Gemini 3.7 Flash reduce los costes de los agentes, pero la fiabilidad pone la prueba

Google lanzó Gemini 3.7 Flash el 13 de agosto y lo posicionó como un modelo de menor coste para programación, agentes y trabajo complejo con conocimiento. La noticia de Google no trata tanto de otro ganador de benchmarks como de una nueva apuesta económica. Google quiere que los desarrolladores ejecuten más trabajo agéntico sin reservar sus modelos más grandes para cada tarea.

Esto enfrenta a Gemini 3.7 Flash con Claude Sonnet 5, los modelos Codex de OpenAI y las opciones de razonamiento más pesadas de la propia Google. La competencia no consiste simplemente en qué modelo produce la respuesta más inteligente. Se trata de cuál completa un trabajo fiable con menos reintentos, demoras más cortas y menor supervisión.

Google afirma que el lanzamiento mejora la programación a la primera, la generación de interfaces, el seguimiento de instrucciones y el uso de herramientas en varios pasos. Estas afirmaciones importan porque una respuesta económica tiene poco valor cuando un agente elige la herramienta equivocada o ignora discretamente un requisito.

Por tanto, la pregunta central es práctica. ¿Puede Gemini 3.7 Flash convertir unos menores costes de inferencia en menores costes totales una vez que las pruebas, correcciones, supervisión y ejecuciones fallidas entran en el cálculo?

Las noticias de Google llevan Gemini 3.7 Flash a producción

Gemini 3.7 Flash llega como un modelo estable diseñado para cargas de trabajo operativas, no como una vista previa de investigación lejana.

Google presentó el modelo en Gemini API, Google AI Studio, Android Studio y su entorno de desarrollo Antigravity. También llegó a Gemini Enterprise Agent Platform y a la aplicación Gemini Enterprise.

La empresa amplió el despliegue a Gemini Spark, su agente personal dentro de la aplicación Gemini. Spark puede trabajar en los servicios compatibles de Google para suscriptores elegibles donde el producto esté disponible.

Esa distribución ofrece a Gemini 3.7 Flash varias vías para incorporarse al trabajo real. Los desarrolladores pueden llamar al modelo directamente, mientras que las organizaciones pueden acceder a él mediante los productos gestionados de Google.

El identificador del modelo es gemini-3.7-flash, según la documentación oficial del modelo. Google lo clasifica como una versión estable, una distinción importante para los equipos que eligen endpoints de producción.

Los endpoints estables suelen dar a los desarrolladores más confianza que los alias de vista previa. Reducen la posibilidad de que una aplicación reciba un reemplazo inesperado del modelo sin una planificación deliberada de migración.

Gemini 3.7 Flash acepta texto, imágenes, vídeo, audio y archivos PDF. Devuelve texto, lo que lo convierte en un modelo de análisis multimodal y no en un generador de imágenes o audio.

Su ventana de entrada admite 1.048.576 tokens, mientras que su salida máxima alcanza 65.536 tokens. Esa capacidad permite a una aplicación enviar grandes repositorios, colecciones de documentos, grabaciones o medios mixtos dentro de una sesión de modelo.

Una ventana de contexto amplia no garantiza una recuperación precisa de cada elemento incluido. Sin embargo, amplía el abanico de flujos de trabajo que los desarrolladores pueden intentar sin construir primero una capa de recuperación compleja.

El modelo admite llamadas a funciones, ejecución de código, búsqueda de archivos, salida estructurada, grounding con búsqueda, contexto de URL y caché. El uso de ordenador está disponible en vista previa, según Google.

Estas capacidades revelan el papel previsto. Gemini 3.7 Flash está pensado para operar dentro de un bucle de agentes, donde un modelo interpreta un objetivo, llama a herramientas, examina resultados y continúa.

Google también ofrece a los desarrolladores configuraciones de razonamiento baja, media y alta. El razonamiento controla cuánta computación interna aplica el modelo antes de producir una respuesta o seleccionar una acción.

La configuración más baja disponible sigue estando por encima de un modo mínimo. Ese diseño sugiere que Google espera que el modelo realice cierto razonamiento incluso cuando la velocidad y la eficiencia son prioritarias.

El lanzamiento crea la tensión principal del artículo porque Google no vende solo inteligencia. Sostiene que los agentes de producción necesitan un mejor equilibrio entre inteligencia, latencia y coste operativo.

