El lanzamiento de Google Gemini 4 se acerca, pero los rivales ya han llevado más lejos la frontera

Google afirma que el lanzamiento de Google Gemini 4 ha entrado en la fase de posentrenamiento, tras pasar buena parte de 2026 sin un nuevo modelo insignia. Esta actualización transforma una vaga promesa de final de año en una señal de lanzamiento más inmediata. También plantea una pregunta más difícil: ¿puede Google terminar un modelo que compita con el nivel actual de OpenAI y Anthropic, en lugar del que tenían durante su entrenamiento?

Koray Kavukcuoglu, el nuevo responsable operativo de Google DeepMind, reveló el estado del modelo durante su primera entrevista importante en el cargo. Según el calendario publicado, Gemini 4 se encuentra en la fase inicial de posentrenamiento. Kavukcuoglu dijo que esperaba que Google lo lanzara mucho antes de finales de 2026.

El posentrenamiento es la etapa en la que los desarrolladores perfeccionan un modelo preentrenado para seguir instrucciones, razonar, utilizar herramientas, mantener la seguridad y exhibir comportamientos específicos. No significa que el modelo esté listo para el uso público. Sin embargo, suele indicar que ha finalizado la fase inicial de entrenamiento, la más intensiva en capacidad de cómputo.

Esta distinción importa porque los principales competidores de Google no han esperado. OpenAI presentó GPT-5.5 en abril y comenzó a adelantar su familia GPT-5.6 en junio. Anthropic lanzó Claude Fable 5 y Mythos 5 en junio. Mientras tanto, Google puso el énfasis en lanzamientos frecuentes de Flash mientras su esperado modelo Gemini 3.5 Pro seguía sin estar disponible.

Por tanto, Gemini 4 tiene más peso que una actualización ordinaria de modelo. Google debe validar su transición de liderazgo, cerrar brechas visibles de capacidades y ofrecer el modelo en una enorme cartera de productos. También debe hacerlo sin demorarse hasta que otro competidor vuelva a cambiar el estándar.

El lanzamiento de Google Gemini 4 ha entrado en su etapa final de perfeccionamiento

El cambio central es que Gemini 4 ha pasado de ser un ambicioso proyecto de entrenamiento a una fase de prelanzamiento identificable.

En julio, Google describió Gemini 4 como un modelo en preentrenamiento, el proceso de enseñar a un modelo base a partir de grandes conjuntos de datos. Sundar Pichai lo calificó como la ejecución de preentrenamiento más ambiciosa de Google y afirmó que la compañía estaba destinando una importante capacidad de cómputo y esfuerzo al proyecto.

La nueva revelación sitúa a Gemini 4 en la fase inicial de posentrenamiento. Esta progresión sugiere que Google completó la ejecución principal de entrenamiento entre finales de julio y septiembre. También ofrece a los desarrolladores una señal más clara que los comentarios anteriores sobre el avance interno.

Según los informes, Kavukcuoglu dijo que Google quería lanzar el modelo bastante antes de que terminara el año. No proporcionó una fecha, una línea de productos, un paquete de evaluaciones comparativas ni un calendario de pruebas públicas. Google tampoco ha publicado una ficha de modelo de Gemini 4.

La ausencia de esos detalles impide que “casi listo” funcione como un compromiso firme de lanzamiento. El posentrenamiento puede revelar debilidades que requieran ajustes adicionales, evaluación o trabajo de seguridad. Ofrecer un modelo grande a la escala de Google añade otra capa de complejidad de ingeniería.

Aun así, el estado actualizado reduce la incertidumbre. Gemini 4 ya no es simplemente un proyecto de próxima generación comentado durante una llamada de resultados. El responsable operativo de IA de Google lo asocia ahora públicamente con una ventana de lanzamiento a corto plazo.

La declaración también llega poco después de una importante transición de liderazgo. Demis Hassabis se convirtió en presidente de Google DeepMind y científico jefe de Alphabet. Kavukcuoglu asumió la responsabilidad de dirigir DeepMind como vicepresidente sénior, al tiempo que seguía siendo el arquitecto jefe de IA de Google.

