Qué es Gemini, el modelo de IA de Google

El problema: decidir sobre inteligencia artificial sin ver lo que ya está encendido

En una aseguradora mediana en Perú, el área comercial llevaba semanas pidiendo presupuesto para "una herramienta de inteligencia artificial" que redactara propuestas y resumiera reuniones. La discusión se estancó en cuál proveedor elegir, con demos de varios meses y comparativas técnicas que nadie en el comité terminaba de entender. Mientras tanto, en Gmail y en Google Docs, la sugerencia de completar correos y resumir documentos ya estaba activa para varios empleados, sin que el área de sistemas hubiera aprobado nada ni hubiera definido qué información podía pasar por ahí.

Ese es el problema real detrás de la pregunta "qué es Gemini": no es solo un modelo más para comparar en una tabla de funciones, es una capa de inteligencia artificial que ya vive dentro de las herramientas que la mayoría de empresas medianas y grandes usa todos los días para escribir, organizar y reunirse. Cuando una empresa ya paga Google Workspace o ya corre cargas en Google Cloud, la pregunta de negocio no es si adoptar inteligencia artificial generativa, es qué reglas ponerle a la que ya está encendida.

He visto ese mismo patrón en una cadena de farmacias mediana en Colombia: el equipo de marketing empezó a usar los resúmenes automáticos de Meet y las sugerencias de Docs meses antes de que el área de tecnología se enterara, y para cuando el comité de seguridad quiso poner reglas, ya había información de proveedores y de clientes circulando por ahí sin ninguna política. El error no fue usar la herramienta, fue no haber tenido, desde el primer día del contrato con Google, un criterio claro de qué se podía hacer con ella y qué no.

Qué es Gemini, en criterio de negocio

Antes de comparar a Gemini contra otros modelos vale la pena aterrizar qué es, en criterio de negocio y no de ingeniería. Gemini no es un producto suelto que una empresa instala aparte: es la familia de modelos con la que Google construyó, desde el inicio, toda su oferta de inteligencia artificial, y el motor que corre detrás de las funciones de IA que ya aparecen en Gmail, Docs, Sheets, Meet y en los servicios de Google Cloud.

Para el negocio, esa diferencia con otros modelos importa menos por lo que hace por dentro y más por dónde vive: si la empresa ya tiene sus correos, sus documentos y su nube corriendo sobre Google, Gemini no llega como un proveedor nuevo que hay que evaluar desde cero, llega como una capacidad que ya está incluida en algo que la empresa ya compró y ya aprobó.

Dónde ya vive Gemini dentro de tu operación

La forma más común en que una empresa se encuentra con Gemini no es firmando un contrato nuevo, es notando que ya está prendido. Si la organización usa Google Workspace, Gemini corre detrás de funciones que el equipo probablemente ya usa sin llamarlas por su nombre: el borrador automático de un correo en Gmail, el resumen de un documento largo en Docs, la generación de una fórmula en Sheets o las notas automáticas de una reunión en Meet.

Dónde aparece Gemini sin que nadie lo haya pedido

• Gmail: redacción y resumen de correos, con el mismo dato de la bandeja de entrada de la empresa.
• Docs y Slides: generación de borradores, resúmenes y ajustes de tono sobre documentos ya existentes.
• Sheets: sugerencias de fórmulas y lectura de datos en hojas de cálculo internas.
• Meet: transcripción y resumen de reuniones, incluida la puesta al día de quienes llegaron tarde.
• Google Cloud y Vertex AI: la misma familia de modelos, pero para que el equipo técnico construya productos propios encima.

Esa presencia por defecto cambia la pregunta que debería hacerse el comité. No es "deberíamos probar Gemini", porque en la mayoría de los casos ya está corriendo para alguien en la organización. La pregunta real es quién decidió que estuviera activo, con qué datos puede trabajar y quién revisa qué está saliendo de ahí.