Ese equilibrio determina si un agente puede gestionar miles de tareas habituales. También determina cuándo un sistema debe escalar el trabajo difícil a un modelo más grande.

Los menores costes cambian la ecuación de despliegue de agentes

Google está presionando a sus competidores al tratar la eficiencia como una capacidad de los agentes y no como un beneficio secundario de compra.

Las aplicaciones de chat tradicionales suelen generar una respuesta tras una solicitud. Los sistemas agénticos pueden realizar llamadas repetidas al modelo mientras planifican, buscan, leen archivos, ejecutan herramientas y revisan su propia salida.

Una sola asignación puede requerir decenas de decisiones. Cada llamada fallida a una herramienta, reintento innecesario o respuesta sobredimensionada aumenta el coste y el tiempo de finalización.

Eso significa que la economía del modelo se multiplica dentro de un bucle de agentes. Una diferencia modesta por llamada se vuelve relevante cuando el software funciona continuamente con muchos usuarios y flujos de trabajo.

Las condiciones comerciales introductorias de Google hacen que Gemini 3.7 Flash sea más económico de operar que la generación Flash anterior de la empresa. La tarifa publicada es temporal, con condiciones revisadas previstas después de 2026.

El artículo omite los precios exactos porque las condiciones comerciales pueden cambiar rápidamente. El punto importante es la decisión estratégica de Google de subvencionar la adopción temprana antes de pasar a una tarifa estándar más alta.

Este enfoque da a los equipos de desarrollo tiempo para probar el modelo dentro de aplicaciones reales. También crea un incentivo para diseñar nuevas cargas de trabajo alrededor del endpoint de Google antes de que termine el periodo introductorio.

El argumento económico va más allá de los cargos por tokens. Las respuestas más rápidas pueden reducir los tiempos de cola, mejorar las herramientas interactivas y permitir más trabajos paralelos de agentes con el mismo presupuesto de infraestructura.

Sin embargo, la métrica relevante es el coste por resultado exitoso. La eficiencia de tokens por sí sola no capta el trabajo de reparación, la revisión humana, los prompts repetidos ni el daño provocado por una acción incorrecta.

Considere un agente al que se le pide actualizar una dependencia de software en un repositorio. El modelo debe inspeccionar el código, cambiar archivos, ejecutar pruebas, diagnosticar fallos y preservar el comportamiento no relacionado.

Un modelo más económico ahorra dinero solo si completa correctamente una parte suficiente de esa secuencia. Los intentos fallidos repetidos pueden borrar la ventaja original.

El mismo principio se aplica fuera del desarrollo de software. Un agente de trabajo podría buscar documentos, identificar plazos, redactar mensajes y preparar cambios de calendario.

Cada paso puede producir un error que contamine los pasos posteriores. Un documento omitido puede generar un plan incompleto, mientras que una fecha equivocada puede crear un recordatorio incorrecto.

Una prueba práctica de Gemini Spark encontró resultados útiles en Gmail y Drive, pero también mensajes omitidos y documentos sin nombre. La prueba de Workspace reportada ilustra tanto la promesa del producto como su carga de verificación.

Ese ejemplo no es un benchmark controlado. Es valioso porque expone la diferencia práctica entre completar un flujo de trabajo y completar cada parte de forma fiable.

OpenAI y Anthropic persiguen el mismo mercado más amplio. Sus productos combinan cada vez más modelos con herramientas, ejecución persistente, acceso a aplicaciones y entornos de agentes gestionados.

OpenAI afirma que sus usuarios se han desplazado hacia asignaciones delegadas más largas. En mayo de 2026, más del 70 por ciento solicitó una tarea de Codex estimada en más de una hora de trabajo humano.

Sus datos de adopción de agentes también describen un rápido crecimiento entre quienes no son desarrolladores. Eso amplía el terreno competitivo más allá de los asistentes de programación.

La respuesta obligada de Google es clara. Necesita un modelo que pueda participar en flujos de trabajo frecuentes y de larga duración sin convertir cada invocación de agente en una decisión de modelo prémium.

La presión opera tanto a corto como a largo plazo. Los desarrolladores pueden cambiar de endpoint rápidamente, pero la adopción empresarial depende de la fiabilidad, los controles, la integración y el conocimiento acumulado de los flujos de trabajo.

