La IA de Google en 2026: historia, Gemini, Search e impacto bursátil

11 de mayo de 2024

Una guía con mirada de 2026 sobre el patrón de IA de Google: avances de investigación, Gemini, Search, TPU, Cloud, fracasos y el ángulo bursátil con cautela.

La IA de Google en 2026: historia, Gemini, Search e impacto bursátil — Un cuaderno abierto sobre roble. Una línea discreta dibujada a mano, una pluma estilográfica, una taza de té: la paciencia puesta por escrito.

Antes pensaba que la pregunta interesante era: ¿las promesas de IA de Google movieron la acción?

Sigue siendo una pregunta real, pero es demasiado pequeña. En 2026, la mejor pregunta es: ¿cuál es el patrón real de IA de Google y qué partes de ese patrón se acumulan con el tiempo?

La historia de Google en IA no es un arco heroico limpio. No es “Google inventó todo y por eso gana”. Tampoco es “Google se perdió ChatGPT y por eso está condenado”. Ambas lecturas son perezosas. La versión más útil es más desordenada y más práctica: Google tiende a crear o absorber investigación importante temprano, conectarla lentamente a infraestructura, esconderla dentro de productos enormes, tropezar cuando la interfaz se vuelve pública y conversacional, y luego recuperarse cuando el trabajo se convierte en un sistema en vez de una demo.

Ese patrón importa para quienes construyen productos porque muestra cómo la investigación se convierte en gravedad de producto. Importa para los inversores porque el valor de Alphabet no es un referéndum sobre el lanzamiento de un solo modelo. E importa para cualquiera que intente entender la IA porque Google es una de las pocas empresas donde las cuatro capas son visibles a la vez: investigación de frontera, distribución de consumo, cómputo propio y un negocio publicitario que la IA amenaza y fortalece al mismo tiempo.

Esta es la versión de la historia con mirada de 2026.

La Versión Corta

La ventaja de Google en IA no es un solo chatbot. Es un bucle:

La investigación crea técnicas y modelos.
La infraestructura vuelve esos modelos lo bastante baratos como para ejecutarlos a una escala absurda.
Los productos exponen los modelos a miles de millones de usuarios.
Los datos de uso, la demanda enterprise y la presión del mercado financian el siguiente ciclo de infraestructura.

El bucle es poderoso. También es frágil. Si Search responde demasiado y envía muy poco tráfico a la web, los editores se enfadan. Si Gemini falla en un image prompt sensible, el error se convierte en una historia pública de confianza. Si las respuestas de IA son demasiado caras, la historia de márgenes empeora. Si los modelos se quedan atrás, toda la narrativa full-stack empieza a sonar como una hoja de cálculo que intenta justificar una brecha de producto.

Así que la postura correcta no es adoración ni desprecio. Google AI es una máquina de acumulación con modos de fallo muy públicos.

