DeepMind sin Hassabis y Gemini sin Assistant: ¿pivot o caos?

Google ha movido dos fichas en 24 horas que no son casuales: Demis Hassabis deja la dirección ejecutiva de DeepMind para convertirse en presidente, Jeff Dean sale de la compañía, y el 4 de septiembre Google Assistant muere oficialmente para ceder el paso a Gemini en toda la familia Android. Si crees que son noticias separadas, estás leyendo mal el tablero.

El relevo en DeepMind no es un ascenso, es una señal

Cuando una empresa tecnológica mueve a su fundador estrella de CEO a presidente, hay dos lecturas posibles: o el fundador quiere más libertad estratégica y menos gestión operativa, o la compañía necesita un perfil diferente al frente de la unidad. En el caso de Hassabis, la narrativa oficial apuntará a lo primero. El análisis honesto apunta a lo segundo.

DeepMind lleva dos años siendo el laboratorio de investigación más citado del mundo en benchmarks de IA —AlphaFold, Gemini 1.5, Gemini 2.0—, pero Google como negocio necesita que esa investigación se convierta en producto con velocidad de startup. Hassabis es un científico brillante y un estratega de largo plazo; no es un ejecutor de go-to-market. La salida simultánea de Jeff Dean, que llevaba décadas construyendo la infraestructura de cómputo sobre la que funciona toda la IA de Google, añade otra capa de incertidumbre: ¿quién mantiene la coherencia de TensorFlow, TPUs y la arquitectura de entrenamiento distribuido que hace competitivos a los modelos de Google frente a los de OpenAI o Anthropic?

La respuesta importa directamente a cualquier empresa que haya apostado por Google Cloud como infraestructura de IA. Si el relevo introduce fricciones internas —y los cambios de guardia en investigación de frontera casi siempre las introducen—, el roadmap de Gemini 3.x podría llegar con retrasos o con prioridades reorientadas hacia producto de consumo antes que hacia API empresarial.

La muerte de Google Assistant: más impacto operativo del que parece

El cierre de Google Assistant el 4 de septiembre de 2026 suena a housekeeping tecnológico. No lo es. Assistant llevaba integrado en cientos de miles de flujos empresariales: desde automatización de calendarios y reuniones en dispositivos Android hasta integraciones con Wear OS para operarios de campo que usan wearables industriales. Todas esas integraciones —muchas construidas sobre Google Assistant SDK o sobre la API de Actions on Google— necesitan ser migradas a Gemini.

El problema real no es técnico, es de confianza. Google Assistant era un sistema determinista en muchas de sus funciones clave: un comando de voz bien definido producía un resultado predecible. Gemini es probabilístico. Para tareas simples y repetitivas —fijar recordatorios, leer listas de picking, gestionar agendas de equipo—, la varianza de un LLM es un riesgo operativo, no una ventaja. Google tendrá que demostrar en los próximos dos meses que Gemini puede igualar la fiabilidad de su predecesor en el percentil 99 de las consultas rutinarias. Hasta que lo demuestre, cualquier empresa que haya construido workflows sobre Assistant debe auditarlos ahora, no en octubre.

Para las agencias especializadas en integración de IA que gestionan estos stacks para sus clientes, septiembre va a ser un mes de facturación extra —y de estrés extra. La migración forzosa tiene un coste real que nadie en Google está cuantificando en sus comunicados.

SkillOpt y la transferencia de habilidades entre agentes: el dato que cambia el cálculo de costes

Mientras Google gestiona su turbulencia interna, Microsoft publicó esta semana los resultados de SkillOpt, y el número que más debería interesar a cualquier product lead es este: una habilidad entrenada con Codex elevó el rendimiento de Claude Code de 22,1 a 81,8 puntos en SpreadsheetBench. Eso es pasar de un modelo prácticamente inútil para una tarea específica a uno que supera el 80% del benchmark, sin reentrenar el modelo base.

La implicación estratégica es enorme: si las habilidades de agentes son portables entre modelos, el mercado de "skills" se convierte en un activo diferencial independiente del proveedor de LLM. Una agencia o empresa que haya invertido en optimizar un agente para un flujo concreto —gestión de contratos, análisis de facturas, clasificación de soporte técnico— no tiene que rehacerlo desde cero si cambia de GPT-4o a Claude o a Gemini. Puede, en teoría, exportar la habilidad.

