¿Ha tocado techo la IA? Google dice ‘no’ con Gemini 3 y Nano Banana

Este es un envío de la newsletter de Kiko Llaneras, un boletín exclusivo para los suscriptores de EL PAÍS, con datos y explicaciones de actualidad: apúntate para recibirlo.

Esta semana Google ha presentado dos nuevos modelos de inteligencia artificial que se han colocado en la vanguardia tecnológica: Nano Banana Pro (un generador de imágenes) y Gemini 3 (un mod...

Este es un envío de la newsletter de Kiko Llaneras, un boletín exclusivo para los suscriptores de EL PAÍS, con datos y explicaciones de actualidad: apúntate para recibirlo.

Esta semana Google ha presentado dos nuevos modelos de inteligencia artificial que se han colocado en la vanguardia tecnológica: Nano Banana Pro (un generador de imágenes) y Gemini 3 (un modelo de lenguaje). El primero lidera su categoría y el segundo probablemente también.

De estos lanzamientos saco tres conclusiones.

La primera es la velocidad. Cada mes se presentan mejores modelos por parte de los laboratorios líderes: OpenAI, xAI, Anthropic y Google. Gemini 3 viene a competir con Claude Sonnet 4.5, que se lanzó a finales de septiembre, con GPT-5.1, que se actualizó hace 10 días, y con Grok 4.1, que se actualizó el lunes pasado.

La segunda es la mejora continua. Los nuevos modelos tienen más conocimiento, son más eficaces buscando en internet, cometen menos errores, programan mejor y resuelven problemas más difíciles. Pero es fácil perderte estos avances si no estás encima. Por eso mi consejo es: pruébalos. Va tan rápido que algo que no te servía hace seis meses ahora sí funciona. Por ejemplo, yo ahora uso Claude para editar mis textos: se los doy para detectar erratas, pero también partes débiles del texto. Me da pistas: “esto es largo”, “este párrafo no es claro”, “este ejemplo es oro”, etcétera.

Estos avances los capturan los benchmarks, las evaluaciones que se usan para comparar modelos entre sí. En el gráfico de arriba mostré cuatro, gracias al trabajo de Epoch AI, con pruebas clave sobre ciencia, programación, matemáticas y razonamiento. Cada modelo tiene sus fortalezas, pero lo importante es la tendencia: suben en todas las pruebas, sin pausa.

Es cierto que evaluar estos modelos es complicado. Ya no basta con juzgar sensaciones porque son buenos. Por ejemplo, para evaluar sus capacidades en matemáticas, hay que saber bastantes matemáticas (imagina distinguir a un estudiante de cuarto de Albert Einstein solo charlando). Además hay un problema de “enseñar para el test”. Los laboratorios los entrenan para hacer bien estas evaluaciones. Y es probable que eso les ayude a ser más capaces en general… pero también es evidente que hay atajos, trucos que sirven para las pruebas pero no con problemas reales. Es un dilema que cualquier estudiante reconoce: ¿Estudiar para aprender o para aprobar? Por último, está la complicación de la especialidad: hay modelos mejores en diseño, otros en escritura o en programación.

¿La tercera lección? La más trascendente: los modelos no han tocado techo. Hace un año esa era una hipótesis muy repetida. Después de GPT-4 había dudas sobre si el “pre-entrenamiento” —la primera fase de entrenamiento, cuando los modelos aprenden de cantidades masivas de texto— seguiría dando frutos. Algunos expertos hablaban de un muro. Y volvieron a hacerlo meses después, con GPT-5. Pero ese pesimismo se ha demostrado infundado. Es fácil subestimar el ritmo de progreso cuando comparas un modelo con el siguiente, porque se suceden rapidísimo. Pero si comparas un modelo actual con los mejores de hace un año, el salto es evidente.

Oriol Vinyals lo subrayó esta semana: “no hay muros a la vista”. El vicepresidente de investigación de Google DeepMind, y uno de los líderes de Gemini, escribió en Twitter explicando el secreto de su última versión: “Es simple: mejoramos el pre-entrenamiento y el post-entrenamiento”. Luego entró directo a rebatir la teoría del muro: “Contra la creencia popular de que el poder de la escala se ha agotado, el equipo logró un salto drástico. El cambio entre [Gemini] 2.5 y 3.0 es tan grande como cualquiera que hayamos visto”. Luego añadió otra veta potencial. Las etapas de entrenamiento posterior, donde se ha innovado el último año, siguen teniendo mucho margen de mejora. Son, dice Vinyals: “tierra virgen”.

