Gemini 4 Neon llega con una promesa que parece discreta hasta que se mira de cerca: completar trabajo complejo con una combinación más útil de profundidad, velocidad y coste. Imaginemos el escritorio habitual de una jornada difícil: un repositorio abierto, documentos que se contradicen, una hoja de cálculo pendiente y una decisión que no puede esperar eternamente. La inteligencia de una herramienta se mide también en ese paisaje. ¿Cuánto ayuda antes de convertirse en otra tarea que supervisar?
Google presentó el modelo el 18 de noviembre de 2026. Su anuncio oficial lo sitúa en programación, análisis y trabajo científico, con acceso que empieza a desplegarse por sus aplicaciones y servicios. La noticia abre una tensión menos vistosa que una gran demostración, pero mucho más cotidiana: queremos delegar más trabajo y, al mismo tiempo, necesitamos poder reconocer cuándo la máquina se ha equivocado.
Una nueva pieza entre la rapidez y la profundidad
La ficha técnica de Google DeepMind explica que Neon está adaptado de Gemini 4 Carbon. La familia reparte funciones: Carbon atiende proyectos especialmente exigentes y prolongados; Hydrogen prioriza la ejecución rápida; Neon busca un punto intermedio para tareas complejas que se repiten con frecuencia. No hace falta interpretar esa distribución como una escalera en la que cada peldaño invalida el anterior. Describe distintas formas de gastar capacidad.
En la programación con IA y el trabajo con agentes de IA, el planteamiento invita a cambiar la pregunta. En lugar de buscar una inteligencia supuestamente superior para cualquier encargo, conviene pensar qué partes del trabajo requieren más deliberación y cuáles necesitan una respuesta ágil. Un proyecto puede necesitar ambas cosas. La corrección de un error pequeño y la revisión de una decisión de arquitectura no exigen el mismo esfuerzo, aunque las dos aparezcan en la misma conversación.
Esa distinción importa porque una herramienta puede impresionar en una respuesta aislada y resultar incómoda durante una mañana completa. La espera, las correcciones y las explicaciones innecesarias también forman parte de la experiencia. El avance útil sería reducir ese rozamiento sin perder capacidad para detenerse ante lo que merece cuidado.
Lo que dicen las evaluaciones y lo que queda fuera
Hay señales externas para examinar la propuesta. En el Vals Index fechado el 18 de noviembre, Gemini 4 Neon aparece segundo con un 70,87%, por detrás de Claude Fable 5.2, con un 71,31%, y muy cerca de Claude Sonnet 5.5, con un 70,85%. Son resultados dentro de esa batería y de sus condiciones de evaluación. Una diferencia tan pequeña no permite decidir, por sí sola, qué herramienta resolverá mejor el trabajo de cada persona.
El índice agregado puede servir para orientarse, pero una media también aplana el paisaje. Un departamento jurídico, un equipo de desarrollo y alguien que prepara una presentación necesitan cosas distintas. Antes de trasladar una posición a una decisión de compra, habría que mirar las tareas que componen la prueba y comprobar cuánto se parecen a las propias.
Artificial Analysis organiza sus evaluaciones en dimensiones como capacidad, coste y tiempo por tarea. Su índice de inteligencia combina nueve pruebas. Esa separación recuerda algo elemental: obtener una buena puntuación no explica todavía cuánto tarda un sistema en conseguirla ni cuánto consume durante el intento. Para un trabajo repetido miles de veces, esas diferencias dejan de ser detalles.
También conviene leer las clasificaciones como fotografías fechadas. En la tabla de agentes de Arena consultada para esta noticia, Neon en configuración High figura tercero y con resultados preliminares, mientras el anuncio de Google recoge una segunda posición en su lanzamiento. Las configuraciones y las actualizaciones pueden cambiar el orden. Mezclar ambas referencias como si describieran una clasificación fija produciría una certeza artificial.
La lección no es desconfiar de toda medición. Es pedirle a cada medición que responda solo de lo que realmente observa. Un buen mapa ayuda a caminar; no elimina las pendientes del terreno.
El contexto largo necesita una lectura cuidadosa
La ficha del modelo admite texto, imágenes, audio y vídeo dentro de una ventana combinada de hasta un millón de tokens. Los tokens son las unidades con las que se representa el contenido para procesarlo. Esa capacidad amplía el material que puede reunirse en una misma petición, pero no garantiza que cualquier documento vaya a interpretarse de manera completa o correcta.
Una mesa más grande permite colocar más papeles. Sigue haciendo falta identificar el documento relevante, distinguir una instrucción de una cita y advertir qué dato corresponde a cada versión. Con los modelos ocurre algo parecido: capacidad de entrada y calidad del razonamiento son propiedades relacionadas, pero diferentes.
Además, el límite depende del producto. El anuncio del equipo de Google Antigravity habla de hasta 512.000 tokens en ese entorno. Por tanto, el millón de tokens de la ficha general no debe prometerse automáticamente en todas las interfaces. Esta diferencia es especialmente relevante para quien pretende trabajar con repositorios o colecciones de documentos extensas.