Gemini 3.7 Flash apunta al segmento intermedio entre coste y rendimiento

El verdadero rival del modelo es la opción predeterminada de modelo prémium, en la que los equipos dirigen casi todas las tareas difíciles a su opción más capaz.

Los proveedores de modelos antes dividían sus carteras en categorías evidentes. Los modelos pequeños gestionaban clasificación o extracción simple, mientras que los modelos insignia se encargaban del razonamiento y el código.

Los agentes difuminan esa frontera. Una asignación puede contener muchas acciones fáciles, varias decisiones moderadas y un problema realmente difícil.

Dirigir toda la asignación a través de un modelo insignia desperdicia capacidad. Enviar todo a un modelo ligero aumenta el riesgo de fallar en el punto más difícil.

Gemini 3.7 Flash apunta a ese terreno intermedio. Google lo llama su modelo de caballo de batalla más inteligente, y enfatiza la programación y la ejecución agéntica en lugar del procesamiento básico de texto de alto volumen.

El anuncio de lanzamiento de la empresa destaca mejoras en ingeniería de software, desarrollo web, adherencia al diseño y seguimiento de instrucciones. Estas siguen siendo mejoras comunicadas por la empresa.

El seguimiento de instrucciones merece especial atención. Un agente suele recibir una especificación extensa que contiene objetivos, restricciones, reglas de herramientas y criterios de aceptación.

Perder una restricción puede invalidar toda la ejecución. Un modelo podría producir código funcional mientras cambia una interfaz que el usuario exigió explícitamente conservar.

La precisión a la primera también afecta a la economía. Una mejor salida inicial implica menos ciclos de depuración, menos llamadas a herramientas y menos corrección humana.

Google mostró el modelo generando una página de destino animada mediante su entorno de desarrollo. Estas demostraciones muestran la capacidad prevista, pero no establecen la fiabilidad en repositorios desconocidos.

La cartera más amplia respalda una estrategia de enrutamiento. Google sigue ofreciendo modelos más grandes o especializados para tareas que exigen el máximo razonamiento, audio en tiempo real, generación de medios o investigación profunda.

Gemini 3.7 Flash puede convertirse en el trabajador predeterminado dentro de ese sistema. Las aplicaciones pueden reservar los modelos costosos o más lentos para casos de escalamiento.

Este mecanismo es más importante que una simple clasificación de modelos. Una plataforma de agentes productiva necesita ajustar la dificultad de la tarea a la cantidad adecuada de computación.

Los desarrolladores pueden implementar ese enrutamiento por sí mismos. Pueden enviar ediciones rutinarias, resúmenes, extracción de documentos y llamadas ordinarias a herramientas a un modelo Flash.

Luego pueden escalar decisiones de arquitectura ambiguas, análisis sensibles o depuración persistente a un modelo más grande. Las pruebas y los evaluadores pueden decidir cuándo es necesario escalar.

Google también puede realizar el enrutamiento dentro de productos gestionados. Su control sobre los modelos, la infraestructura de nube, las aplicaciones de Workspace y las herramientas de desarrollo crea una ventaja significativa de distribución.

La ventaja se vuelve más fuerte cuando el modelo puede utilizar el contexto de las aplicaciones sin obligar a los usuarios a copiar información manualmente. El acceso de Spark a herramientas compatibles de Workspace ilustra ese enfoque.

Sin embargo, la integración no elimina la verificación. Puede aumentar las consecuencias de los errores porque el agente opera más cerca de correos electrónicos, archivos, calendarios, repositorios y sistemas empresariales.

Aquí es donde los flujos de trabajo de conocimiento personal se vuelven relevantes. Los equipos necesitan material fuente accesible y contexto rastreable antes de delegar trabajo a un agente.

Una base de conocimiento de IA estructurada puede reducir la ambigüedad al mantener los documentos fuente organizados y con capacidad de búsqueda. No puede garantizar que un modelo interprete correctamente cada fuente.

Por tanto, el punto medio entre coste y rendimiento depende de la orquestación. Los modelos, las herramientas, los permisos, la recuperación de información, las pruebas y las aprobaciones humanas deben funcionar como un único sistema.

Gemini 3.7 Flash ofrece a Google un nuevo modelo para ese sistema. No elimina la necesidad de diseñar el sistema a su alrededor.

Claude y Codex convierten la fiabilidad en la verdadera competencia

El impulso de Google hacia menores costes obliga a Claude y Codex a defender su valor mediante una ejecución fiable, no solo con afirmaciones de inteligencia.

