareas
9:37habituales, ya no necesitas el mejor
9:39modelo, necesitas el modelo adecuado. Y
9:42te lo voy a demostrar. Hace unos días,
9:44hice esta misma prueba con Kimi K3.
9:46Kimi K3 puntúa 57 en el ranking de
9:49Artificial Analysis. Siete puntos por
9:51encima de Gemini y seis puntos por
9:53encima de GPT 5.6 Luna. Uno de los
9:55modelos más potentes del mercado,
9:57compite directamente con Fabel y GPT 5.6
10:00Luna.
10:01Pues observa su resultado cuando le pedí
10:03que se crease un vídeo para que se
10:04explicase a sí mismo.
10:06Todos dicen, "Inteligencia de frontera."
10:09Nosotros traemos recibos. Kimi K3.
10:122,8 billones de parámetros. Un millón de
10:15tokens de contexto. Abierto. Caso 001.
10:19Un chip diseñado por el propio modelo en
10:2148 horas. 8.700 tokens por segundo. Caso
10:26002. Un compilador de GPU escrito desde
10:29cero. A la par y a veces por encima de
10:31Triton. Caso 003.
10:34Dos semanas de investigación.
10:36Resueltas en dos horas.
10:3820 papers.
10:393.000 líneas de código. Rendimiento de
10:41frontera.
10:42El mejor modelo abierto del mundo. Kimi
10:45K3. Disponible hoy en kimi.com. La
10:47frontera abierta.
10:49Como puedes ver, los resultados son
10:50perfectamente comparables. Pese a que
10:52Gemini se queda un poco atrás, vemos
10:54cómo un modelo de su categoría, Luna,
10:56compite con otro en la frontera. En este
10:58caso, Kimi K3.
11:00De hecho, me atrevería a decir que Luna
11:02lo ha hecho un poco mejor que Kimi. Y es
11:05lo que va a descolocar muchos análisis a
11:06partir de ahora. Si un modelo que se
11:08puede considerar un fiasco y un modelo
11:10sobresaliente pueden llegar a entregar
11:12resultados parecidos en las tareas más
11:14habituales,
11:15¿qué estás comprando exactamente cuando
11:16pagas por el modelo más listo? Y en este
11:18punto es donde hay que entender que la
11:20conclusión principal de este vídeo va
11:22más de ti, como usuario de herramientas,
11:24que no de la última novedad de Google.
11:26Llevamos años midiendo todos los modelos
11:28desde un único punto de vista. ¿Cuál es
11:30más inteligente? ¿Cuál es más capaz?
11:32Cada lanzamiento el mismo ritual, abrir
11:35el ranking, mirar quién está arriba y es
11:37normal que fuese así, porque hasta hace
11:38un par de años esto era muy relevante,
11:41porque los modelos aún eran muy
11:42limitados. Pero esto se terminó. A la
11:45hora de completar cada vez más tareas
11:47relevantes en el mundo real, estos
11:49puntos extra inteligencia afectan cada
11:51vez menos al resultado, por lo que medir
11:53la inteligencia quizá haya dejado de
11:55significar medir lo que más preocupa al
11:57usuario a día de hoy, su factura.
12:00Entonces, ¿por qué hay laboratorios
12:02priorizando subir un punto más en ese
12:03ranking? Porque no todos priorizan la
12:06misma carrera.
