¡Cancelación repentina! Gemini 3.5 Pro no logra salir, Google cae en la trampa de la decepción

Justo ayer, todo el mundo de la IA seguía sumido en una euforia desbordante.

Todas las filtraciones se lanzaron de golpe: el arma definitiva de Google—Gemini 3.5 Pro, nombre clave “Cappuccino”, ¡se lanzaría oficialmente en 48 horas!

Una ventana de contexto gigantesca de dos millones, un nuevo modo de razonamiento “pensamiento profundo”, se dice que las pruebas internas ya superan por mucho a GPT-5.6 Sol y Claude Fable 5.

Evidentemente, este es un producto importante listo para revolucionar el panorama de la IA.

Todos contaban los minutos emocionados, ansiosos por ser testigos de la historia.

Sin embargo, al despertar, el panorama cambió radicalmente.

Un informe exclusivo de Bloomberg, como un balde de agua fría, apagó el entusiasmo de todos: el lanzamiento de Gemini 3.5 Pro fue pospuesto, y no por unos días, sino por varios meses.

Un lanzamiento que estaba listo para escribirse en los libros de historia fue pausado por el mismo Google.

¿Por qué sucedió esto?

48 horas de euforia y un frenado de emergencia

Ayer, las plataformas sociales estaban llenas de spoilers sobre Gemini 3.5 Pro.

Nombre clave: Cappuccino. 

Ventana de contexto ultralarga: 2 millones de tokens. 

Pensamiento profundo: el nuevo modo “Deep Think” lleva las capacidades en matemáticas, programación y razonamiento lógico a niveles nunca antes vistos. 

Evolución total: grandes avances en escritura de código, flujos de trabajo de agentes inteligentes, diseño de UI frontend y generación de gráficos SVG.

Personal interno predice que será el “arma definitiva” de Google para contraatacar a OpenAI y Anthropic.

La reacción fue extrema. Todos esperaban ansiosos el 17 de julio, la fecha de lanzamiento prometida.

Sin embargo, esta mañana, una nota periodística de Bloomberg generó decepción instantánea.

Personal interno dijo que el avance en el desarrollo de Gemini 3.5 Pro está retrasado por meses. El núcleo del problema es que el modelo no logró cumplir con los estrictos estándares internos en capacidades clave, especialmente en codificación asistida por IA.

A finales del mes pasado, Google actualizó urgentemente los datos de entrenamiento para intentar una última mejora en capacidad de codificación, pero el resultado fue “decepcionante”.

En cuatro palabras termina la fiesta de 48 horas.

Las acciones de Google cayeron al difundirse la noticia, con una baja de hasta 4,43%.

Cuando los nuevos modelos de OpenAI y Meta aceleran en sus capacidades de código, el retraso de Gemini 3.5 Pro genera una ansiedad grave dentro de Google.

Ingenieros, investigadores de IA y ejecutivos se sienten frustrados y cada vez más preocupados de que Google esté perdiendo la escasa “moat” que alguna vez tuvo.

La “trampa de Tácito” de Google: ¿Por qué toda la empresa no logra crear la IA más potente?

¿Por qué esta esperada revolución terminó convertida en un fiasco?

Este reportaje nos muestra las múltiples dificultades internas de Google. Es el retrato de un imperio gigante durante una transformación decisiva.

• La velocidad de innovación “arrastrada” por la burocracia

El reportaje menciona un detalle clave: los niveles jerárquicos de Google son complejos y numerosos.

El lanzamiento de un modelo debe satisfacer las necesidades de tremendos productos como Search, Maps, YouTube, etc.

Este enfoque de decisiones “de todo o nada” dispersa recursos y ralentiza la toma de decisiones.

Un ex empleado lo describió vívidamente: “Lograr que todos los líderes de cada área empujen en la misma dirección es como intentar hervir todo el océano.”

El resultado: instrucciones que cambian constantemente, departamentos reinventando la rueda, incapaces de generar sinergía.

Mientras OpenAI y Anthropic corren a ritmo de startups, el gigantesco barco de Google se detiene por la coordinación interna.

Como comentó acertadamente un usuario: “Google necesita recortar su pesado sistema burocrático para avanzar en este campo.”

• Código de IA y Waterloo: obsesión por la “pureza” y hambre de computación

¿Por qué la capacidad de codificar es la que más falla? Detrás de esto hay conflictos internos más profundos en Google.