Anthropic lanzó Claude Sonnet 5 en junio de 2026 para programación, agentes y trabajo profesional. Los modelos de la clase Sonnet han ocupado durante mucho tiempo la misma posición de caballo de batalla que Google ahora destaca.

Anthropic presenta Sonnet 5 como una gama de opciones de coste-rendimiento controladas mediante ajustes de esfuerzo. Un mayor esfuerzo emplea más capacidad de cómputo en tareas difíciles, mientras que los ajustes más bajos favorecen una ejecución más rápida.

Esto se asemeja a los controles de razonamiento de Google. Ambos enfoques permiten a los desarrolladores ajustar el esfuerzo del modelo sin reconstruir una aplicación en torno a una interfaz completamente distinta.

Anthropic afirma que Sonnet 5 mejora la búsqueda agéntica, el uso del ordenador, la programación y las tareas profesionales. Su lanzamiento de Sonnet 5 también compara el modelo con sistemas Sonnet y Opus anteriores.

Esas comparaciones proceden de las propias evaluaciones de Anthropic. El rendimiento independiente puede diferir porque los resultados de los agentes dependen en gran medida de los prompts, las herramientas, la infraestructura de apoyo y los entornos de prueba.

OpenAI ejerce una presión similar mediante Codex y ChatGPT Work. La empresa está posicionando a los agentes como colaboradores persistentes capaces de operar entre archivos, aplicaciones y proyectos de larga duración.

OpenAI afirma que más de cinco millones de personas usan Codex semanalmente. También informa de que más de un millón de personas lo usan para trabajar fuera del desarrollo de software.

El lanzamiento de ChatGPT Work muestra por qué Google amplió Gemini 3.7 Flash más allá de la programación. La próxima competencia se centra en el trabajo del conocimiento delegado.

Estos productos no pueden compararse mediante una sola puntuación de referencia. Un modelo puede sobresalir en problemas de programación aislados, pero tener dificultades con los permisos, la selección de herramientas o la coherencia a largo plazo.

La infraestructura de apoyo del agente también importa. Esta infraestructura gestiona el ciclo de ejecución, el acceso a herramientas, el estado del entorno, las aprobaciones, los reintentos y la recuperación tras fallos.

Un modelo capaz dentro de una infraestructura débil puede rendir mal. Una infraestructura cuidadosamente diseñada puede ayudar a un modelo menos costoso a completar tareas estructuradas de forma consistente.

Google tiene varias infraestructuras en juego. Antigravity aborda el desarrollo, Spark se dirige al trabajo personal y Gemini Enterprise se orienta a los flujos de trabajo organizativos.

Anthropic cuenta con Claude Code y su plataforma más amplia. OpenAI combina Codex, ChatGPT Work, agentes de espacio de trabajo y su infraestructura para desarrolladores.

Por tanto, la batalla implica integración vertical. Cada proveedor quiere que los clientes adopten conjuntamente su modelo, entorno de ejecución, conectores y controles de gobernanza.

La ventaja de Google reside en sus aplicaciones existentes y su presencia en la nube. Gmail, Drive, Docs, Calendar, Android Studio y Vertex AI crean numerosos puntos de entrada.

Anthropic ha consolidado la lealtad de los desarrolladores en torno a Claude Code. OpenAI cuenta con una amplia distribución de ChatGPT y evidencias crecientes del uso de agentes entre equipos técnicos y no técnicos.

Gemini 3.7 Flash cambia el cálculo competitivo al atacar el coste de la ejecución frecuente. Pide a los compradores que consideren con qué frecuencia pueden permitirse ejecutar un agente.

Claude y Codex pueden responder con mayor calidad de finalización, una mejor experiencia para desarrolladores, controles más sólidos o sus propias mejoras de eficiencia. Los clientes necesitarán evidencias específicas para cada tarea.

Por ello, un equipo de compras debería evitar elegir un modelo únicamente a partir de benchmarks destacados. Debe medir flujos de trabajo completos con archivos, herramientas, restricciones y condiciones de fallo representativos.

El mejor modelo también puede variar según la tarea. Un sistema podría liderar en la generación de interfaces, mientras que otro gestiona con mayor fiabilidad la depuración de repositorios o la investigación documental.