12:07[música]
12:09Y es que la primera carrera es la de la
12:11capacidad, ser el más inteligente a
12:13cualquier precio. Esta competición la
12:16priorizan sobre todo los laboratorios
12:17puros, Open AI, Console o Anthropic o
12:20Fabel. ¿Por qué? Porque viven de eso. Un
12:22laboratorio sin otro negocio necesita
12:24récords, son su argumento para conseguir
12:26los próximos miles de millones en
12:28inversión, aunque esos modelos hoy por
12:30hoy pierdan dinero cuando lo sirven a
12:32sus usuarios. El benchmark para ellos no
12:35es solo una medida del producto, también
12:37es la promesa para los inversores,
12:39necesitan estar en la frontera. En
12:41cambio, la segunda carrera consiste en
12:43priorizar la eficiencia, modelos lo
12:45bastante buenos al menor coste posible y
12:47ahí es donde compiten las empresas cuyo
12:49negocio es otro. El negocio de Meta no
12:51es vender modelos, es vender publicidad
12:54y la inteligencia artificial le sirve
12:55para que sus redes sociales funcionen
12:56mejor. Grok alimenta X, que cada día
12:59responde a millones de preguntas. Ahí
13:01cada céntimo por respuesta cuenta. ¿Y
13:04Google? Google tiene un imperio entero
13:06de servicios, el buscador, Gmail, Docs,
13:09Android, YouTube, que pueden mejorar
13:11gracias a la inteligencia artificial,
13:12pero esa mejora solo se justifica si le
13:14sale a cuenta. Para ellas el modelo no
13:16es el producto, es la infraestructura. Y
13:19aunque en el fondo todas tienen
13:20argumentos para decir que compiten en
13:22ambos frentes, priorizan cosas
13:24distintas. Y es que en este punto parece
13:26que Google sigue compitiendo y
13:27prometiendo modelos de primer nivel. Y
13:29es que en el anuncio de Gemini 3.6
13:31Flash, Google confirmó que Gemini 3.6
13:34Pro ya está en fase de desarrollo y que
13:36han dado acceso a las primeras empresas.
13:38Y que ha empezado a entrenar también a
13:39Gemini 4, en sus propias palabras, el
13:42modelo más ambicioso de su historia.
13:44Pero la realidad es que han presentado
13:46un modelo que parece que no está al
13:48nivel de su competencia. Y es que aún no
13:50hemos resuelto el kit de la cuestión.
13:52¿Gemini 3.6 Flash es bueno o es malo?
13:56Pues mira, quizás esta no sea la
13:58pregunta correcta.
13:59[música]
14:01Si solo observas a Gemini 3.6 Flash en
14:03la carrera de la potencia bruta, pierde.
14:06Ya lo has visto, tiene hasta seis
14:08laboratorios con mejores modelos por
14:09delante.
14:10Pero si observas capacidades
14:11específicas, como por ejemplo,
14:13interpretar gráficos y documentos, lo
14:15que sería el benchmark Chart Shift, ahí
14:17tiene el mejor resultado de toda la
14:18comparativa. Trabajando con documentos
14:21enormes, dobla con creces a su
14:22antecesor. Pasa de un 27% a un 54%.
14:27Y en computer use, es decir, manejar un
14:29ordenador como lo harías tú, alcanza un
14:3183% en el benchmark de OS World. Por
14:34delante, no ya de su antecesor, también
14:36por delante de GPT 5.6 Luna y de Grok
14:394.5. Y todo eso resolviendo las tareas
14:42de un modo más eficiente que su versión
14:44anterior.
14:45Muchas veces nos quejamos de que un
14:46modelo no sea Einstein para tareas que
14:49no necesitan a Einstein. No necesitas a
14:50Einstein para corregir los deberes de
14:52secundaria, por ejemplo. Y es que la
14:54clave reside ahí. En acertar con el
14:56modelo. Y es que nadie monta una empresa
14:58contratando solo a Einsteins. Contratas
15:00un arquitecto para diseñar el edificio,
15:02obreros para levantarlo y alguien que
15:04compruebe que no se cae. Cada uno es el
15:06adecuado para hacer la parte que le
15:08toca. Hacia ahí va la inteligencia
15:09artificial. El futuro cercano no es
15:11elegir el modelo, es orquestarlos. Un
15:14modelo grande para planificar, uno
15:15eficiente para iterar y ejecutar sin
15:17arruinarte y otro para auditar el
15:19resultado. Y es que una habilidad clave
15:21en el futuro será saber construir y
15:22mantener sistemas que sean muy buenos y
15:25baratos a la hora de resolver escenarios
15:27concretos. Y llegados a este punto, si
15:29quieres ver una prueba completa del
15:30modelo que amenaza el liderazgo de Fabel
15:325 y GPT 5.6 Sol, el Kimika 3, puedes
15:35verla en este vídeo. Nos vemos en el
15:38próximo vídeo.

About this transcript

This page contains the full transcript of Google lanza su MEJOR IA (y sorprende) by Xavier Mitjana, generated from the public captions YouTube serves with the video. The transcript has 2,849 words across 447 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.