La forma responsable de aprovechar el contexto largo empieza por organizar el encargo. Conviene señalar qué materiales son prioritarios, qué resultado se espera y dónde debe detenerse la herramienta si encuentra una contradicción. Dar más información puede ayudar; definir cómo usarla también.
Dos modelos dentro de una misma conversación
Antigravity incorpora asimismo Orchestrator (Neon). Según su equipo, Neon se ocupa de planificar y revisar, mientras Hydrogen ejecuta cambios, actualizaciones y pruebas. Si el modelo ejecutor se atasca, devuelve el control a Neon para reconsiderar la situación. Es una distribución de funciones dentro del sistema, no una prueba de autonomía ilimitada.
La propuesta hace visible una idea interesante: la inteligencia puede depender de cómo se organiza el trabajo, además de la potencia de cada modelo. Revisar un plan y aplicar una modificación son operaciones distintas. Distribuirlas podría mejorar un proceso si cada transición conserva las restricciones del encargo y deja rastro de lo ocurrido.
También introduce una pregunta que merece acompañar cualquier demostración: ¿quién comprueba que el resultado final responde todavía a la petición inicial? Si un sistema se divide en varios pasos, la supervisión debe poder reconstruir el recorrido. Una respuesta pulida al final de la cadena no explica por sí sola las decisiones intermedias.
Para un equipo de desarrollo, una prueba útil sería encargar una modificación acotada, revisar los archivos afectados y contrastar el comportamiento con requisitos previamente definidos. El objetivo sería observar trabajo verificable, no premiar la apariencia de actividad. Una sucesión de acciones puede producir mucho movimiento y poco progreso.
El precio de los tokens y el precio del trabajo
Google anuncia para Neon una tarifa de API de 3 dólares por millón de tokens de entrada y 15 dólares por millón de salida, con entrada en caché a 0,15 dólares por millón. Son precios del servicio indicado, no el coste de una suscripción ni una factura universal por proyecto. La cantidad consumida depende del encargo y de cómo se ejecute.
La comparación económica debería incluir los intentos fallidos y el tiempo de revisión. Supongamos que una herramienta entrega una solución barata que obliga a reconstruir parte del razonamiento. Ese trabajo humano también tiene valor. Del mismo modo, pagar más por una respuesta no garantiza que la comprobación vaya a ser menor.
Una evaluación sencilla puede fijar tres medidas antes de empezar: qué cuenta como resultado aceptable, cuánto tarda en alcanzarse y cuánta intervención necesita. Así se evita una comparación en la que cada modelo recibe una oportunidad distinta o se juzga por lo que mejor sabe mostrar.
El equipo de Antigravity ofrece cuatro niveles de esfuerzo y señala High como opción predeterminada. El control resulta interesante si permite ajustar el recurso a la dificultad. Pero elegir más razonamiento de forma automática para cualquier tarea puede convertir una capacidad adicional en un gasto habitual sin beneficio demostrado.
Disponibilidad con condiciones concretas
El despliegue anunciado incluye la API, AI Studio, Gemini para empresas y el acceso de suscriptores Pro y Ultra a la aplicación Gemini y a Antigravity. Cada canal conserva sus propias condiciones. El anuncio de Antigravity distingue además entre planes pagados y determinadas pruebas promocionales; tampoco ofrece Orchestrator (Neon) en todos los niveles.
Esto obliga a separar la noticia del lanzamiento de la experiencia particular de cada cuenta. Antes de reorganizar un proceso alrededor del modelo, habría que confirmar qué funciones están realmente disponibles en el servicio contratado. Una capacidad descrita en una presentación puede llegar por etapas o quedar sujeta a un plan específico.
Para quienes trabajan con información delicada, la decisión requiere asimismo revisar las condiciones aplicables al entorno utilizado. La facilidad de adjuntar documentos no sustituye las reglas de una organización sobre acceso y uso de datos. La comodidad de una interfaz no debería decidir esas cuestiones por inercia.
La eficiencia también necesita un propósito
Gemini 4 Neon representa una apuesta por acercar capacidades exigentes al trabajo frecuente. Lo interesante será comprobar si esa combinación permite resolver mejor tareas reales: encontrar una incoherencia antes de que llegue al cliente, entregar un cambio comprensible o transformar documentos dispersos en una decisión que pueda justificarse.
La paradoja permanece. Si cada operación requiere menos esfuerzo, resulta tentador multiplicar las operaciones hasta ocupar de nuevo todo el tiempo disponible. Una herramienta más eficiente puede liberar atención, pero también alimentar otra ronda de urgencias, revisiones y resultados que nadie pidió.
La oportunidad está en elegir qué merece automatizarse y qué necesita una conversación humana más lenta. El modelo puede ampliar el taller. Nosotros seguimos teniendo que decidir qué construir, con qué criterios aceptarlo y cuándo dar el trabajo por terminado.
Quizá la señal más valiosa de esta nueva etapa no sea una máquina que nunca se detiene. Sea una tecnología que nos permita detenernos mejor: mirar el resultado, comprender sus límites y recuperar un poco de espacio para pensar antes de pulsar otra vez.
Imagen de portada: material gráfico oficial de Gemini 4 Neon, publicado por Google en el anuncio del lanzamiento.


