Gemini 3.8 Flash “Skimaki”: el modelo de Google que busca competir en programación

¿Qué es Gemini 3.8 Flash?

Gemini 3.8 Flash es un modelo de inteligencia artificial de Google diseñado especialmente para programación, agentes autónomos y flujos de trabajo empresariales complejos. Su nombre interno, según personas citadas por The Wall Street Journal, sería “Skimaki”. 2

La etiqueta Flash indica la prioridad del producto: responder con rapidez y consumir menos recursos que un modelo insignia de mayor tamaño. Google lo presenta como su modelo Flash más avanzado y orientado a tareas de ingeniería de software de largo recorrido, en las que un sistema debe analizar un repositorio, utilizar herramientas, modificar código, ejecutar pruebas y corregir errores de forma repetida. 5

No se trata, por tanto, únicamente de generar fragmentos de código a partir de una instrucción. La apuesta está en los llamados agentes de programación: sistemas capaces de completar una cadena de tareas con una intervención humana limitada.

¿Cuándo se lanzó?

El informe del Wall Street Journal publicado el 2 de septiembre señaló que Gemini 3.8 Flash podía llegar “tan pronto como” ese miércoles. 2 En esa misma fecha, la documentación de Google AI para desarrolladores ya describía gemini-3.8-flash como disponible de forma general —GA, por sus siglas en inglés— y listo para uso en producción. 5

Por eso, la idea de que el modelo está simplemente “a punto de llegar” puede haber quedado desactualizada: según la documentación oficial disponible, el lanzamiento ya se habría producido, aunque la disponibilidad concreta puede depender del producto, la API o la región desde la que se acceda.

¿Cómo lo compararon con Claude Opus?

Según empleados citados por el periódico estadounidense, ingenieros de Google realizaron comparaciones directas de programación en Jetski, una herramienta interna de la compañía. En algunas de esas pruebas, los ingenieros mostraron preferencia por Gemini 3.8 Flash frente al modelo Opus de Anthropic. 2

La afirmación debe interpretarse con cautela. Se trata de una evaluación interna y cualitativa, basada en testimonios de personas no identificadas. No es un benchmark público reproducible ni demuestra que Gemini 3.8 Flash sea superior a Claude Opus en términos generales.

El resultado de cualquier comparación dependerá de factores como:

• los repositorios y tareas utilizados;
• las herramientas disponibles para cada modelo;
• el nivel de autonomía permitido;
• la forma de puntuar el código y las correcciones;
• la fiabilidad durante ejecuciones largas;
• el coste y la latencia en condiciones reales.

¿Por qué crear una versión Flash?

El objetivo estratégico es ofrecer una capacidad de programación suficientemente alta sin asumir el coste y la latencia de un modelo de frontera más pesado. Para un agente que realiza decenas o cientos de llamadas durante una tarea, cada mejora en velocidad y precio puede tener un impacto considerable.

La documentación de Google sitúa a Gemini 3.8 Flash en tareas de ingeniería de software de largo recorrido, agentes autónomos y procesos empresariales complejos. También indica un precio introductorio de 0,75 dólares por cada millón de tokens de entrada y 3,75 dólares por cada millón de tokens de salida hasta final de año. 5

Esta combinación permitiría integrar el modelo en productos de Google, servicios de nube y herramientas de desarrollo con mayor facilidad que un sistema insignia mucho más caro. La hipótesis de que el formato Flash busque evitar un escrutinio regulatorio propio de los modelos de frontera es una inferencia estratégica; las fuentes disponibles no establecen un umbral gubernamental concreto ni confirman que la regulación haya sido el factor decisivo del diseño.

El papel del aprendizaje por refuerzo

Los informes también apuntan a que Google aumentó los recursos dedicados al aprendizaje por refuerzo, una fase posterior del entrenamiento en la que los modelos mejoran sus respuestas mediante pruebas, retroalimentación y recompensas.

Ese enfoque puede ser especialmente útil para programación y uso de herramientas. Un modelo no solo debe conocer un lenguaje: tiene que decidir qué archivo abrir, qué comando ejecutar, cómo interpretar un error y cuándo considerar que una tarea está terminada.

La progresión desde Gemini 3.7 Flash hacia la versión 3.8 puede reflejar precisamente esa prioridad: convertir la capacidad general del modelo en un comportamiento más fiable durante tareas prolongadas, en lugar de depender exclusivamente de aumentar el tamaño del entrenamiento inicial.

¿Qué relación tiene con la reorganización de Google DeepMind?

El lanzamiento llega en un momento de presión competitiva y cambios internos. En agosto, Demis Hassabis dejó la gestión diaria de Google DeepMind para convertirse en presidente de la organización y científico jefe de Alphabet. Otros directivos asumieron una mayor autoridad operativa, mientras Hassabis conservó un papel estratégico y científico. 3

Reuters informó además de que Sergey Brin, cofundador de Google, instó a personal clave de inteligencia artificial a centrarse plenamente en Gemini, mientras Alphabet busca reducir la distancia con sus rivales. 1 La compañía también ha situado a los agentes de IA en el centro de su estrategia para convertir estas tecnologías en productos empresariales. 4

En ese contexto, un modelo rápido y económico para agentes de programación puede ser tan importante como un modelo insignia más potente: ofrece una vía para llevar la IA a más usuarios, tareas y servicios de forma sostenible.

¿Qué intenta resolver Google?

Google ha sido percibido como rezagado frente a OpenAI y Anthropic en algunas áreas de programación, especialmente a medida que la competencia se desplazó desde los chatbots hacia agentes capaces de trabajar de manera autónoma sobre código. 12

Gemini 3.8 Flash parece responder a esa debilidad práctica. Un modelo que programe bien, trabaje durante más tiempo y pueda ejecutarse a un coste razonable sería más útil para entornos de desarrollo y clientes de nube que un sistema potente pero demasiado caro para operar a gran escala.

Lo que todavía no está demostrado

Los resultados obtenidos dentro de Jetski no garantizan el mismo rendimiento en benchmarks públicos ni en repositorios reales y diversos. Tampoco permiten concluir por sí solos que el modelo sea más seguro, más fiable o más rentable que las alternativas de OpenAI y Anthropic.

La comparación con Claude Opus procede de empleados no identificados y no existe, en la información citada, una prueba independiente que confirme una superioridad general. La evaluación definitiva dependerá del modelo disponible públicamente, sus herramientas, sus límites de autonomía, la metodología de las pruebas y la respuesta de sus competidores. 2

En resumen, Gemini 3.8 Flash representa una apuesta clara de Google por la programación agéntica: menos centrada en presentar el modelo más grande y más enfocada en que pueda trabajar rápido, durante mucho tiempo y con un coste asumible. La documentación oficial sugiere que la espera terminó; ahora queda comprobar si las ventajas observadas internamente se mantienen fuera de Google.