La visión selectiva de Gemini: la promesa de una comprensión de vídeo más barata

Hasta hoy, hacer que un modelo de lenguaje analizara un vídeo significaba obligarlo a digerir una secuencia rígida de fotogramas, normalmente uno por segundo. Un método tan lineal como costoso, en el que los recursos consumidos crecen con la duración del clip y no con la relevancia real del contenido. Con la comprensión de vídeo agéntica, anunciada por Google el 1 de septiembre de 2026, el enfoque cambia: el modelo ya no padece el flujo visual, sino que asume un papel activo y decide qué segmentos cargar, a qué velocidad y mediante qué modalidad — fotogramas, audio o transcripciones — valiéndose de herramientas nativas creadas para ello.

Las ventajas cuantitativas que promete Google son notables: una reducción de los costes de análisis de hasta el 66 %, un recorte del consumo de tokens que llega al 88 % y un aumento de la precisión de hasta el 7 %. Sin embargo, el examen de los datos técnicos revela matices que enfrían el entusiasmo inicial. Si el anuncio oficial cita como modelos compatibles Gemini 3.7 Flash, Gemini 3.6 Flash y Gemini 3.5 Flash-Lite, la documentación para desarrolladores en ai.google.dev añade también Gemini 3.8 Flash a la lista, probablemente porque ese modelo llegó al día siguiente del anuncio. Además, como también señala una reconstrucción de MarkTechPost del 4 de septiembre de 2026, toda la infraestructura solo es accesible a través de la API alojada en Google AI Studio o en la Gemini Enterprise Agent Platform. No hay pesos abiertos ni forma de ejecutar el sistema por cuenta propia: es la misma razón por la que nadie, fuera de Google, puede volver a medir esos porcentajes. El modo se activa desde la configuración ('processing': 'agentic') al precio estándar de la API, sin recargo; Google afirma que llegará 'pronto' a la app Gemini y 'en los próximos meses' a Ask YouTube, fechas que siguen siendo genéricas.

Vistas de cerca, las métricas de eficiencia tienen zonas de sombra. Google no ha publicado los datos concretos ni las tablas comparativas de los benchmarks estándar utilizados para calcular esos ahorros máximos. Es más, la propia documentación oficial invita a la prudencia: para las peticiones sensibles a la latencia sobre clips de menos de cinco minutos, y cuando hace falta precisión a nivel de fotograma en todo el clip, recomienda explícitamente quedarse en el muestreo estático predeterminado. Tampoco el aumento del 7 % en precisión es universal: la documentación técnica lo circunscribe a los contenidos de larga duración.

La idea de que un modelo pueda decidir qué mirar para ahorrar en costes de cómputo es un excelente ejercicio de optimización de recursos. Lástima que, para comprobar si ese ahorro no se traduce en pérdida de detalle o en una espera que Google nunca ha cuantificado, tengamos que fiarnos de porcentajes sin benchmarks públicos detrás. En el fondo, la eficiencia es una métrica estupenda, siempre que no sea el usuario quien haga de probador a su propia costa. — Olya