Uso de la computadora llega a Gemini 3.5 Flash: Google acelera la carrera de los agentes de IA
Google ha dado un paso importante en la carrera por los agentes de IA: el Uso de la computadora ya está integrado en Gemini 3.5 Flash, de modo que el modelo puede ver una pantalla mediante capturas, razonar sobre lo que ocurre y proponer acciones concretas como hacer clic, escribir, desplazarse o completar una tarea dentro de un entorno controlado. No es simplemente otra mejora incremental de un chatbot. Es una señal clara de hacia dónde se está moviendo la inteligencia artificial: de responder preguntas a operar software.
La novedad, presentada por Google en The Keyword, convierte una capacidad que antes estaba disponible como modelo específico de Gemini 2.5 Computer Use en una herramienta integrada dentro de Gemini 3.5 Flash. La diferencia importa. Cuando una función de este tipo deja de vivir en un modelo aparte y pasa a formar parte del modelo principal, se vuelve más sencilla de incorporar en productos, flujos empresariales y pruebas reales.
Qué es el uso de la computadora en Gemini 3.5 Flash
Uso de la computadora (Computer Use) es una herramienta para construir agentes capaces de interactuar con interfaces gráficas. El modelo recibe una captura de pantalla, interpreta el estado del entorno y devuelve una acción que la aplicación del desarrollador debe ejecutar. Esa acción puede ser un clic en una coordenada, una pulsación de teclado, la introducción de texto o un desplazamiento. Después, el sistema captura de nuevo la pantalla y el proceso se repite hasta completar la tarea o detenerse.
La documentación de Google AI para desarrolladores lo resume de forma bastante directa: el modelo puede “ver” una pantalla y “actuar” generando acciones específicas de interfaz. Pero hay una parte clave que no conviene pasar por alto: Gemini no ejecuta por sí solo esas acciones en tu ordenador. El desarrollador debe montar el entorno cliente, recibir las instrucciones del modelo, aplicar controles de seguridad y decidir cuándo se permite, se bloquea o se pide confirmación al usuario.
En la práctica, esto sitúa a Gemini 3.5 Flash en el terreno de los agentes que manejan herramientas reales. No solo invocan una API ordenada y previsible, sino que pueden trabajar con páginas web, aplicaciones internas o flujos de usuario que quizá no fueron diseñados para ser automatizados. Ese es el atractivo, y también el riesgo.
Qué cambia respecto al enfoque anterior
Hasta ahora, muchas automatizaciones con IA dependían de una mezcla frágil de llamadas a funciones, scripts específicos y modelos capaces de interpretar texto o imágenes. El salto de Computer Use consiste en añadir una capa más general: el modelo observa la pantalla como lo haría una persona y propone el siguiente paso. Esto abre la puerta a automatizar tareas que no siempre tienen una API cómoda, desde rellenar formularios hasta probar recorridos de una web o recopilar información distribuida en varias páginas.
Google destaca tres capacidades nuevas asociadas a Gemini 3.5 Flash: soporte multientorno para navegador, móvil y escritorio; acciones con intent, que explican el razonamiento de cada paso; y una capa de seguridad configurable, incluyendo detección opcional de instrucciones maliciosas escondidas en capturas de pantalla.
Ese campo de intent puede parecer menor, pero para empresas y desarrolladores es relevante. Si un agente pulsa un botón o modifica un dato, no basta con saber qué ha hecho: también interesa saber por qué.
Casos de uso: pruebas, formularios y trabajo de oficina
Los ejemplos más inmediatos están en tareas repetitivas. Un agente de este tipo puede completar formularios, revisar una web, comprobar que un flujo de compra funciona, abrir varias páginas para comparar información o ejecutar pruebas sobre una aplicación. También encaja en procesos internos de empresa donde abundan pantallas heredadas, paneles administrativos y herramientas que no siempre se integran bien entre sí.
La lectura interesante es que Google no está vendiendo el Uso de la computadora solo como una función vistosa para demos. Lo orienta claramente hacia automatización de largo recorrido y trabajo empresarial. Eso incluye pruebas continuas de software, operaciones sobre aplicaciones profesionales y tareas de conocimiento que hoy dependen de personas moviéndose entre pestañas, hojas de cálculo, CRMs, gestores documentales o sistemas internos.
Seguridad: la palabra incómoda que aquí es central
Google insiste en un enfoque de defensa en profundidad. La compañía menciona entrenamiento adversarial específico para reducir riesgos de prompt injection, dos sistemas opcionales para empresas y recomendaciones como entornos aislados, verificación humana y controles estrictos de acceso. En concreto, esos mecanismos pueden exigir confirmación explícita para acciones sensibles o irreversibles y detener una tarea si se detecta una instrucción indirecta maliciosa.
La preocupación es muy razonable. Un agente que lee pantallas puede encontrarse instrucciones escondidas dentro de una web, un correo, un documento o una imagen. Si el modelo obedece esas instrucciones en lugar de seguir la tarea original, el resultado puede ir desde una simple desviación hasta una acción peligrosa. En los agentes con capacidad de actuar, la seguridad deja de ser un apartado técnico para convertirse en el centro del producto.
Por eso resulta significativo que la documentación recomiende ejecutar estos agentes en una máquina virtual o contenedor aislado y usar un controlador del lado del cliente, como Playwright, para ejecutar coordenadas, introducir texto y tomar nuevas capturas. Gemini propone la acción, pero el sistema que lo rodea debe actuar como cinturón de seguridad y freno de emergencia.
Por qué esta noticia importa
El Uso de la computadora en Gemini 3.5 Flash apunta a una fase más madura de los agentes de IA. Durante meses, el sector ha hablado de asistentes capaces de hacer cosas por nosotros, pero muchas propuestas seguían atadas a demostraciones llamativas o a integraciones muy concretas. Al integrar esta capacidad en un modelo Flash, Google parece buscar algo más práctico: velocidad, coste razonable y disponibilidad para desarrolladores que quieren construir productos encima.
La pregunta ya no es si un modelo puede mirar una pantalla y pulsar botones. La pregunta es si puede hacerlo de forma fiable, auditable y segura durante muchas tareas seguidas. Ahí estará la frontera real. Si Computer Use funciona bien en entornos controlados, puede ahorrar tiempo en pruebas, soporte y operaciones internas. Si se despliega sin controles, puede multiplicar errores a una velocidad incómoda.
En cualquier caso, la dirección es clara: los modelos de IA están dejando de ser solo conversadores para convertirse en operadores de software. Y cuando una IA empieza a manejar pantallas, formularios y botones, el impacto deja de estar en la interfaz de chat y pasa al corazón de cómo trabajamos con las aplicaciones.