El enrutamiento multimodelo sigue siendo una opción razonable para equipos sofisticados. Sin embargo, añade complejidad de integración, comportamientos inconsistentes y revisiones de seguridad adicionales.

Google preferiría que Gemini 3.7 Flash se convierta en la opción predeterminada antes de que esa complejidad parezca justificable. Su lanzamiento de menor coste es un intento de ganar esa posición pronto.

Un menor uso de tokens no garantiza un menor coste total

La mayor incertidumbre es si Gemini 3.7 Flash reduce los costes por tarea completada después de contabilizar reintentos, revisión y fallos operativos.

Google afirma que el modelo produce código más preciso en el primer intento y sigue las instrucciones con mayor fidelidad. Estas afirmaciones requieren pruebas fuera de las demostraciones de la empresa.

Los resultados de benchmarks ofrecen señales útiles, pero no pueden recrear todos los entornos de producción. Los repositorios reales contienen pruebas incompletas, convenciones ocultas, dependencias heredadas y documentación contradictoria.

Los entornos de trabajo del conocimiento son igualmente desordenados. Los documentos pueden estar duplicados, desactualizados, mal nombrados, ser inaccesibles o no coincidir con mensajes más recientes.

La prueba de Gemini Spark mencionada anteriormente encontró información que su usuario había pasado por alto. También omitió algunos elementos, lo que demuestra por qué un resultado útil puede seguir estando incompleto.

Esta distinción importa en el trabajo de alto riesgo. Un agente puede parecer exitoso porque su respuesta es coherente, mientras omite silenciosamente la evidencia que cambiaría la conclusión.

El contexto largo introduce otro riesgo. Admitir más de un millón de tokens de entrada permite grandes conjuntos de evidencia, pero los desarrolladores aún deben probar la precisión de la recuperación a lo largo de ese contexto.

Un agente podría centrarse en material reciente o con formato destacado. Podría pasar por alto una instrucción crítica situada en lo profundo de un repositorio o una colección de documentos.

El uso de herramientas crea modos de fallo adicionales. El modelo debe elegir la función correcta, proporcionar argumentos válidos, interpretar la respuesta y decidir si es necesaria otra acción.

La salida estructurada ayuda a las aplicaciones a analizar los resultados. No garantiza que los valores incluidos dentro de la estructura sean correctos.

El uso del ordenador merece un tratamiento especialmente cuidadoso porque Google lo etiqueta como una capacidad en vista previa. La automatización de interfaces puede fallar cuando cambian los diseños, aparecen diálogos o difieren los permisos.

Las organizaciones deberían establecer aprobaciones en torno a acciones relevantes. El envío de mensajes, la eliminación de archivos, la modificación de sistemas de producción y el cambio de registros financieros no deberían depender de un criterio del modelo sin supervisión.

Los equipos de seguridad también deben considerar la inyección de prompts. Un documento o página web maliciosos pueden contener instrucciones diseñadas para redirigir a un agente o exponer información.

El riesgo aumenta cuando un modelo combina búsqueda, acceso a URL, lectura de archivos y ejecución de herramientas. Cada capacidad amplía la utilidad al tiempo que ensancha la posible superficie de ataque.

Los costes más bajos pueden fomentar una implementación más amplia antes de que madure la gobernanza. Los equipos podrían ejecutar agentes con mayor frecuencia porque las llamadas individuales parecen económicas.

Esto puede crear una paradoja operativa. Un modelo más barato puede generar más riesgo total cuando recibe acceso a más flujos de trabajo sin una supervisión adecuada.

La solución no es rechazar la automatización. Es medir el sistema en el nivel donde realmente se producen el valor y el daño.

Los equipos deberían seguir la finalización de tareas, los cambios aceptados, el número de reintentos, los errores de herramientas, el tiempo de revisión humana, la latencia y la frecuencia de reversión. El consumo de tokens es solo una línea de ese registro.

Las evaluaciones deberían incluir casos negativos. El modelo debería enfrentarse a archivos faltantes, fechas en conflicto, herramientas no disponibles, solicitudes ambiguas e instrucciones que debe rechazar.

Los desarrolladores también deberían probar el comportamiento durante las migraciones. Los nombres de modelo estables reducen parte de la incertidumbre, pero los futuros cambios de endpoint aún pueden afectar a los prompts y los patrones de salida.

La documentación de Google enumera Gemini 3.7 Flash como estable. Esto proporciona una mejor base para pruebas de producción que un endpoint experimental.