Una Línea De Tiempo Concisa

2011-2015: escala interna antes de la marca pública de IA. La infraestructura DistBelief de Google ayudó a entrenar grandes redes neuronales internamente. En noviembre de 2015, Google abrió TensorFlow, poniendo una parte de esa pila interna de machine learning a disposición del mundo.
2016: AlphaGo y “AI-first”. AlphaGo de DeepMind hizo que la IA pareciera menos una curiosidad de laboratorio y más un nuevo tipo de motor para resolver problemas. Google también empezó a hablar de sí misma como una empresa AI-first en lugar de mobile-first.
2017: el Transformer. El artículo Attention Is All You Need, de investigadores de Google, introdujo la arquitectura Transformer que hoy está debajo de buena parte de la IA generativa moderna.
2019: BERT entra en Search. Google aplicó modelos BERT al ranking de Search y a featured snippets, usando machine learning para entender mejor el lenguaje y la intención de las consultas.
2020-2024: la ciencia se vuelve prueba. AlphaFold mostró que la IA podía producir utilidad científica, no solo demos impresionantes. Para 2025, Google DeepMind describía AlphaFold como una historia de cinco años de impacto científico reconocida con un Premio Nobel.
2023: se forma Google DeepMind. Google fusionó DeepMind y el equipo Brain en Google DeepMind, colocando más de su trabajo de modelos bajo una organización de investigación enfocada.
Diciembre de 2023: empieza Gemini. Google presentó Gemini 1.0 como la primera familia de modelos de la era Google DeepMind.
2024: la IA sale del laboratorio y se rompe en público. La generación de imágenes de Gemini se pausó después de producir imágenes inexactas de personas, y AI Overviews se lanzó en Search antes de producir una ronda de respuestas extrañas y muy visibles. No fue solo ruido de relaciones públicas. Expuso la dificultad de poner sistemas probabilísticos dentro de superficies de confianza.
2025: la inferencia se convierte en estrategia de infraestructura. Google anunció Ironwood, su TPU de séptima generación, como un chip diseñado para la era de la inferencia.
2026: la era agentic de Gemini. En I/O 2026, Google presentó el siguiente capítulo alrededor de Gemini, Search agents, AI Mode, developer agents y un enfoque de IA full-stack. A junio de 2026, ese es el marco estratégico vivo.

Esa línea de tiempo no es una línea recta de la invención al dominio. Es una línea de la invención a la distribución, con varios baches en medio.

Lo Que Envejeció Bien

Lo primero que envejeció bien es la afirmación aburrida: la historia de Google en IA es realmente profunda.

Está de moda reducir el liderazgo en IA a quién tiene el mejor chatbot de consumo este mes. Eso pasa por alto cuánto de la era actual fue preconstruido por trabajo de largo recorrido: TensorFlow, TPUs, BERT, Transformers, AlphaGo, AlphaFold, modelos seq2seq y la costumbre de servir machine learning dentro de productos con miles de millones de usuarios. El anuncio de la fusión de DeepMind en 2023 enumeró explícitamente muchos de esos elementos como la herencia compartida de DeepMind y Brain.

Lo segundo que envejeció bien es la infraestructura.

En 2024 era fácil hablar de IA como si el modelo fuera el producto. En 2026, la capa de cómputo es imposible de ignorar. El anuncio del TPU Ironwood de Google describió un cambio desde la IA centrada en entrenamiento hacia la inferencia a escala. Más tarde, Google Cloud presentó Ironwood como parte de una larga línea de silicio propio que incluye TPUs, chips de video de YouTube y chips móviles Tensor.

Eso importa porque el futuro de la IA no es solo “¿quién puede entrenar el modelo más inteligente?”. También es “¿quién puede permitirse responder los próximos mil millones de preguntas?”. Search, Gemini, Workspace, Android, YouTube, Cloud y los agents se vuelven más convincentes si Google puede reducir el coste y la latencia de la inteligencia.

Lo tercero que envejeció bien es la distribución.

Google puede poner IA en Search, Gmail, Docs, Maps, Android, Chrome, Pixel, YouTube, Photos y Cloud. Eso no garantiza buen gusto de producto. Sí significa que, una vez que una función funciona, la distribución no es la parte difícil. En I/O 2026, Google dijo que AI Overviews tenía más de 2.500 millones de usuarios activos mensuales y que AI Mode había superado los 1.000 millones de usuarios mensuales en su primer año. Incluso dejando margen para la naturaleza autopromocional de las métricas de keynote, la escala es el punto. Una función mediocre a escala Google puede enseñarte más que una demo hermosa sin usuarios.

Lo cuarto que envejeció bien es la idea de que Google AI es más grande que los anuncios de Search.

Waymo no es Gemini. AlphaFold no es Search. Los clientes de TPU no son espectadores de YouTube. Pero todos encajan bajo la misma lógica de Alphabet: apuestas técnicas pacientes que pueden verse raras durante años antes de convertirse en infraestructura de producto o quedarse como optionality cara. En el Q1 de 2026, Alphabet dijo que Waymo superó los 500.000 viajes completamente autónomos por semana. Todavía no es el negocio principal. Pero ya no es un adorno de feria científica.