Kavukcuoglu ha trabajado con Hassabis durante más de 13 años, desde los primeros años de DeepMind. Sus funciones combinadas conectan el desarrollo de modelos con el despliegue de IA en los productos de Google. Esa superposición convierte a Gemini 4 tanto en una prueba de investigación como en una prueba operativa.

El momento de su primera entrevista refuerza ese punto. Google no anunció un prototipo de investigación ni una evaluación comparativa aislada. Su nuevo responsable de DeepMind describió un modelo insignia que se acerca a las etapas que determinan cómo se comporta en productos reales.

La pregunta sin responder más importante se refiere al significado de “lanzamiento”. Google podría comenzar con una vista previa limitada, un despliegue en la aplicación Gemini, acceso para desarrolladores o clientes empresariales seleccionados. Cada vía cumpliría una parte de la promesa, pero alcanzaría a un público muy diferente.

Una vista previa permitiría a Google recopilar comentarios mientras limita las exigencias de capacidad. Una disponibilidad amplia mediante API aportaría pruebas más sólidas de que el modelo puede respaldar cargas de trabajo de producción. La integración inmediata en Search, Workspace y Cloud representaría el despliegue más exigente.

Google ya ha utilizado lanzamientos escalonados, por lo que los lectores no deberían asumir que todas las plataformas recibirán Gemini 4 simultáneamente. El lenguaje que emplee la empresa sobre la disponibilidad final importará casi tanto como la fecha del anuncio.

Por qué Google necesita ahora un modelo insignia

Gemini 4 llega después de que Google pasara meses mejorando modelos más rápidos mientras los competidores definían el extremo superior del mercado.

Google no ha dejado de lanzar modelos de IA. Su índice público de fichas de modelos muestra una secuencia constante de actualizaciones de Gemini 3.x a lo largo de 2026. Entre ellas se incluyen variantes Flash, de audio, de imagen y de interacción en directo.

Gemini 3.8 Flash apareció el 2 de septiembre, después de Gemini 3.7 Flash y Gemini 3.6 Flash. Google describió el lanzamiento como su tercera actualización de Flash en seis semanas. Más adelante en septiembre llegó un lanzamiento independiente de Gemini 3.8 Live.

Este ritmo respalda una estrategia práctica. Los modelos Flash se orientan a la velocidad, la eficiencia y las cargas de trabajo de gran volumen, en las que el modelo más grande sería innecesariamente caro o lento. Pueden impulsar el procesamiento de documentos, interfaces conversacionales, ciclos de programación y agentes orientados al cliente.

Los lanzamientos frecuentes de Flash también brindan a Google más oportunidades para mejorar su infraestructura y recopilar datos de uso. Los desarrolladores se benefician de mejoras graduales de capacidad sin esperar un ciclo anual de modelos insignia. Google puede abordar distintas cargas de trabajo mediante una cartera, en lugar de un único modelo.

Sin embargo, esta estrategia no elimina la necesidad de un modelo insignia de frontera. Los modelos más pequeños a menudo heredan técnicas o señales de entrenamiento desarrolladas a través de sistemas más grandes. Un modelo insignia más sólido también puede respaldar la destilación, donde las capacidades de un gran modelo docente ayudan a entrenar modelos más eficientes.

La brecha pública se hizo más visible después de que Gemini 3.5 Pro no llegara en el lanzamiento previsto para junio. Google dijo que el modelo estaba siendo probado con socios y que llegaría cuando estuviera listo. Para julio, la compañía había lanzado variantes Flash más recientes sin publicar ese modelo Pro de gama alta.

Gemini 4 ahora parece preparado para asumir las expectativas acumuladas en torno al lanzamiento ausente. Eso no demuestra que Google haya cancelado, renombrado o fusionado algún modelo. Sí significa que los usuarios miran más allá de Gemini 3.5 Pro en busca del próximo gran salto de capacidades de Google.

OpenAI y Anthropic aprovecharon el mismo periodo para establecer nuevos puntos de referencia. OpenAI lanzó GPT-5.5 en abril, destacando el trabajo de conocimiento de larga duración, la programación, el uso de herramientas y la interacción con ordenadores. Luego anunció una vista previa limitada de GPT-5.6 en junio.

