Google permite al usuario controlar el razonamiento de la IA en Gemini 2.5 Flash

Google ha implementado una función de control del razonamiento de IA para su modelo Gemini 2.5 Flash, que ofrece a los desarrolladores la posibilidad de limitar la potencia de procesamiento que utiliza el sistema para resolver problemas.

Presentado el 17 de abril, este "presupuesto de pensamiento" aborda un problema creciente en el sector: los sofisticados modelos de IA suelen pensar demasiado en cuestiones sencillas, lo que supone un derroche de recursos informáticos y un aumento de los gastos operativos y medioambientales.

Aunque no es innovador, este avance supone un paso práctico para resolver los problemas de eficiencia que han ido surgiendo a medida que las funciones de razonamiento se han convertido en estándar en los sistemas comerciales de IA.

El nuevo control permite a los desarrolladores ajustar con precisión los recursos de procesamiento antes de que el modelo responda, lo que podría transformar la forma en que las organizaciones gestionan el impacto financiero y medioambiental del uso de la IA.

"El modelo piensa demasiado", admite Tulsee Doshi, Director de Gestión de Productos de Gemini. "Para las indicaciones básicas, el modelo piensa más de lo necesario".

Este reconocimiento pone de manifiesto el dilema al que se enfrentan los modelos de razonamiento avanzado: básicamente, utilizar un mazo para romper una nuez.

El avance hacia las capacidades de razonamiento ha traído consigo inconvenientes inesperados. Mientras que los grandes modelos lingüísticos tradicionales se basaban sobre todo en la comparación de patrones a partir de datos de entrenamiento, las versiones más recientes intentan resolver los problemas de forma metódica. Este enfoque lógico paso a paso ofrece mejores resultados para tareas complejas, pero crea importantes ineficiencias con peticiones más sencillas.

Equilibrio entre coste y rendimiento

El impacto financiero del razonamiento descontrolado de la IA es significativo. Las notas técnicas de Google indican que cuando se activa el razonamiento completo, la generación de resultados se vuelve unas seis veces más cara que el procesamiento estándar. Este aumento de los costes crea una fuerte motivación para un control preciso.

Nathan Habib, ingeniero de Hugging Face que investiga modelos de razonamiento, lo califica de problema generalizado en la industria. "En la carrera por demostrar una IA más inteligente, las empresas utilizan modelos de razonamiento como herramientas universales incluso cuando son innecesarios", explica a MIT Technology Review.

El despilfarro es más que hipotético. Habib mostró cómo un modelo de razonamiento de alto nivel, mientras intentaba resolver un problema de química orgánica, se atascaba en un bucle repetitivo, diciendo "Espera, pero..." cientos de veces, sufriendo esencialmente un colapso computacional mientras consumía potencia de procesamiento.

Kate Olszewska, que evalúa los modelos Gemini en DeepMind, confirmó que los sistemas de Google a veces se enfrentan a problemas similares, quedándose atrapados en bucles que consumen recursos informáticos sin mejorar la calidad de las respuestas.

Mecanismo de control granular

El control del razonamiento de la IA de Google ofrece a los desarrolladores una capacidad de ajuste precisa. El sistema ofrece una escala flexible que va de cero (razonamiento mínimo) a 24.576 tokens de "presupuesto de pensamiento", unidades informáticas que representan el procesamiento interno del modelo. Este enfoque detallado permite una aplicación personalizada en función de las necesidades específicas.

Jack Rae, investigador científico principal de DeepMind, señala que determinar el nivel ideal de razonamiento sigue siendo difícil: "Es realmente un reto definir la cantidad perfecta de pensamiento para cualquier tarea."

Cambio en la filosofía de desarrollo

La introducción del control de razonamiento de IA puede señalar un cambio en cómo progresa la inteligencia artificial. Desde 2019, las empresas han perseguido mejoras creando modelos más grandes con más parámetros y datos de entrenamiento. La estrategia de Google sugiere una dirección diferente que prioriza la eficiencia sobre la pura escala.

"Las leyes de escalado están siendo superadas", observa Habib, lo que sugiere que el progreso futuro puede provenir de refinar los procesos de razonamiento en lugar de expandir infinitamente el tamaño del modelo.