Esto no significa que los grandes modelos de lenguaje no tengan limitaciones. Ni descarta un muro futuro ni evita una potencial burbuja IA (esta misma semana, Nvidia presentó resultados extraordinarios y aun así las acciones tecnológicas cayeron). Pero sí sugiere algo importante: debemos esperar avances en 2026.

Mi recomendación práctica: usa los nuevos modelos. Si hace un año alguien te dijo “la IA no sirve para esto”, es posible que ya no sea cierto. Otras limitaciones persistirán. Pero la única forma de saberlo es hacer tus propias pruebas. Muchos tenemos un interés profesional en todo esto. Pero hay un motivo mejor: es fascinante descubrir hasta dónde pueden llegar unos algoritmos que aprenden solos.

Otras historias random

🏠 Los ricos se casan con los ricos

Hombres y mujeres se emparejan con personas económicamente parecidas. Lo contaron aquí Pablo Sempere y Yolanda Clemente con datos de ingresos y patrimonio.

La gente del 10% más pobre se casa entre sí con el doble de frecuencia de lo que dictaría el azar. Y la gente del 10% más rico lo hace con triple frecuencia. Lo ha medido la investigadora Silvia de Poli, explotando datos del Ministerio de Hacienda y del Instituto Nacional de Estadística (INE).

Nuria Badenes, del Instituto de Estudios Fiscales, corrobora esta homogamia también en sus investigaciones. Si nos emparejásemos al azar, solo el 10% de las parejas pertenecerían al mismo decil de ingresos. Pero no ocurre eso: el 16% de las parejas comparten decil. Además la coincidencia es mayor en los extremos, del 19% para las rentas más bajas y del 33% para las más altas. “La elección de pareja no puede juzgarse como justa o injusta”, recuerda Badenes, “pero el hecho de que las personas con más ingresos elijan juntarse contribuye a perpetuar la desigualdad”.

☀️ El futuro ‘Solarpunk’ está ocurriendo en África

Me interesó este artículo sobre startups que están llevando energía solar descentralizada a zonas rurales de África donde la red eléctrica tradicional no existe.

Los números son llamativos: 30 millones de productos solares vendidos en 2024, 400.000 instalaciones mensuales. Empresas como Sun King venden kits solares (panel, luces, cargador USB, ventilador) por pagos móviles desde 0,21 dólares al día, más barato que el queroseno que usaban antes.

El truco está en tres convergencias: paneles cuyo coste cayó en picado en los últimos años, pagos por móvil sin coste de transacción (muy populares en países como Kenia), y financiación pay-as-you-go que convierte productos de 1.200 dólares en cuotas diarias asequibles.

Es un tipo de infraestructura distinta: modular, distribuida, financiada por quien la usa. Supongo que no sustituye una red eléctrica completa, pero desde luego es mejor que nada.

🌿 Cómo convertir España en un país de cero emisiones

España debe reducir sus emisiones un 32% en 2030 y un 90% en 2040, lo que se acerca mucho a la meta final de neutralidad climática o cero emisiones netas. En este artículo Clemente Álvarez y Javier Galán explican por qué no es una utopía.

España tocó techo de emisiones en 2007 y desde entonces las ha reducido un 38%. La industria contamina menos. La generación eléctrica contamina mucho menos. El transporte por carretera es el sector más problemático por nivel de emisiones y porque apenas ha mejorado. Pero la electrificación impulsa el optimismo: el 56% de la electricidad ya es renovable y las ventas de coches electrificados alcanzan el 19% del mercado.

Además, se espera un salto positivo con la irrupción de baterías de apoyo a las renovables y la creación de un mercado de CO₂ para viviendas y transporte que ponga precio a la tonelada emitida y genere más incentivos.

Este es un envío de la newsletter de Kiko Llaneras, un boletín exclusivo para los suscriptores de EL PAÍS, con datos y explicaciones de actualidad: apúntate para recibirlo.