Anthropic presentó Claude Fable 5 como su modelo de disponibilidad general más capaz. La compañía destacó la ingeniería de software, el trabajo científico, la visión y el rendimiento sostenido en tareas complejas.

Estos lanzamientos cambiaron lo que se considera un modelo insignia competitivo. La calidad básica del chat y las victorias aisladas en evaluaciones comparativas ya no bastan. Un modelo líder debe poder planificar tareas largas, utilizar herramientas de forma fiable, manejar múltiples formatos de datos y operar dentro de límites prácticos de latencia.

Los desarrolladores también esperan un control más claro sobre el esfuerzo de razonamiento y el consumo de tokens. Los compradores empresariales buscan API estables, controles de seguridad, comportamiento predecible y evidencia procedente de evaluaciones relevantes. Los usuarios consumidores juzgan los modelos por las tareas cotidianas, no solo por las fichas de modelo.

Por ello, la presión de Google viene de dos direcciones. Debe igualar la capacidad bruta de los sistemas competidores y, al mismo tiempo, demostrar que esas capacidades funcionan dentro de productos utilizados a una escala enorme.

La empresa cuenta con una ventaja de distribución poco común. Gemini puede llegar a Search, Android, Workspace, Cloud, AI Studio y la aplicación Gemini para consumidores. Pocos competidores controlan tantas plataformas de software importantes.

La distribución puede convertirse en una desventaja cuando la fiabilidad no alcanza el nivel esperado. Un error del modelo dentro de una ventana de chat experimental afecta a una interacción. Un comportamiento similar dentro del correo electrónico, la búsqueda, los documentos empresariales o un flujo de trabajo autónomo puede generar consecuencias más amplias.

Por lo tanto, Gemini 4 debe equilibrar el avance con la prudencia operativa. Lanzarlo demasiado tarde permite a los rivales crear hábitos y fidelidad entre los desarrolladores. Lanzarlo demasiado pronto corre el riesgo de socavar la confianza en productos de los que los usuarios ya dependen.

Gemini 4 frente a OpenAI: una carrera contra un objetivo en movimiento

El principal rival de Google no es una puntuación concreta en una evaluación comparativa. Es la capacidad de OpenAI de lanzar otro modelo insignia antes de que Google estabilice el suyo.

Google comenzó la gran ejecución de preentrenamiento de Gemini 4 frente a un panorama competitivo. El modelo se lanzará en otro. Esa brecha crea la inversión central que subyace al anuncio.

Cuando Google habló de Gemini 4 en julio, Pichai dijo que la compañía quería competir con la frontera que existiría en el momento del lanzamiento. Esta declaración reconocía un problema recurrente en el desarrollo de modelos de frontera. Los objetivos de entrenamiento pueden quedar desactualizados antes de que un gran modelo llegue a los usuarios.

Las grandes ejecuciones de preentrenamiento requieren una planificación extensa, preparación de datos, infraestructura y evaluación. Los competidores continúan mejorando durante ese proceso. Los equipos de posentrenamiento deben adaptar después el modelo base a expectativas más recientes sin reiniciarlo todo.

El reto resulta especialmente claro en el trabajo de programación y sistemas basados en agentes. Los sistemas de agentes hacen más que responder a indicaciones. Planifican tareas, llaman herramientas, inspeccionan resultados, revisan su enfoque y continúan hasta alcanzar un objetivo.

Pichai ya había reconocido que Google necesitaba mejorar en programación y programación basada en agentes. Gemini 4 afrontará comparaciones inmediatas en esas áreas porque los competidores las presentan como capacidades definitorias.

OpenAI afirma que GPT-5.5 mejoró el rendimiento en programación, uso de ordenadores y trabajo de conocimiento sostenido. Su familia GPT-5.6 amplía la presión mediante un nuevo modelo insignia, un modelo equilibrado y una opción más rápida. Estas capas de producto permiten a los clientes intercambiar inteligencia por coste y latencia.

Google ya sigue una estrategia de cartera comparable mediante Pro, Flash, Flash-Lite, audio y modelos especializados. Por tanto, el papel de Gemini 4 debería ser elevar el techo de capacidad, no sustituir todos los modelos existentes.