Las consecuencias medioambientales son igualmente importantes. A medida que se generalizan los modelos de razonamiento, aumenta su consumo de energía. Los estudios demuestran que la inferencia -producir respuestas de IA- contribuye ahora más a la huella de carbono de la tecnología que la fase inicial de entrenamiento. El control del razonamiento de Google ofrece una posible solución a esta preocupante tendencia.

Dinámica competitiva

Google no trabaja en el vacío. El modelo de "peso abierto" DeepSeek R1, que apareció a principios de este año, demostró una gran capacidad de razonamiento a un coste potencialmente menor, lo que provocó una inestabilidad en el mercado que, según se dice, provocó una oscilación bursátil de casi un billón de dólares.

A diferencia del método propietario de Google, DeepSeek pone sus configuraciones internas a disposición del público para que los desarrolladores las ejecuten localmente.

A pesar de la competencia, el director técnico de Google DeepMind, Koray Kavukcuoglu, cree que los modelos propietarios mantendrán su ventaja en áreas especializadas que necesiten una precisión extrema: "La codificación, las matemáticas y las finanzas son dominios en los que se espera que los modelos sean muy exactos, precisos y capaces de comprender escenarios muy complejos."

Señales de maduración de la industria

La creación del control del razonamiento de la IA refleja una industria que ahora se enfrenta a límites prácticos que van más allá de las medidas técnicas. Mientras las empresas siguen avanzando en las capacidades de razonamiento, el enfoque de Google reconoce una realidad importante: la eficiencia es tan crucial como el rendimiento bruto en las aplicaciones comerciales.

Esta característica también subraya la tensión entre el progreso tecnológico y las consideraciones de sostenibilidad. Los rastreadores de rendimiento de los modelos de razonamiento muestran que la realización de tareas individuales puede costar más de 200 dólares, lo que plantea dudas sobre la implantación a escala de estas capacidades en el mundo real.

Al permitir a los desarrolladores ajustar los niveles de razonamiento en función de las necesidades reales, Google aborda las dimensiones económica y medioambiental de la implantación de la IA.

"El razonamiento es la capacidad fundamental que construye la inteligencia", afirma Kavukcuoglu. "En el momento en que el modelo empieza a pensar, surge su agencia". Esta afirmación capta tanto el potencial como la dificultad de los modelos de razonamiento: su independencia crea tanto posibilidades como retos de gestión de recursos.

Para las organizaciones que implantan soluciones de IA, la capacidad de afinar los presupuestos de razonamiento podría hacer más accesibles las funciones avanzadas, manteniendo al mismo tiempo la eficiencia operativa.

Google afirma que Gemini 2.5 Flash consigue "un rendimiento comparable al de otros modelos punteros por una fracción de su coste y tamaño", una propuesta de valor mejorada por la capacidad de optimizar los recursos de razonamiento para usos particulares.

Implicaciones prácticas

La función de control del razonamiento AI tiene aplicaciones inmediatas en el mundo real. Los desarrolladores de aplicaciones comerciales ya pueden elegir conscientemente entre profundidad de procesamiento y gastos operativos.

Para aplicaciones sencillas, como las consultas básicas a los clientes, la configuración mínima del razonamiento permite ahorrar recursos y, al mismo tiempo, aprovechar las capacidades del modelo. Para análisis complejos que requieran una comprensión profunda, se mantiene accesible toda la capacidad de razonamiento.

El "dial" de razonamiento de Google ofrece un método para lograr la previsibilidad de costes preservando al mismo tiempo los estándares de rendimiento.

Véase también: Gemini 2.5: Google cocina su modelo de IA "más inteligente" hasta la fecha

¿Quiere saber más sobre IA y big data de la mano de los líderes del sector? Visite la AI & Big Data Expo, que tendrá lugar en Ámsterdam, California y Londres. Este completo evento se celebra junto con otros eventos destacados como Intelligent Automation Conference, BlockX, Digital Transformation Week y Cyber Security & Cloud Expo.

Explore aquí otros próximos eventos y seminarios web sobre tecnología empresarial organizados por TechForge.