Google acaba de dar un paso significativo en la carrera por la automatización inteligente: ha integrado de forma nativa la capacidad de control de ordenadores —denominada Computer Use— directamente dentro de Gemini 2.5 Flash, su modelo de inteligencia artificial de última generación. Esto significa que el modelo no solo puede leer o generar texto, sino que es capaz de observar lo que aparece en una pantalla y actuar sobre ello: mover el ratón, hacer clic, introducir texto y navegar por interfaces reales. La apuesta de Google coloca a Gemini 2.5 Flash en el mismo nivel de prestaciones que GPT-4.5 según los benchmarks más reconocidos del sector, y abre la puerta a una nueva generación de agentes de automatización accesibles para cualquier desarrollador a través de la API de Gemini.

Qué es Computer Use y cómo lo implementa Google en Gemini 2.5 Flash

La funcionalidad Computer Use permite que un modelo de lenguaje grande (LLM) tome el control de un entorno informático real: un escritorio Windows o Linux, un navegador web o incluso un dispositivo móvil. En lugar de limitarse a responder preguntas, el modelo "ve" la pantalla mediante capturas de imagen, interpreta qué está ocurriendo en la interfaz y ejecuta acciones concretas para alcanzar un objetivo. Es, en esencia, como tener un asistente que no solo te dice qué hacer, sino que coge el teclado y el ratón y lo hace él mismo. Para el usuario no técnico, la analogía más clara sería la de un empleado nuevo que, sin que le expliques cada menú y cada botón, es capaz de aprender a manejarse solo con cualquier programa simplemente mirando la pantalla.

Google ha optado por integrar esta capacidad directamente en el modelo en lugar de construirla como una capa externa adicional, lo cual es una decisión arquitectónica relevante. Al estar "horneada" dentro del propio Gemini 2.5 Flash, la comprensión visual del estado de la pantalla y la planificación de las acciones a tomar suceden de forma unificada, sin necesidad de orquestadores externos que añadan latencia o complejidad. Los desarrolladores pueden acceder a esta funcionalidad a través de la API de Gemini, lo que reduce enormemente la barrera de entrada para construir agentes de automatización sofisticados.

Especificaciones técnicas y rendimiento en benchmarks

Estos son los datos clave que Google ha hecho públicos sobre la capacidad de Computer Use en Gemini 2.5 Flash:

  • Modelo base: Gemini 2.5 Flash
  • Capacidades de control: ordenadores de escritorio, navegadores web y dispositivos móviles
  • Benchmark OSWorld: puntuación de 78,4
  • Rendimiento comparativo: a la par con GPT-4.5 en OSWorld
  • Acceso para desarrolladores: disponible a través de la API de Gemini
Una puntuación de 78,4 en OSWorld sitúa a Gemini 2.5 Flash al nivel de GPT-4.5, el modelo de OpenAI considerado referencia en control autónomo de interfaces.

El panorama competitivo: Google, OpenAI y Anthropic se disputan el control del escritorio

La integración de Computer Use en un modelo de IA no es una novedad absoluta: Anthropic fue pionera en presentar esta capacidad con Claude hace meses, y OpenAI ha respondido con GPT-4.5 y sus propias herramientas de agentes. Sin embargo, lo que diferencia el movimiento de Google es la combinación de rendimiento —equiparable al estado del arte según OSWorld— y accesibilidad, al democratizar el acceso a esta tecnología a través de una API ya ampliamente adoptada por la industria. Hasta ahora, construir un agente capaz de operar una interfaz gráfica de usuario requería combinar múltiples herramientas, frameworks y modelos especializados. Con este anuncio, Google comprime esa complejidad en una única llamada a la API.

El impacto en el mercado empresarial puede ser considerable. Los casos de uso más inmediatos apuntan al testing automatizado de software —donde un agente puede navegar por una aplicación web y verificar su funcionamiento sin necesidad de scripts frágiles— y a la automatización de tareas de oficina repetitivas: rellenar formularios, extraer datos de portales web, gestionar correos electrónicos o interactuar con aplicaciones legacy que no tienen API propia. Para las empresas medianas y pequeñas españolas, que a menudo dependen de software antiguo sin interfaces modernas, esto podría representar una vía de automatización real sin necesidad de migraciones costosas.

¿Qué supone para el comprador hispanohablante?

La funcionalidad Computer Use de Gemini 2.5 Flash no es un producto de consumo que se compre en PcComponentes o Amazon España, sino una capacidad accesible a través de la API de Google. Los desarrolladores y empresas en España pueden comenzar a explorar su integración directamente desde Google AI Studio o la consola de Google Cloud. El acceso a la API de Gemini sigue el modelo de pago por uso habitual de Google, aunque los precios exactos para esta funcionalidad específica no han sido detallados en la información disponible. Para autónomos y pequeñas empresas interesadas en automatización, conviene estar atentos a los niveles gratuitos de la API, que Google suele mantener para facilitar la adopción inicial. En cualquier caso, el coste de experimentación debería ser asequible para proyectos piloto.

Nuestra valoración

La integración nativa de Computer Use en Gemini 2.5 Flash es una de las noticias más relevantes del año en el ámbito de la IA aplicada. No porque la idea sea nueva —Anthropic ya nos la había presentado—, sino porque la combinación de rendimiento de primer nivel y accesibilidad a través de una API masivamente adoptada puede marcar el punto de inflexión en el que esta tecnología pase de ser una demostración de laboratorio a una herramienta real en el día a día de equipos de desarrollo y operaciones. Google ha aprendido la lección de que en IA la velocidad de adopción depende tanto de la calidad del modelo como de lo fácil que sea integrarlo.

Dicho esto, conviene no dejarse llevar por el entusiasmo. Los benchmarks como OSWorld miden capacidades en entornos controlados, y la realidad de las interfaces empresariales —con sus menús desplegables caprichosos, sus ventanas emergentes inesperadas y sus sesiones que caducan— suele ser bastante más caótica. El verdadero examen para Gemini 2.5 Flash llegará cuando los primeros equipos de desarrollo en España y el resto del mundo publiquen sus resultados en producción. Aun así, la dirección es clara: los agentes de IA que operan interfaces reales dejarán de ser ciencia ficción mucho antes de lo que muchos anticipaban.