El 12 de febrero de 2026 Google anunció una actualización “mayor” de Gemini 3 Deep Think, su modo especializado de razonamiento. El mensaje es claro: esto no va de contestar más rápido, sino de resolver mejor cuando el problema es ambiguo, tiene datos incompletos o directamente no tiene una única respuesta correcta.
Y aquí hay un punto que suele perderse en el ruido: los modelos se están “segmentando” por intensidad de razonamiento. Igual que no usas el mismo vehículo para ir a por pan que para cruzar un desierto, empieza a ser normal que haya un modo “rápido” para el trabajo diario y un modo “Deep Think” para lo que, en una organización, acaba siendo lo caro de verdad: decisiones complejas, ingeniería, auditorías, investigación, optimización y verificación.
Para un despacho profesional esto no es ciencia ficción: significa que la IA va a dejar de ser solo un “copiloto que redacta” para convertirse, en los casos correctos, en un motor de resolución (con verificación y ciclos iterativos) aplicable a procesos de alto impacto. [Onda Cero]
Qué es Deep Think y qué cambia en esta actualización
Google define Deep Think como su modo más especializado de razonamiento, orientado a ciencia, investigación e ingeniería, y lo abre (en consumo) a suscriptores Google AI Ultra en la app de Gemini, y (en empresa) a un acceso temprano vía Gemini API bajo programa de “early access”. [Infobae]
Lo relevante no es solo “qué modelo es”, sino cómo se usa:
- Está diseñado para problemas sin barandillas (sin pasos claros), con información incompleta o ruidosa.
- En el enfoque de DeepMind, se apoya en arquitecturas tipo agente: generar hipótesis/soluciones, verificar, corregir y volver a iterar. En su ejemplo de agente matemático (Aletheia), un verificador detecta fallos y fuerza revisiones o reinicios cuando la solución es inválida.
Ese bucle (generar → verificar → revisar) es exactamente lo que separa una IA “que suena bien” de una IA “que aguanta una revisión”.
La señal más importante: benchmarks de “élite”
Google acompaña el anuncio con métricas que apuntan alto:
- 48,4% (sin herramientas) en Humanity’s Last Exam.
- 84,6% en ARC-AGI-2, verificado por la ARC Prize Foundation.
- Elo 3455 en Codeforces (programación competitiva).
- Rendimiento de nivel medalla de oro en la Olimpiada Internacional de Matemáticas (IMO) 2025.
Si vienes del mundo “despacho”, esto puede sonar lejano. Pero Codeforces y matemáticas son un proxy brutal de algo muy terrenal: capacidad para planificar, descomponer, mantener consistencia y verificar soluciones bajo presión.
En otras palabras: no es que un despacho vaya a competir en olimpiadas. Es que, cuando necesitas automatizar un proceso complejo, depurar lógica, validar reglas o diseñar una integración, esos rasgos (planificación + verificación) son los que diferencian un piloto útil de un sistema que se convierte en un riesgo operativo.
“Casos reales” que Google ya enseña: esto va de revisión, optimización y diseño
Google menciona usos tempranos que encajan con la idea de “IA que revisa y encuentra fallos”:
- Una matemática de Rutgers usó Deep Think para revisar un paper técnico y detectó un fallo lógico sutil que había pasado la revisión humana.
- En Duke, un laboratorio lo utilizó para optimizar métodos de fabricación en crecimiento cristalino y diseñar una “receta” para obtener films por encima de un objetivo específico.
- También se menciona uso para acelerar diseño de componentes físicos.
DeepMind añade contexto aún más “de laboratorio”: colaboración con expertos en 18 problemas de investigación, uso de agentes que navegan literatura con verificación, y énfasis en que el sistema puede admitir fallo (crítico para no vender humo).
La paradoja española: crece la IA, pero el salto a “agentes” exige madurez de proceso
Aquí es donde conviene aterrizar en España con datos, porque el entusiasmo sin contexto suele acabar en frustración.
- En 2024, un informe institucional asociado a Red.es/ONTSI indica que el 11,4% de empresas españolas de 10 o más empleados usó IA, mientras que en empresas de más de 249 empleados la cifra sube al 44%.
- El INE, en resultados definitivos publicados el 22 de octubre de 2025, sitúa en 21,1% el uso de IA en empresas de 10+ empleados en el primer trimestre de 2025.
- Además, el mismo marco ONTSI refleja una presión interna evidente: 78% de trabajadores pide formación y herramientas en tecnologías digitales e IA.
El mercado está entrando, pero sigue existiendo una brecha por tamaño y capacidades. Y un modo como Deep Think, por definición, no es “IA para todo el mundo y todo el rato”: requiere casos de uso bien escogidos, datos en orden y un mínimo de gobierno.
Deep Think pone sobre la mesa un cambio de mentalidad: la IA empieza a venderse como capacidad de razonamiento bajo demanda, con más tiempo de cómputo y más iteración para problemas difíciles.
Para despachos profesionales, la oportunidad no está en “cambiarlo todo”, sino en identificar dos o tres procesos donde el coste real sea la complejidad (no el volumen), y ahí sí, probar modos más profundos con metodología: definir caso de uso,delimitar datos y fuentes,exigir verificación,y medir impacto (tiempo, errores, retrabajo, satisfacción interna).
El resto —emails, borradores, tareas mecánicas— seguirá funcionando mejor con modos rápidos. Y eso también es una buena noticia: por fin estamos aprendiendo a no usar un martillo para todo.
