Casi el doble de automatización, la mitad del precio
Google publicó Gemini 3.7 Flash el 13 de agosto y lo describió, en sus propias palabras, como su modelo de trabajo más inteligente para código y agentes. El puntaje que más nos importa a quienes automatizamos procesos casi se duplicó — y por ahora cuesta la mitad de lo que va a costar en enero.
Esta pieza no es sobre si Gemini 3.7 Flash es “el mejor modelo”. Es sobre un número concreto que Google publicó y que casi nadie tradujo a lo que de verdad importa: cuánto de tu operación puedes automatizar hoy que no podías hace tres semanas, y cuánto te va a costar hacerlo antes de que termine el año.
Google llegó a este lanzamiento tres semanas después de su modelo anterior, Gemini 3.6 Flash — un ritmo de iteración que la propia empresa presenta como resultado directo de retroalimentación de quienes ya construían con el modelo previo. Lo llamó, textualmente, “nuestro modelo de trabajo más inteligente hasta ahora para código y agentes”. No es lenguaje de mercadotecnia vacío: los tres benchmarks que publicó junto al anuncio apuntan exactamente ahí.
El número que casi se duplicó
Google mide con AutomationBench qué tan bien un modelo completa flujos de trabajo reales de empresa de principio a fin — no una pregunta suelta, sino una tarea completa con varios pasos, del tipo que hoy se le asigna a un agente. Gemini 3.6 Flash sacaba 17.0% en esa prueba. Gemini 3.7 Flash saca 30.4%.
Es un salto de casi el doble en tres semanas, en el benchmark más directamente relacionado con automatizar procesos de negocio. Los otros dos números que publicó confirman la misma dirección: en FrontierCode 1.1 Main, que mide calidad de código listo para producción, subió de 34.4% a 43.6%; en DeepSWE v1.1, una prueba de ingeniería de software de largo alcance, llega a 65.3%. Y en GDP.pdf, un benchmark de procesamiento de documentos complejos, pasó de 22.0% a 34.0%.
Conviene ser honesto con lo que esas cifras significan y lo que no. 30.4% en AutomationBench no quiere decir que el modelo complete tres de cada diez automatizaciones perfectamente y falle el resto sin consecuencia: quiere decir que en la mayoría de los flujos de trabajo completos que Google probó, el modelo todavía se equivoca en algún paso. Es un salto real. No es un modelo que automatiza solo, sin supervisión, la mayoría de las veces.
El precio tiene fecha de caducidad
La parte que casi ningún resumen del lanzamiento explica con claridad es que el precio de entrada no es el precio final. Google fijó Gemini 3.7 Flash en 0.75 dólares por millón de tokens de entrada y 3.75 por millón de salida, vigente hasta el 31 de diciembre de 2026. A partir del 1 de enero de 2027, el precio sube a 1.50 y 7.50 dólares respectivamente — el doble, en ambos casos.
Eso convierte el resto de este año en una ventana con fecha de cierre. No es una razón para automatizar algo que no está listo solo por ahorrar unos meses. Es una razón para, si ya tenías un caso de uso identificado, probarlo ahora en vez de en enero — porque el mismo volumen de trabajo va a costar el doble después del cambio de año, sin que el modelo en sí mejore ese día.
Cuánto te costaría a ti
Los precios son los que publicó Google. Los tres números que mueves son tuyos — ajústalos a tu propio volumen, no al ejemplo.
Tu costo
Lo que pagarías tú, con tu volumen
Los precios por token son los que publicó Google. Ajusta las tres cifras a tu propio caso — no hay un volumen “típico” que sirva para todos.
Hoy, precio de lanzamiento
USD 1.05
al mes, vigente hasta el 31 de diciembre de 2026
Desde enero de 2027
USD 2.10
mismo volumen, precio regular anunciado
La diferencia
USD 1.05
más al mes, en cuanto termine el precio introductorio
La evidencia en contra
Una pieza sobre un lanzamiento sin esta sección es publicidad con forma de artículo. Esto es lo que descontamos nosotros mismos antes de recomendar algo.