Por un lado, Google tiene la cultura de ingeniería más avanzada del mundo, lo que ha generado una obsesión por la “pureza”.

Muchos ingenieros tradicionales creen que “todo código importante debe ser escrito a mano”. Esta desconfianza hacia el código generado por IA limitó el uso de Gemini para asistencias en desarrollo, temiendo que código propietario termine en datos de entrenamiento.

Solo cuando Google reconoció la importancia del código generado por IA y obligó a utilizar IA para escribir código, surgió otro problema: falta de poder de cómputo.

El informe señala que los ingenieros internos que intentan usar herramientas de IA frecuentemente afrontan limitaciones de capacidad de cómputo.

El detalle más irónico del reportaje: en una empresa que este año tiene previsto gastar entre 180.000 y 190.000 millones de dólares en capital, ¡los ingenieros internos no tienen acceso a GPU!

Datos de Wall Street muestran que Google destinó 35.700 millones solo en el primer trimestre, más del doble que el año anterior. Tras invertir tanto en chips y centros de datos, ¿cuál es el resultado?

Ante este caos, Google trata de reparar el daño.

El jefe de arquitectura de IA está unificando las herramientas de programación de IA de todos los departamentos en la infraestructura de Google Antigravity, y creó un equipo especial de IA en DeepMind, pero es demasiado tarde.

• Competencia interna, pérdida de talento y un círculo vicioso

Google entiende el problema. Tiene laboratorios de investigación de primer nivel como Google DeepMind, el área de Google Cloud, el equipo de Android, e incluso ha formado varios grupos internos para mejorar la codificación por IA.

Pero este mecanismo de “carreras internas” también genera desgaste.

Equipos compiten por separado, productos se superponen, estrategias vacilan. Lo peor: tanta confusión y frustración lleva a la fuga de talentos.

El reportaje afirma que muchos investigadores, decepcionados por el atraso de Google, migraron a Anthropic y OpenAI.

Esto crea un círculo vicioso: burocracia genera baja eficiencia ➔ baja eficiencia hace que el producto quede atrás ➔ atraso en producto genera fuga de talento ➔ fuga de talento empeora el retroceso tecnológico.

El retraso de Gemini 3.5 Pro es la consecuencia inevitable de ese círculo.

Alarma en toda la industria,los gigantes caen juntos en la “trampa de decepción de la próxima generación de modelos”

Ethan Mollick de la Wharton School, al compartir el reportaje, lanzó una idea aterradora—

No es solo una tragedia de Google, sino el “invierno tecnológico cíclico” que afecta a todo Silicon Valley.

Mollick señala que la frustración actual de Google repite perfectamente los sufrimientos de Meta Llama 4 y xAI Grok 4.

Él denomina este fenómeno como la “trampa de decepción de la próxima generación de modelos masivos”.

Se invierte mucho dinero y poder de cómputo en entrenar el siguiente modelo, pero la mejora real de rendimiento es mucho menor de lo esperado, y la posición dominante en el mercado retrocede palpable.

Antes, la industria creía en la Scaling Law. Sin embargo, cuando el tamaño del modelo llega a cierto límite, la “estética de fuerza bruta” de solo agregar más datos y cómputo ya no funciona.

Cuello de botella en datos: los textos humanos de alta calidad casi se han “exprimido”, y el efecto de datos sintéticos aún está por probarse.

Cuello de botella en algoritmos: la arquitectura actual de Transformer y sus variantes podrían estar cerca de su límite de rendimiento. Rendimiento decreciente: para lograr pequeñas mejoras, hace falta una inversión exponencial en computación.

En este juego de gigantes, solo OpenAI, gracias a Orion/GPT-4.5, ha escapado de esta trampa de momento, sin retroceso notable.

Lo que es seguro: a medida que el tamaño del modelo se acerca a los límites físicos y de ingeniería, la dificultad de iterar los modelos de vanguardia está creciendo rápidamente.

El retraso de Gemini 3.5 Pro nos despierta a todos—

Estamos en una etapa de plataforma. Aquella época de “un día de IA equivale a un año humano” ya terminó.

Para toda la industria, quizá eso sea algo bueno. Cuando el ruido baje, recién nos preguntaremos cuál es el verdadero valor de la IA.

En cuanto a Google, el mercado probablemente ya no le deje demasiado tiempo ni paciencia.