Multimodal y contexto largo: sus rasgos de fábrica

Dos rasgos definen a Gemini más que cualquier función puntual. El primero es que nació multimodal (la guía sobre qué es la IA multimodal entra en el detalle técnico): no es un modelo de texto al que después le agregaron la capacidad de leer una imagen o escuchar un audio, fue diseñado desde el inicio para recibir texto, imagen, audio y video dentro de la misma conversación, sin que la empresa tenga que combinar herramientas distintas para cada tipo de contenido.

El segundo rasgo es el contexto largo (la guía sobre qué es el contexto largo lo explica con más detalle): la capacidad de sostener dentro de una misma conversación una cantidad considerable de información, un documento extenso, varios archivos, una transcripción larga, sin perder de vista lo que se dijo al inicio. En la práctica eso importa para tareas donde el material de trabajo es voluminoso: revisar un contrato largo completo, cruzar varios reportes financieros o repasar una transcripción entera de una reunión de horas, sin fragmentar el documento a mano antes de empezar.

Dónde se nota esa combinación en una operación real

• Analizar la foto de una máquina o un producto defectuoso junto con el manual técnico, en la misma conversación.
• Revisar un contrato completo o un informe regulatorio extenso sin dividirlo en partes antes de empezar.
• Cruzar la transcripción de una reunión de horas con el documento que se discutió en ella.
• Leer una hoja de cálculo con varias pestañas y explicar la relación entre columnas, no solo una celda suelta.
• Resumir una serie de correos largos de un mismo hilo sin perder el argumento original.

Ninguno de estos dos rasgos resuelve el problema de negocio por sí solo. Son características de fábrica, no una estrategia; la estrategia sigue siendo decidir qué proceso concreto se beneficia de recibir varios tipos de contenido a la vez o de sostener documentos largos, y ese proceso hay que tenerlo identificado antes, no después de ver la demo.

El costo de adopción y el gobierno de datos: lo que de verdad pesa en la decisión

Cuando un comité compara modelos de inteligencia artificial, casi siempre arma una tabla de funciones: qué hace mejor cada uno, qué tan rápido responde, qué tan grande es el contexto. Esa tabla importa menos de lo que el comité cree. Lo que de verdad decide en una empresa mediana o grande es el costo de adopción y el costo de gobernar los datos que van a pasar por ese modelo, y ahí Gemini tiene una ventaja que no depende de qué tan bueno sea el modelo en sí: ya vive dentro de un contrato, una nube y una consola de administración que la empresa ya usa.

Qué se abarata cuando el modelo ya vive en tu nube

• El contrato de licenciamiento y el acuerdo de tratamiento de datos con Google, si ya existen, no hay que renegociarlos desde cero con un proveedor nuevo.
• La identidad y el acceso (inicio de sesión único, permisos, grupos) ya están configurados en la misma consola que administra el resto de Workspace o Cloud.
• Los datos de correo, documentos y hojas de cálculo no salen hacia un sistema externo adicional que el área legal tenga que auditar por primera vez.
• El equipo de seguridad ya revisó, en algún momento, las certificaciones y políticas de Google como proveedor de nube, no parte de cero con la evaluación.
• El costo de capacitar al equipo baja porque la interfaz es la misma que ya usan a diario, no una aplicación nueva que aprender.

Esa ventaja de adopción es real y hay que tomarla en serio, pero no es razón para saltarse la comparación con otros modelos como GPT o Claude (la guía sobre qué es GPT y la comparativa entre Claude y Gemini desarrollan esa decisión con más detalle): que un modelo cueste menos de adoptar no significa que sea el mejor para cada caso de uso. Hay procesos donde el criterio de calidad de la respuesta, o de cómo se comporta el modelo en una tarea específica, pesa más que el ahorro en gobierno de datos. La pregunta de negocio no es cuál modelo es "mejor" en abstracto, es cuál conviene para el proceso concreto que se quiere resolver, y el costo de adopción es una parte de esa cuenta, no toda la cuenta.

Lo que Gemini no resuelve por sí solo

El hecho de que Gemini ya esté encendido dentro de Workspace es, al mismo tiempo, su mayor ventaja de adopción y su mayor riesgo de gobierno. Que una función esté disponible para todo el mundo desde el primer día no significa que la empresa tenga una estrategia de inteligencia artificial, significa que tiene una herramienta activa sin reglas, que es exactamente el escenario de la aseguradora y la cadena de farmacias mencionadas antes.

