Google lanza Gemini 4 Neon: potencia alta con menor coste por tarea
El nuevo modelo de Google se sitúa entre Carbon e Hydrogen y promete recortar hasta un 32% el coste por tarea frente al modelo más potente de la casa.

La carrera entre los grandes modelos de inteligencia artificial ya no se decide solo por quién resuelve el problema más difícil, sino por cuánto cuesta resolverlo miles de veces al día. En ese terreno encaja Gemini 4 Neon, el nuevo modelo que Google presenta como una opción de alto rendimiento con un gasto de ejecución sensiblemente menor, según recoge MuyComputer.
Un modelo intermedio dentro de una familia
Google lleva meses construyendo una gama de modelos con prioridades distintas en lugar de un único buque insignia. Neon se coloca entre Gemini 4 Carbon, el más capaz y también el más caro de ejecutar, y Hydrogen, pensado para tareas ligeras y agentes que se lanzan en paralelo. La idea es que no haga falta recurrir siempre a la opción más costosa para trabajos exigentes que se repiten con frecuencia: análisis de documentos, programación, revisión de datos o automatizaciones de oficina.
No se plantea, por tanto, como sustituto del modelo superior. Es una capa intermedia para quien necesita calidad sin que la factura mensual se dispare por volumen de uso.
Qué dicen las pruebas
Las cifras publicadas por la compañía sitúan a Neon en 61 puntos en el Artificial Analysis Intelligence Index, un índice independiente que agrega varias pruebas de capacidad. Por delante quedarían Claude Opus 5.5, con 59 puntos, y GPT-6.2 Sol, con 57. En AutomationBench, una prueba centrada en tareas automatizadas, el modelo alcanza un 56,3%.
Conviene leer esos números con cautela. El propio balance reconoce que Neon no gana en todos los apartados: Opus conserva ventaja en determinados ejercicios de programación y Sol se desenvuelve mejor interpretando ciertos gráficos. Los benchmarks miden escenarios acotados y rara vez reproducen el trabajo real de una empresa.
El argumento del coste
El punto fuerte que Google subraya es económico. Con su configuración de razonamiento alta —es decir, dejando que el modelo "piense" más antes de responder—, la compañía afirma que Neon recorta un 32% el coste por tarea frente a Carbon y entre un 50% y un 80% frente a algunos modelos avanzados de la competencia. Son comparaciones hechas en condiciones concretas definidas por la propia empresa, no un ahorro garantizado para cualquier caso de uso.
Para desarrolladores, las tarifas anunciadas son de 3 dólares por millón de tokens de entrada y 15 dólares por millón de salida. Un token es la unidad mínima en que el modelo trocea el texto, aproximadamente una sílaba o una palabra corta. La ventana de contexto —la cantidad de información que puede manejar de una vez— es de un millón de tokens, suficiente para procesar documentación extensa sin trocearla a mano.
Dónde está disponible
Neon está llegando a la aplicación de Gemini para suscriptores de los planes Google AI Pro y Ultra, además de AI Studio, la API para desarrolladores y las herramientas empresariales de la compañía. Acepta documentos, imágenes, audio y vídeo, y puede coordinar agentes Hydrogen que ejecutan tareas en paralelo dentro de Google Antigravity, el entorno de agentes de la casa.
Ese enfoque por capas se está generalizando en el sector: modelos pequeños y baratos para el grueso del trabajo, modelos grandes reservados para lo que de verdad lo requiere. También explica por qué la monetización de la IA se está moviendo hacia suscripciones y escalones de precio, como muestra el caso de la suscripción de pago que Samsung prueba para Galaxy AI.
Qué queda por ver
El valor real de Neon dependerá de su comportamiento fuera de las pruebas anunciadas. En programación, el terreno donde más se juega la adopción empresarial, la presión es máxima: el consejero delegado de Anthropic llegó a afirmar que la IA haría el trabajo de los programadores en un año. Y los estudios sobre productividad apuntan a que el uso intensivo de IA no siempre acorta la jornada.
Para una pyme o un equipo de desarrollo, la lectura práctica es sencilla: antes de cambiar de modelo, conviene medir el coste por tarea con casos propios y no dar por buenos los porcentajes de los comunicados.
- Gemini
- Inteligencia Artificial
- Modelos de lenguaje
- API
Elaborado a partir de información publicada por MuyComputer · Fuente primaria: documento original