Lo Que No Envejeció Bien

El viejo encuadre centrado en la acción no envejeció bien.

Las reacciones bursátiles son reales, pero son termómetros ruidosos. El error de la demo de Bard en 2023 habría ayudado a borrar alrededor de 100.000 millones de dólares de valor de mercado en un día. Fue vergonzoso y significativo. Tampoco decidió el futuro de Google en IA. Una demo pública puede mover el sentimiento más rápido de lo que mueve la realidad del producto.

Lo mismo funciona al revés. Un buen resultado trimestral no prueba que cada apuesta de IA sea buena. Prueba que los inversores estaban dispuestos, en ese momento, a creer que el gasto tenía un camino hacia retornos. Esa distinción importa.

Lo segundo que no envejeció bien es la idea de que Google simplemente podía “shippear más fuerte”.

El problema de Google nunca fue falta de modelos. Fue la colisión entre la incertidumbre de la IA y la confianza a escala Google. Cuando la generación de imágenes de Gemini produjo imágenes de personas inexactas u ofensivas, Google pausó la función y explicó que su ajuste había sobrecorregido en algunos contextos. Cuando AI Overviews produjo respuestas raras en 2024, Google explicó que la IA de Search está ligada a sistemas de ranking y resultados web, pero también admitió que consultas mal interpretadas, material fuente débil y sarcasmo de foros todavía podían romper la experiencia.

Esos incidentes no son notas al pie. Son la lección de producto. La IA en Google no se trata solo de capacidad. Se trata de capacidad bajo presión de marca, presión regulatoria, presión de editores y presión de confianza de los usuarios.

Lo tercero que no envejeció bien es la suposición de que la buena voluntad de la investigación abierta continuaría automáticamente.

TensorFlow fue un enorme momento open source en 2015. La era moderna de Gemini es más mixta: modelos frontier cerrados, modelos Gemma abiertos, acceso API, servicios Cloud y superficies de consumo muy controladas. Eso puede ser comercialmente racional. También significa que la relación de Google con los builders es más transaccional que en el momento de TensorFlow. Los desarrolladores no solo preguntan “¿el modelo es inteligente?”. Preguntan si la plataforma es estable, asequible, portable y lo bastante aburrida como para construir sobre ella.

El Patrón De Google AI

Este es el modelo mental que ahora me resulta más útil:

La investigación es la semilla. Google es muy bueno produciendo investigación que después se vuelve fundamental. El Transformer es el ejemplo obvio. AlphaFold es el mejor recordatorio de que la misma cultura de investigación puede importar fuera del software de consumo.

La infraestructura es el intento de moat. TPUs, data centers, networking, cooling y software stacks no son glamorosos, pero deciden si la IA puede servirse de forma rentable. En el Q1 de 2026, las compras de property and equipment de Alphabet fueron de 35.700 millones de dólares. Eso no son solo “AI vibes”; es capital duro moviéndose hacia servidores, network equipment y data centers.

Los productos son el campo de prueba. Search es el peligroso porque imprime dinero. Cloud es la historia de negocio más limpia porque los clientes pagan directamente por compute, models y enterprise AI tooling. Android y Workspace son capas de distribución. Gemini es tanto un producto como un envoltorio de marca alrededor de la familia de modelos.

La percepción del mercado es el manómetro. Los inversores no evalúan Google AI como lo hacen los investigadores. Preguntan un conjunto más pequeño de cosas: ¿la IA aumentará el uso de Search o canibalizará ad clicks? ¿Cloud ganará cuota? ¿El capex producirá revenue, margin o strategic control? ¿Google evitará errores regulatorios y reputacionales?

Cuando veas a Google anunciar un nuevo modelo, no preguntes solo si supera un benchmark. Pregunta dónde entra en el bucle.