La trampa está en el "en teoría". SkillOpt reporta una retención del 102% en hojas de cálculo pero solo del 10% en matemáticas. La transferencia no es universal; depende críticamente del tipo de razonamiento que requiera la tarea. Para tareas de manipulación estructurada de datos (formularios, tablas, pipelines de ETL), la portabilidad es real. Para razonamiento abstracto o matemático, estás básicamente reentrenando desde cero. Los equipos de consultoría de IA que vendan portabilidad de agentes como argumento comercial deberían matizar mucho en qué categorías de tareas aplica esa promesa.

LFM2.5-2.6B: el modelo que permite agentes sin nube

Hugging Face lanzó esta semana LFM2.5-2.6B, un modelo diseñado explícitamente para desplegar agentes autónomos en local, sin dependencia de API externas. Con 2.600 millones de parámetros, cabe en hardware de gama media —incluso en algunos dispositivos móviles de alto rendimiento— y está optimizado para latencia baja en inferencia edge.

Para el mercado B2B español, esto tiene una aplicación directa en sectores con restricciones de soberanía de datos: sanidad, banca, administración pública. Muchos de estos sectores no pueden enviar datos a APIs de terceros por regulación o por política interna. Hasta ahora, la alternativa era desplegar modelos locales costosos (Llama 3.1 70B en servidores on-premise) o aceptar las limitaciones de capacidad de modelos más pequeños. LFM2.5-2.6B amplía el espacio de lo posible en el extremo inferior del hardware.

A diferencia de lo que sugiere el anuncio de Hugging Face, el verdadero diferencial no es el tamaño del modelo sino la arquitectura de agente que lo rodea. Un modelo de 2.6B bien promoteado y con las herramientas correctas puede superar en tareas específicas a un modelo de 70B mal integrado. El ecosistema de agencias de IA en Madrid y agencias de IA en Barcelona que trabajan con clientes del sector financiero o sanitario deberían estar evaluando LFM2.5-2.6B como base para prototipos de agentes que hoy están bloqueados por compliance.

Gobiernos apostando por IA sin red: el riesgo sistémico que nadie quiere nombrar

HackerNews recoge esta semana un análisis sobre la dependencia gubernamental del boom de IA, y la tesis es incómoda: los gobiernos están adoptando tecnología de IA a una velocidad que supera su capacidad de auditoría y gestión de riesgos. El caso de Nashville —que usó expropiación forzosa para bloquear un centro de datos junto al zoológico— es sintomático de una tensión más profunda: la infraestructura física que requiere la IA (energía, agua, suelo) está chocando con otras prioridades urbanas y sociales.

Para el mercado B2B, el riesgo no es abstracto. Las empresas que han apostado por contratos de IA con administraciones públicas —especialmente en licitaciones de automatización de procesos o agentes de atención ciudadana— están expuestas a cambios regulatorios abruptos o a cancelaciones presupuestarias si el debate político sobre IA se vuelve negativo. El sector público puede ser un cliente atractivo a corto plazo, pero la volatilidad de su apetito por la tecnología es estructuralmente mayor que la del sector privado.

La nota sobre criptografía simétrica resistente a LLMs es, por contraste, una de las pocas buenas noticias técnicas de la semana: los algoritmos como AES-256 o ChaCha20 no están amenazados por la capacidad de razonamiento de los modelos actuales. Para los equipos de seguridad que gestionan infraestructura crítica, esto es un dato que cierra una línea de preocupación —aunque abre otras, relacionadas con IA y ingeniería social, que son más relevantes en la práctica.

Lo que viene después del verano de reestructuraciones

El patrón de esta semana —DeepMind cambia de mando, Assistant desaparece, Microsoft demuestra portabilidad de skills, Hugging Face lanza inferencia edge— dibuja un mercado que está pasando de la fase de demostración a la fase de consolidación industrial. Los grandes laboratorios están ajustando su organización interna porque la investigación de frontera ya no es el único motor de valor; la ejecución operativa y la integración en stacks empresariales son igual de críticas.

Para quienes toman decisiones de compra de tecnología de IA, el mensaje es este: los próximos seis meses van a ser más importantes para la estabilidad del ecosistema que los seis anteriores. Las empresas que hoy tienen dependencias críticas en un solo proveedor —especialmente Google— deberían estar construyendo sus planes de contingencia, no esperando a que el nuevo CEO de DeepMind presente su visión en un keynote de Google I/O 2027. El riesgo de concentración en infraestructura de IA rara vez se materializa de golpe; casi siempre llega como una serie de pequeñas fricciones que se acumulan hasta que un día el pipeline de producción deja de rendir como se esperaba.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

• Directorio de agencias de agentes de voz
• Agencias de IA en Bogotá y en Barcelona
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real