No demuestra que todas las capacidades tengan el mismo grado de madurez. El uso del ordenador sigue siendo una funcionalidad en vista previa, y cada integración conlleva sus propias restricciones operativas.

Google ha puesto a disposición un producto creíble. La pregunta sin responder es si su eficiencia comunicada resiste el contacto con sistemas de clientes diversos.

Tres señales decidirán si Gemini 3.7 Flash gana

La próxima fase depende de la finalización medida en producción, las respuestas competitivas y la transición de Google desde la adopción inicial hacia condiciones comerciales estándar.

La primera señal es la evaluación independiente de flujos de trabajo. Los desarrolladores deberían observar los resultados de tareas completas de programación y agentes, no de respuestas a preguntas aisladas.

Las pruebas útiles medirán cambios exitosos en repositorios, secuencias correctas de herramientas, retención de restricciones y aceptación humana. También deberían publicar categorías de fallos en lugar de una única puntuación agregada.

Si Gemini 3.7 Flash completa flujos de trabajo representativos con menos reintentos, el argumento de coste-rendimiento de Google se fortalece. Si aumentan los reintentos, las menores tarifas de inferencia resultarán menos convincentes.

Los informes de la comunidad ya muestran experiencias variadas. Algunos usuarios elogian su velocidad y mejoras de programación, mientras que otros describen resultados desiguales en tareas más grandes o menos estructuradas.

Estos informes siguen siendo anecdóticos. Su valor reside en identificar casos de prueba que evaluadores independientes puedan reproducir con prompts y entornos controlados.

La segunda señal es la respuesta de Anthropic y OpenAI. Ambas empresas ya compiten por las mismas cargas de trabajo de programación y trabajo del conocimiento.

Hay que observar actualizaciones de eficiencia, enrutamiento de modelos revisado, nuevos endpoints de caballo de batalla o paquetes de agentes ampliados. Una respuesta rápida confirmaría que el lanzamiento de Google amenaza una posición importante en el mercado.

Una respuesta centrada en la fiabilidad sería especialmente reveladora. Los competidores podrían enfatizar parches aceptados, finalización a largo plazo, controles de seguridad o menor supervisión en lugar de menores tarifas por token.

La tercera señal es lo que ocurra cuando termine el período introductorio de Google. Para entonces, los equipos tendrán mejores evidencias sobre patrones de uso, tasas de reintento y la economía de las tareas completadas.

Si las aplicaciones permanecen en Gemini 3.7 Flash después de la transición comercial, ello indicaría valor en los flujos de trabajo más allá de los ahorros temporales. Las grandes migraciones en sentido contrario debilitarían la narrativa de adopción de Google.

Los compradores deberían empezar a recopilar evidencia ahora. Una prueba debería comparar el nuevo modelo con el sistema real al que sustituiría, utilizando herramientas y pruebas de aceptación idénticas.

Separe los fallos del modelo de los fallos de la infraestructura de apoyo. Un esquema de herramienta mal formado, un permiso ausente o una suite de pruebas débil pueden hacer que cualquier modelo parezca poco fiable.

Los equipos también deberían determinar qué tareas merecen ejecución automática. La investigación de solo lectura y la generación de borradores conllevan riesgos distintos a los del despliegue de código o los cambios en cuentas.

La noticia de Google importa porque Gemini 3.7 Flash lleva la competencia por la eficiencia al trabajo complejo con agentes. No es simplemente un modelo más rápido para prompts sencillos.

Google ha ofrecido a los desarrolladores un endpoint estable y multimodal, con amplio soporte de herramientas y una gran ventana de contexto. También ha incorporado ese modelo en productos de consumo, para desarrolladores y empresariales.

Lo que sigue sin demostrarse es la métrica más importante: trabajo fiable completado por unidad de dinero, tiempo y atención humana.

Ejecuta Gemini 3.7 Flash en un pequeño conjunto de encargos reales antes de modificar el enrutamiento de producción. Registra cada reintento, requisito incumplido y corrección manual. Compara los resultados completados con Claude, Codex o tu modelo actual, usando las mismas herramientas y criterios de aceptación. El próximo ciclo de noticias de Google traerá gráficos de evaluación comparativa y demostraciones entusiastas. Los datos de tu propio flujo de trabajo ofrecerán una respuesta más duradera.