• No define, por sí solo, qué información de la empresa puede pasar por un resumen de correo o de reunión y cuál no.
• No rediseña el proceso de negocio detrás de la tarea, solo redacta o resume más rápido dentro del proceso que ya existía, sea bueno o malo.
• No reemplaza la limpieza y el orden del dato propio de la empresa: si el documento fuente está desordenado, el resumen hereda ese desorden.
• No decide, por defecto, quién dentro de la organización debería tener acceso a qué función; eso lo tiene que definir el área de seguridad, no el proveedor.

Confundir "ya lo tenemos activado" con "ya tenemos una estrategia de inteligencia artificial" es el mismo error, con otro nombre, que confundir un producto mínimo viable con un producto apurado: el atajo se paga después, cuando alguien pregunta qué reglas rigieron el uso y la respuesta es que nadie las escribió.

Mi criterio

Cuándo sí, cuándo no

No toda empresa que ya paga Google Workspace debería apoyarse en Gemini para sus procesos de inteligencia artificial, y no toda empresa que evalúa otros proveedores debería ignorarlo. Estas señales ayudan a distinguir un caso donde aprovechar lo que ya está encendido tiene sentido, de un caso donde conviene evaluar otra opción con calma.

Señales de que sí conviene apoyarse en Gemini

• La empresa ya opera sobre Google Workspace o Google Cloud y quiere evitar sumar un proveedor y un contrato adicional para una necesidad puntual.
• El caso de uso es de productividad interna (redactar, resumir, organizar) sobre documentos y correos que ya viven dentro del ecosistema de Google.
• El equipo necesita trabajar con varios tipos de contenido a la vez, texto, imagen, audio, sin sumar herramientas nuevas para cada uno.
• El área de seguridad ya revisó y aprobó a Google como proveedor de nube, y ampliar ese uso no exige una evaluación desde cero.
• El volumen de documentos o transcripciones largas que el equipo maneja hace valioso sostener mucho material dentro de una misma conversación.

Señales de que conviene evaluar otra opción, o al menos no quedarse solo con Gemini

• El caso de uso exige un comportamiento o una calidad de respuesta muy específica que ya se probó insuficiente con Gemini en una prueba real, no en una suposición.
• La empresa no tiene, todavía, ninguna regla de gobierno de datos para el uso de inteligencia artificial, y activar más funciones solo agranda un riesgo que ya existe sin control.
• El equipo está eligiendo el modelo antes de tener claro el proceso de negocio y el dato que quiere mejorar: la elección de herramienta llegó primero que el diagnóstico.
• El proyecto requiere construir un producto propio con reglas de comportamiento particulares, donde conviene comparar varios modelos fundacionales con calma (la guía sobre qué es un modelo fundacional ayuda a entender esa decisión) y no asumir el que ya está instalado por defecto.
• La decisión se está tomando solo por costo de adopción, sin revisar la comparativa completa entre Claude y Gemini para el caso de uso específico.

Cierre

El orden que sostiene cualquier decisión de inteligencia artificial que funciona empieza en el dolor operativo, sigue en el proceso que hay que ordenar, después en el dato que ese proceso necesita, y termina en la herramienta. Con Gemini el riesgo es invertir ese orden de una forma particular: como ya está encendido dentro de Workspace, la herramienta parece llegar primero sin que nadie la haya elegido, y es fácil pasar directo a usarla sin haber hecho el trabajo de definir qué proceso mejora y con qué reglas.

Gemini no es una estrategia de inteligencia artificial por el solo hecho de estar integrado en la nube que la empresa ya paga. Es un punto de partida con menor fricción de adopción, y esa ventaja vale la pena aprovecharla, siempre que alguien se tome el trabajo de decidir, antes de que el equipo lo use por su cuenta, qué proceso concreto se beneficia de esa capacidad y qué reglas de dato la acompañan.