Modelos de Google: Gemini, Gemma, Imagen y Veo

1. El problema de negocio

El área de riesgos de un banco quiere que sus analistas consulten expedientes de crédito empresarial muy extensos que combinan informes en texto, balances escaneados y grabaciones en vídeo de las reuniones con el cliente. Necesitan resúmenes y respuestas razonadas sobre el expediente completo, dentro del entorno cloud gestionado que el banco ya usa. El comité de tecnología debe decidir qué modelo de Google adoptar y en qué gama.

2. Solución de Google: Gemini en la gama adecuada, o Gemma cuando hay que controlar los pesos

Servicio

Gemini en la gama adecuada, o Gemma cuando hay que controlar los pesos

Capa

Modelos

Por qué

Gemini es multimodal nativo: interpreta en un mismo modelo el texto, los balances escaneados y los vídeos del expediente. Por la complejidad del razonamiento, el criterio apunta a la gama Pro, a más coste por petición, en el entorno gestionado que el banco ya usa. Gemma solo compensaría si el banco necesitara controlar los pesos del modelo.

3. Límites

No la uses si

La tarea pasa a ser sencilla y masiva, como resumir cientos de miles de mensajes breves al día, y el coste por consulta decide la viabilidad.

Variable que fuerza el cambio

Coste

Alternativa

Gemini Flash-Lite, la gama para volumen masivo a mínimo coste; si el modelo tuviera que ejecutarse en el propio dispositivo, IA en el edge con Gemini Nano y LiteRT. Salvo Gemini Nano, las gamas de Gemini son una ampliación que no figura en el material oficial de preparación del examen: se explican porque ayudan a razonar coste y latencia. La gama Pro se enseña como concepto: hoy no tiene en Agent Platform ningún modelo disponible de forma general, solo uno en vista previa.

4. La trampa habitual

[✗] Distractor

Usar Imagen para interpretar los balances escaneados y Veo para analizar las grabaciones en vídeo, un modelo especializado para cada modalidad.

Por qué tienta

Imagen y Veo son los modelos de Google asociados a la imagen y al vídeo, y repartir el trabajo por modalidad parece más especializado.

Por qué es incorrecto

Imagen y Veo son modelos para generar imágenes y vídeo, no para interpretarlos; entender balances y grabaciones y razonar sobre ellos corresponde a un modelo multimodal nativo como Gemini, que además evita el esfuerzo de integrar varios modelos. Imagen sigue en el temario con ese nombre, pero Google retiró sus endpoints en Agent Platform el 30 de junio de 2026 y hoy genera imágenes con los modelos de imagen de Gemini, que su documentación llama Nano Banana.

5. Micro-check