Ese papel parece sencillo, pero crea decisiones de producto difíciles. Un modelo muy grande puede liderar evaluaciones seleccionadas y seguir siendo poco práctico para las cargas de trabajo habituales. Un modelo muy optimizado puede atender a los usuarios rápidamente, pero perder la profundidad de razonamiento asociada a un modelo insignia.

Google también debe determinar qué capacidades de Gemini 4 deberían trasladarse a sus modelos más pequeños. Si el modelo insignia ofrece mejor programación o planificación, pero sigue siendo escaso, el beneficio llegará a relativamente pocos desarrolladores. Una destilación rápida hacia los modelos Flash tendría un impacto más amplio.

La infraestructura interna de la empresa puede ofrecerle una ventaja en este ámbito. Google controla sus Tensor Processing Units, grandes centros de datos, frameworks de software y distribución al consumidor. Puede coordinar el diseño de los modelos con los sistemas que los entrenan y los sirven.

La propiedad de la infraestructura no garantiza mejores resultados. La prueba relevante es si Google convierte esa integración en un rendimiento fiable, una latencia utilizable y capacidad suficiente. Los usuarios no pueden beneficiarse de un modelo avanzado que permanece dentro de una vista previa limitada.

OpenAI cuenta con sus propias alianzas de infraestructura y una plataforma para desarrolladores consolidada. También puede actualizar rápidamente productos en torno a nuevos modelos. Eso amplía la competencia de lanzamientos más allá de una comparación entre dos redes neuronales.

Para los desarrolladores, los costes de cambio crecen a medida que los modelos se integran en las aplicaciones. Los equipos construyen prompts, conjuntos de evaluación, lógica de enrutamiento, revisiones de seguridad y monitorización en torno a un proveedor. Un modelo insignia retrasado da a los rivales más tiempo para convertirse en la opción predeterminada.

Google Cloud puede reducir ese riesgo facilitando la prueba de Gemini 4 junto a los modelos Gemini existentes. Interfaces estables y rutas de migración claras permitirían a los clientes evaluar la actualización sin reconstruir sus aplicaciones.

El comportamiento de los consumidores plantea otro desafío. Las personas pueden usar Gemini porque aparece dentro de productos que ya poseen. Sin embargo, los usuarios avanzados suelen comparar los modelos directamente y optar por el sistema que mejor rinde en su trabajo.

Ese grupo importa más allá de su tamaño. Desarrolladores, investigadores y creadores generan ejemplos que moldean percepciones más amplias. Sus experiencias pueden definir si Gemini 4 se percibe como líder, como un lanzamiento para alcanzar a otros o como una vista previa inaccesible.

El resultado competitivo no se decidirá el día del lanzamiento. OpenAI puede responder con actualizaciones de modelos, nuevas herramientas o un acceso más amplio. Google debe lanzar su producto en un mercado donde cualquier ventaja aparente puede ser breve.

Lo que la afirmación de Google de que está “casi listo” no demuestra

Una actualización de postentrenamiento ofrece una señal sobre el calendario, pero no aporta evidencia independiente sobre capacidad, fiabilidad, seguridad o disponibilidad.

Google no ha publicado benchmarks de Gemini 4, documentación técnica, tamaños de modelo, límites de contexto, evaluaciones de seguridad ni especificaciones de API. Tampoco ha explicado qué modalidades admitirá el modelo inicial. No ha anunciado socios de lanzamiento.

Esa brecha de verificación debe condicionar la interpretación del anuncio. Según los informes, el modelo se acerca a su lanzamiento. No ha demostrado públicamente su rendimiento frente a GPT-5.6, Claude Fable 5 ni los modelos existentes de Google.

Las evaluaciones internas pueden orientar el desarrollo, pero rara vez predicen todas las condiciones de producción. Los modelos pueden rendir bien en pruebas estructuradas y, aun así, tener dificultades con instrucciones ambiguas, flujos de trabajo largos, fallos de herramientas o datos desconocidos.

