La gran actualización de Google Gemini 3 Deep Think: capacidad de razonamiento aplasta a Opus 4.6, GPT-5.2, para convertirse en el "IA más orientada a la investigación"

Google lanza Gemini 3 Deep Think con una actualización importante, logrando un 84.6% en la prueba ARC-AGI-2, superando ampliamente a Claude Opus 4.6 (68.8%) y GPT-5.2 (52.9%), y alcanzando el nivel de «Maestro Legendario» en Codeforces.
(Resumen previo: Nace el modo de aprendizaje de ChatGPT: ¿el ocaso de los tutores o la aurora de una era dorada en la educación?)
(Información adicional: ¡Google lanza oficialmente «Gemini 3»! ¿Qué puntos destacados tiene para coronar el modelo de IA más inteligente del mundo?)

Índice del artículo

• No solo aprueba exámenes, también detecta errores humanos
• Cambios en la cuota de mercado
• Efectos en la industria de las criptomonedas
• La verdadera partida científica apenas comienza

Hoy (13) Google ha lanzado una importante actualización de Gemini 3 Deep Think. En la prueba ARC-AGI-2 (una evaluación de razonamiento diseñada para evitar trampas en bancos de preguntas de IA, que no mide cuánto sabes sino si puedes deducir reglas a partir de ejemplos), Gemini 3 Deep Think obtuvo un 84.6%.

Como referencia, Claude Opus 4.6 (modo Thinking Max) alcanzó un 68.8%, GPT-5.2 (modo Thinking xhigh) un 52.9%, y el promedio humano ronda el 60%.

Aún más sorprendente, en la versión original ARC-AGI-1, Deep Think logró un 96%, prácticamente llevando esta prueba, considerada una de las más difíciles para IA, a su límite máximo.

Actualmente, Deep Think está disponible para suscriptores de Google AI Ultra, y su API se ofrece en acceso temprano a empresas.

No solo aprueba exámenes, también detecta errores humanos

Más allá de los resultados, Google mencionó en su anuncio un detalle interesante: Deep Think, al revisar un artículo matemático sometido a revisión por pares humanos, logró identificar una laguna lógica que todos los revisores anteriores pasaron por alto. La confirmación vino de matemáticos de la Universidad Rutgers.

La importancia de este caso radica en que no se trata solo del rendimiento en pruebas estándar, sino de la capacidad en escenarios científicos reales y abiertos. La revisión por pares es uno de los mecanismos de control de calidad más fundamentales en la academia; si la IA puede ofrecer ayuda valiosa en este proceso de forma estable, su impacto en la aceleración de la investigación científica será mucho mayor que cualquier puntuación en tests.

Deep Think también alcanzó nivel de medalla de oro en las pruebas escritas de la Olimpiada Internacional de Física y Química 2025, y en Codeforces tiene un puntaje Elo de 3,455, equivalente a un nivel de «Maestro Legendario», una categoría alcanzada por muy pocos programadores humanos en todo el mundo.

En la «Última Prueba de la Humanidad» (Humanity’s Last Exam), diseñada por expertos en diferentes campos para ser difícil para la IA, Deep Think obtuvo un 48.4% (sin usar herramientas), estableciendo un nuevo récord.

Cambios en la cuota de mercado

La competencia entre los tres gigantes de la IA está transformando el mapa del mercado. La cuota de ChatGPT ha caído del 87% en su pico a aproximadamente el 68%, mientras Gemini ha subido de menos del 5% a más del 18%, y Claude de Anthropic continúa ganando terreno en el mercado empresarial.

La ventaja única de Google en esta carrera es su capacidad de distribución. Gemini está integrado en Android, Chrome, Google Workspace y en su motor de búsqueda, lo que significa que incluso si en capacidades de modelo está igualado con la competencia, Google puede captar usuarios a través de sus canales.

Pero la ventaja en distribución también es un arma de doble filo. Si la experiencia con Gemini no es buena, podría perder la confianza de los usuarios más rápidamente que cualquier competidor, ya que estos son «usuarios pasivos» que reciben la IA en lugar de elegirla activamente. Los usuarios de OpenAI, en cambio, pagan de forma activa y tienen mayor tolerancia y fidelidad.

Efectos en la industria de las criptomonedas

Cada actualización en la carrera armamentística de la IA aumenta la demanda de infraestructura computacional. El costo de entrenar un modelo de vanguardia ha pasado de cientos de millones de dólares en 2024 a varios miles de millones en 2026. Esto impacta directamente en dos aspectos:

Primero, la transformación de los mineros de Bitcoin. Cuando las ganancias de minería se reducen (JPMorgan estima que el costo de producción de BTC cayó a 77,000 dólares, mientras que el precio ronda los 66,000), los mineros con infraestructura a gran escala están acelerando su transición hacia servicios de computación de IA.

No es que abandonen, sino que cambian de actividad: de minar Bitcoin a ofrecer capacidad de cálculo mediante contratos de servicios de IA.

Segundo, la narrativa de los tokens de IA. Cada vez que Google, OpenAI o Anthropic lanzan una actualización importante, los tokens relacionados con IA en cadenas de bloques (como protocolos de computación descentralizada) suelen experimentar especulación a corto plazo.

Pero los fundamentos de estos tokens no cambian: la computación descentralizada todavía está lejos de satisfacer las necesidades de entrenamiento de IA a nivel empresarial en términos de latencia y throughput. La narrativa puede avanzar rápido, pero la infraestructura aún no acompaña ese ritmo.

La verdadera partida científica apenas comienza

La actualización de Deep Think ha puesto a Google nuevamente en la posición de liderazgo en la carrera de IA, al menos en razonamiento y ciencia. Pero si observamos cuidadosamente el lenguaje del anuncio, detectamos un cambio sutil en su enfoque: ya no se centra en ser «la IA más inteligente y general», sino en reiterar que «nació para la ciencia».

A medida que las pruebas de referencia de IA general se vuelven más saturadas y las diferencias más difíciles de distinguir, una propuesta de valor más convincente será «mi IA te ayuda en la investigación científica» en lugar de «mi IA obtiene las puntuaciones más altas». Si Deep Think logra apoyar de forma estable la revisión por pares, acelerar descubrimientos de medicamentos o encontrar soluciones que los humanos han pasado por alto en simulaciones físicas, eso tendrá un impacto mucho más profundo que cualquier lista de rankings.

El problema es que la distancia entre «obtener altas puntuaciones en pruebas de referencia» y «apoyar de forma confiable a los humanos en escenarios científicos reales» puede ser mayor de lo que Google insinúa, ya que las pruebas estándar tienen respuestas correctas, pero en ciencia no siempre es así.