¿Hace que Search sea más útil sin destrozar el ecosistema web? ¿Hace que Cloud sea más fácil de vender? ¿Reduce el cost per answer? ¿Mejora Android o Workspace lo suficiente como para que los usuarios lo noten? ¿Hace que los desarrolladores construyan sobre Google en vez de probar la demo y marcharse?

Ese es el patrón.

Gemini Es Una Estrategia, No Solo Un Modelo

Gemini empezó como una familia de modelos, pero para 2026 se parece más a la etiqueta operativa de IA de Google.

Hay Gemini en la app. Gemini en Search. Gemini en Workspace. Gemini en Cloud. Gemini en Android. Gemini en herramientas para desarrolladores. Gemini como motor de suscripciones de consumo. Gemini como tráfico API. Gemini como historia agentic.

Esto puede ser confuso porque “Gemini” hace demasiado trabajo semántico. Puede significar el modelo frontier, la app, la API, el asistente, la capa de marca o la historia enterprise. Pero la expansión también es la estrategia. Google quiere que Gemini sea el tejido conectivo entre superficies que antes se sentían separadas.

Por eso importa el lenguaje de I/O 2026. Google no estaba diciendo solo “nuestro modelo es más inteligente”. Estaba diciendo que la IA se mueve de la asistencia a los agents, de prompts aislados a workflows, y de la novedad del chatbot a superficies de producto que la gente ya usa.

Soy cauteloso con la palabra “agentic” porque se está convirtiendo en el nuevo “blockchain”: a veces significa algo, a veces se rocía sobre diapositivas. Pero en el caso de Google la dirección es bastante clara. Search agents, AI Mode, Antigravity, Gemini API managed agents, Workspace context y Android tooling son intentos de convertir modelos en sistemas que actúan.

La prueba no es si una demo de keynote parece viva. La prueba es si los usuarios confían al agent trabajo aburrido, repetido y con consecuencias.

El Ángulo Bursátil Con Cuidado

La acción de Alphabet no es una acción pura de IA. Es una acción de publicidad, cloud, suscripciones, infraestructura y optionality con una pregunta enorme de IA en su interior.

Eso hace que el ángulo de mercado sea más sutil que “anuncio de IA igual a subida de la acción”.

El error de Bard en febrero de 2023 mostró lo rápido que el sentimiento puede castigar a Google cuando los inversores creen que está perdiendo la narrativa frente a Microsoft y OpenAI. Pero la historia de resultados de 2026 muestra la presión opuesta: si los ingresos de Search crecen, Cloud acelera, las suscripciones de Gemini suben y la demanda de infraestructura parece real, los inversores pueden volverse más pacientes con el fuerte gasto en IA.

Los números de Alphabet del Q1 de 2026 son útiles porque muestran por qué el mercado estaba dispuesto a escuchar. Los ingresos fueron de 109.900 millones de dólares en el trimestre. Google Cloud revenue fue de algo más de 20.000 millones de dólares, un 63% más interanual, con operating income de 6.600 millones de dólares. Google dijo que el Cloud backlog casi se duplicó trimestre a trimestre hasta superar los 460.000 millones de dólares. Search and Other advertising creció 19%. Esos números no prueban que Google vaya a ganar la IA, pero hacen que la tesis bajista tenga que trabajar más.

La forma más limpia de leer el ángulo bursátil es esta:

Corto plazo: demos, errores, lawsuits, product launches y el lenguaje de resultados mueven el sentimiento.
Medio plazo: Search usage, AI ad formats, Gemini subscriptions, Cloud backlog, TPU demand y capex discipline importan más.
Largo plazo: la pregunta es si Google puede convertir la IA de un cost shock en una product layer que preserve márgenes.

Ese último punto es todo el juego. Si la IA encarece cada búsqueda mientras reduce la buena voluntad de los editores y los ad clicks, el mercado acabará prestando atención. Si la IA hace que Search sea más útil, Cloud más diferenciado, Workspace más pegajoso y el cómputo más eficiente, el mercado perdonará mucho.