La contaminación de benchmarks sigue siendo otra preocupación en toda la industria. Un modelo puede encontrarse durante el entrenamiento con material relacionado con evaluaciones públicas. Incluso las pruebas privadas cuidadosamente diseñadas pueden premiar comportamientos distintos del uso normal.

Google necesitará evidencia que vaya más allá de una clasificación. Los desarrolladores deberían buscar un rendimiento reproducible en programación a escala de repositorio, investigación, análisis multimodal, llamadas a herramientas y tareas de larga duración.

La fiabilidad merece una atención especial. Un modelo que resuelve una tarea difícil una vez, pero falla de forma impredecible en intentos repetidos, genera riesgo operativo. Los equipos empresariales necesitan consistencia, visibilidad de errores y formas de restringir acciones.

El postentrenamiento suele dirigirse a estos comportamientos. Los desarrolladores pueden utilizar aprendizaje por refuerzo, datos de preferencias, tareas sintéticas y pruebas adversariales para mejorar cómo responde un modelo base. Los equipos de seguridad también pueden evaluar capacidades peligrosas y límites de rechazo.

El proceso implica concesiones. Salvaguardas más estrictas pueden generar rechazos erróneos que bloqueen trabajo legítimo. Una optimización agresiva para la satisfacción del usuario puede fomentar la conformidad, la adulación o una certeza sin respaldo.

Google debe gestionar esas tensiones en más ámbitos que un chatbot. Los modelos Gemini dan soporte cada vez más a resúmenes de búsqueda, herramientas de programación, funciones para el trabajo, sistemas de audio y agentes. Cada contexto requiere umbrales diferentes de autonomía y error.

El tamaño del modelo y su coste de servicio siguen siendo desconocidos. Google ha sugerido que la frontera requiere modelos base más grandes. Los sistemas de mayor tamaño pueden mejorar la capacidad, pero podrían exigir más cómputo tanto durante el entrenamiento como en la inferencia.

La inferencia es el proceso de generar resultados después del entrenamiento. Su coste influye en el tiempo de respuesta, la capacidad y la amplitud con la que un proveedor puede desplegar un modelo. Un modelo insignia que consume recursos excesivos podría mantenerse restringido o recibir límites de uso estrictos.

Esa posibilidad hace que el trabajo de Google con Flash sea estratégicamente importante. La empresa ha seguido lanzando sistemas más pequeños mientras Gemini 4 avanzaba. Esos modelos ofrecen a Google opciones prácticas cuando el modelo insignia es innecesario o demasiado costoso.

Sin embargo, la existencia de alternativas eficientes no puede excusar un modelo insignia débil. Gemini 4 debe mostrar por qué su cómputo adicional produce mejoras significativas. De lo contrario, los usuarios podrían preferir un modelo Gemini más rápido o la opción de frontera consolidada de un competidor.

La transición de liderazgo añade otra incertidumbre. Kavukcuoglu ahora supervisa DeepMind y también ejerce como arquitecto jefe de IA en Google. Esta estructura puede mejorar la coordinación entre los equipos de modelos y los grupos de producto.

También puede concentrar un conjunto exigente de responsabilidades en torno a un único líder. Las prioridades de investigación, los plazos de producto, las limitaciones de infraestructura y las decisiones de seguridad no siempre están alineados. Gemini 4 ofrecerá una primera visión de cómo la nueva estructura gestiona esos conflictos.

Los lectores también deben distinguir entre el lanzamiento de un modelo con nombre y el acceso amplio al producto. Una vista previa para socios seleccionados proporcionaría una validación útil, pero no resolvería las dudas sobre la escala. Un despliegue para consumidores sin acceso a la API dejaría a los desarrolladores esperando.

Del mismo modo, un anuncio centrado en benchmarks no demostraría que el modelo funcione en Search o Workspace. Cada superficie introduce requisitos distintos de datos, latencia, privacidad y fiabilidad.

La conclusión más prudente es limitada. Google ha aportado evidencia creíble de que el desarrollo de Gemini 4 avanzó hasta el postentrenamiento. Todo lo relativo a su posición competitiva sigue sujeto a pruebas públicas.

Tres señales mostrarán si Gemini 4 está realmente listo

La ventana de lanzamiento, el paquete de evaluación pública y la amplitud del acceso determinarán si Gemini 4 redefine la posición de Google o simplemente cierra una brecha antigua.