Un benchmark no es tu proceso. AutomationBench mide flujos que Google diseñó para parecerse a tareas de empresa comunes. El tuyo puede ser más simple, o puede tener una excepción rara que el benchmark nunca prueba. El único dato que de verdad importa es el que sale de correr tu propio caso, no el que publicó Google.
Tres semanas de iteración es también tres semanas de incertidumbre. Un modelo que cambia cada tres semanas es una base movediza para construir algo que quieres que siga funcionando igual en seis meses. La velocidad de Google es buena noticia para quien prueba; es una responsabilidad extra para quien pone esto en producción y no revisa si el siguiente modelo cambió el comportamiento.
El precio introductorio es, por definición, temporal. Automatizar algo porque hoy es barato, sin volver a hacer la cuenta en enero, es la forma más común de que un proyecto de IA deje de ser rentable sin que nadie note el momento exacto en que pasó.
Antes de mover algo a este modelo
Es el filtro que aplicamos nosotros antes de recomendar una migración de modelo. La regla de corte del final es la que más veces evita soltar algo antes de tiempo.
Para llevar
Las cinco preguntas, en limpio
Antes de mover una automatización a un modelo nuevo Automatización: ____________________ Modelo actual: ____________________ → Modelo nuevo a evaluar: ____________________ 1. ¿Probé el modelo nuevo contra al menos 20 casos reales de esta automatización, no contra ejemplos de prueba? (Un benchmark público describe un promedio. Tu caso puede estar en la cola.) 2. ¿Sé cuánto cuesta un reintento cuando el modelo falla o se equivoca? (El costo por token no es el costo real si hay que correrlo dos veces.) 3. ¿Qué pasa si esta automatización se equivoca y nadie se da cuenta a tiempo? Si la respuesta es "algo caro o irreversible", hace falta un paso de revisión humana antes de soltarla del todo. 4. ¿Tengo forma de regresar al modelo anterior si algo sale mal? (Si la respuesta es no, todavía no estás listo para migrar en producción.) 5. ¿En qué fecha vuelvo a revisar el costo real de esto? (Los precios introductorios cambian. Ponle fecha o se te va a olvidar.) Regla de corte: si no puedo contestar la 3 y la 4, esta automatización sigue en pruebas, no en producción — sin importar qué tan bien se vea el benchmark.
Cuándo esto no te sirve
Si no tienes ya una automatización construida. Un modelo mejor no crea un caso de uso de la nada. Si todavía no has escrito qué proceso quieres automatizar y por qué, empieza por ahí — el modelo es la parte fácil de esta decisión, no la primera.
Si el costo por token no es tu cuello de botella. Para volúmenes chicos, la diferencia entre el precio de hoy y el de enero puede ser de unos cuantos dólares al mes. Si ese no es tu problema, no vale la pena apurar una migración solo por el precio.
Si nadie en tu equipo va a revisar los resultados durante las primeras semanas. Un modelo nuevo, por bueno que sea el benchmark, se prueba mirando lo que produce en casos reales. Sin esa revisión, el 30.4% de AutomationBench es solo un número que leíste en un anuncio.
Qué hacer el lunes
Paso 1 (15 minutos). Elige una sola automatización que ya tengas corriendo con otro modelo, o una que llevas tiempo posponiendo por costo. Escribe cuántas veces corre al mes y qué tan largos son sus mensajes de entrada y salida.
Paso 2 (10 minutos). Mete esos tres números en la calculadora de arriba y compara lo que pagarías hoy contra lo que pagarás desde enero. Decide si vale la pena probarlo ahora, con el precio de lanzamiento, o esperar a ver cómo evoluciona.
Paso 3 (30 minutos). Corre esa automatización contra veinte casos reales —no de ejemplo— con el modelo nuevo, usando la plantilla de arriba para decidir si pasa de prueba a producción. Guarda la fecha en que vas a volver a revisar el costo.
¿Qué tan lista está tu empresa para probar un modelo nuevo en una automatización real?
Comunidad Nuvnext
nuvnext.com/comunidadPublicado el 26 de agosto de 2026·Datos verificados al 25 de agosto de 2026