Hitos de la acción de Google — Fig1. - Hitos históricos de la acción de Google del artículo original. Contexto útil, no un modelo de valoración en vivo.

Hitos de IA de empresas tecnológicas — Fig2. - Hitos de IA en grandes empresas tecnológicas. Lee los gráficos de hitos como un mapa de narrativas, no como prueba de ventaja duradera.

Lo Que Los Builders Deberían Aprender De Google AI

La lección para los builders no es “sé Google”. No vas a tener Search, YouTube, DeepMind, TPUs, Cloud, Android y un presupuesto de data centers en tu side project. Encantador, pero no.

La lección útil es sobre secuencia.

Primero, investigación no es producto. Una capacidad de modelo solo se vuelve valiosa cuando se coloca dentro de un workflow donde el usuario ya tiene intent. Search es poderoso porque el usuario llega con intent. Workspace es poderoso porque el usuario llega con trabajo. Cloud es poderoso porque el cliente llega con presupuesto y un deployment problem.

Segundo, los evals no bastan. Los fallos públicos de Google a menudo no fueron fallos de “el modelo es tonto”. Fueron context failures, policy failures, retrieval failures, product-surface failures y expectation failures. Si tu función de IA toca confianza, dinero, salud, identidad, current events o reputación pública, tu eval suite tiene que incluir el mundo alrededor del modelo.

Tercero, el coste es diseño de producto. Una función que es mágica a $1 por respuesta y tolerable a $0.01 por respuesta no es la misma función. La obsesión de Google con TPUs, latencia y cost per response no es solo una historia financiera. Moldea qué experiencias de producto son posibles.

Cuarto, la distribución puede ocultar debilidad durante un tiempo, pero no puede ocultar mala utilidad para siempre. Google puede poner Gemini delante de cientos de millones de personas. Eso le da tiempo y feedback. Pero los usuarios siguen notando cuando algo es lento, incorrecto, molesto o no vale la pena cambiar hábitos.

Lo Que Miraría Después

Miraría cinco cosas.

Comportamiento en Search. AI Overviews y AI Mode son el centro de la historia de Google AI porque Search es el corazón del negocio. Observa si la gente busca más, si las commercial queries siguen siendo monetizables y si los editores siguen alimentando la web de la que dependen AI Overviews.

Cost per useful answer. La frase silenciosa en cualquier historia de resultados de IA trata del coste. Si Google sigue reduciendo inference cost mientras mejora model quality, su ventaja de distribución se vuelve más aguda.

Conversión de Cloud. El backlog es prometedor. Revenue y operating income son mejores. Customer retention y workloads reales de IA son aún mejores. Google Cloud es donde la historia de IA se vuelve más directamente vendible.

Confiabilidad de agents. Los agents son fáciles de demostrar y difíciles de confiar. Me importa menos si un agent reserva un restaurante en una keynote y más si maneja messy real-world constraints sin crear cleanup work.

Respuesta ante fallos. Google cometerá más errores de IA. Todos lo harán. La señal real es la rapidez con la que la empresa reduce el blast radius, explica el problema, mejora el sistema y resiste fingir que el problema fue solo user misunderstanding.

La Conclusión Útil

La historia de IA de Google no es una historia de regreso. Tampoco es una historia de caída. Es una larga historia de acumulación con un medio público muy incómodo.

Lo que envejeció bien: la profundidad de investigación, la apuesta de infraestructura, la ventaja de distribución y la idea de que la IA acabaría tocando todas las grandes superficies de Google.

Lo que no envejeció bien: tratar los movimientos de la acción como prueba, tratar los lanzamientos de modelos como destino y subestimar lo difícil que es poner IA generativa en productos en los que la gente espera confiar.

El modelo mental práctico es simple:

Google gana cuando research, infrastructure, product y monetization se refuerzan entre sí. Google tropieza cuando una capa se adelanta a las demás.

Por eso el ángulo bursátil debería ser secundario. La acción es solo la sombra en la pared. El objeto real es el bucle.