La primera señal es un lanzamiento fechado con disponibilidad claramente definida. Según los informes, Kavukcuoglu espera lanzarlo mucho antes de finales de 2026. Un lanzamiento durante octubre o a principios de noviembre respaldaría ese lenguaje con mayor fuerza que una vista previa a finales de diciembre.

Los términos de disponibilidad revelarán cuánta confianza tiene Google en su capacidad de escalar. Un acceso amplio a través de la Gemini API y Google Cloud permitiría a desarrolladores independientes probar cargas de trabajo reales. Una vista previa limitada sugeriría que aún queda trabajo de refinamiento, capacidad o seguridad.

La segunda señal es el rendimiento en programación agéntica y tareas de larga duración. Google ha identificado públicamente la programación como un área de mejora. Por ello, Gemini 4 necesita evidencias de que puede planificar, usar herramientas, recuperarse de errores y completar trabajo de varios pasos.

Ninguna puntuación individual puede resolver esa cuestión. El paquete más sólido combinaría evaluaciones reconocidas, pruebas independientes, documentación detallada del modelo y ejemplos que otros puedan reproducir.

Google también debería explicar la eficiencia del modelo. La calidad de las respuestas importa, pero también la latencia y el uso de tokens. Los desarrolladores necesitan entender cuándo Gemini 4 justifica sus recursos y cuándo un modelo Flash sigue siendo la mejor opción.

La tercera señal es la velocidad de integración en productos. Un modelo de API capaz reforzaría Google Cloud y AI Studio. La integración en Search, Workspace, Android y la aplicación Gemini demostraría la ventaja de la distribución de Google.

La integración de productos debe mantenerse bajo control. Google debería indicar qué acciones requieren confirmación, a qué datos puede acceder el modelo y cómo los usuarios pueden inspeccionar su trabajo. La capacidad agéntica se vuelve más útil cuando la rendición de cuentas mejora con ella.

Estas tres señales reforzarían el juicio central del artículo si llegan juntas. Un lanzamiento temprano, evidencia pública creíble y acceso amplio demostrarían que Google convirtió su prolongado ciclo de entrenamiento en una plataforma competitiva.

La valoración pierde fuerza si Google solo ofrece un nombre y demostraciones seleccionadas. Se debilita aún más si la disponibilidad general se retrasa mientras OpenAI o Anthropic lanzan otra actualización importante.

Para los trabajadores del conocimiento, la lección inmediata es evitar reorganizar los flujos de trabajo en torno a un modelo no lanzado. Mantengan las evaluaciones de modelos vinculadas a tareas reales, incluida la síntesis de investigación, el análisis de documentos, la programación y el apoyo estructurado a la toma de decisiones.

Los equipos deben conservar el contexto detrás de esas evaluaciones. Una base de conocimientos de IA con capacidad de búsqueda puede ayudar a comparar los resultados con el material fuente, en lugar de depender de demostraciones memorables.

Los desarrolladores deberían preparar pruebas repetibles antes de que llegue Gemini 4. Utilicen repositorios, documentos, llamadas a herramientas y casos de fallo representativos. Registren la latencia, la calidad de finalización, el esfuerzo de corrección y la consistencia en ejecuciones repetidas.

Los compradores empresariales deberían preguntar cómo difiere la disponibilidad entre la aplicación Gemini, la API y los servicios en la nube. También deberían examinar los controles de datos, el acceso regional, la monitorización y la estabilidad de las versiones del modelo antes de adoptar flujos de trabajo autónomos.

Google ha hecho que el lanzamiento de Gemini 4 parezca lo bastante cercano como para seguirlo seriamente. El próximo anuncio debe sustituir la expectativa por especificaciones, acceso y un comportamiento que pueda probarse de forma independiente.

Cuando Gemini 4 esté disponible, la pregunta útil no será si encabeza una clasificación. Pregunten si completa su trabajo real de forma más fiable que los modelos ya disponibles. Después, pregunten con qué frecuencia lo consigue, qué supervisión requiere y si Google puede servirlo de forma consistente.