La Unión Europea ha establecido un Código de Prácticas diseñado específicamente para que los proveedores de modelos de inteligencia artificial de propósito general (GPAI) puedan alinearse con las exigencias del Reglamento de IA (EU AI Act). Este marco normativo ofrece una hoja de ruta clara para el cumplimiento legal, aunque las empresas desarrolladoras mantienen la libertad de demostrar que cumplen la normativa mediante otros métodos alternativos que consideren apropiados.

Calendario de implementación y plazos del Reglamento de IA

El calendario de implementación es estricto. Las reglas aplicables a los modelos GPAI entrarán en vigor el 2 de agosto de 2025, lo que implica que cualquier modelo lanzado a partir de esa fecha deberá cumplir obligatoriamente con los estándares establecidos. No obstante, la Comisión Europea ha concedido un periodo de gracia para la ejecución de sanciones o acciones coercitivas. Las solicitudes de información, el acceso forzoso a los modelos o las órdenes de retirada de productos no comenzarán hasta el 2 de agosto de 2026, otorgando un año a los proveedores para coordinarse con la AI Office.

Para aquellos modelos que ya estén en el mercado antes del 2 de agosto de 2025, el margen de adaptación es mayor, ya que disponen hasta el 2 de agosto de 2027 para adecuarse a los requisitos del Reglamento. Este despliegue escalonado busca evitar que la regulación bloquee la innovación inmediata, permitiendo que los desarrolladores ajusten sus procesos de entrenamiento y transparencia antes de enfrentar medidas punitivas.

Capacidades técnicas y rendimiento de Gemini 4 Argon

En el ámbito del desarrollo técnico, Google ha presentado el 30 de septiembre de 2026 su nuevo modelo de inteligencia frontera, Gemini 4 Argon. Este sistema ha sido optimizado para ejecutar flujos de trabajo complejos y tareas de largo horizonte en sectores profesionales como la ingeniería de software, la ciberseguridad y el trabajo de conocimiento empresarial, específicamente en las áreas legal y financiera.

Una de las capacidades más destacadas de Gemini 4 Argon es la expansión de su límite de tokens de salida, que pasa de los 64.000 anteriores a un millón de tokens. Un token es la unidad básica de procesamiento de texto en un modelo de lenguaje; aumentar este límite permite que la IA mantenga la coherencia en razonamientos profundos y genere respuestas extremadamente extensas en una sola trayectoria, resolviendo problemas complejos sin fragmentar la ejecución.

En términos de rendimiento, Google ha reportado que Argon alcanza el estado del arte en el benchmark DeepSWE v1.1, con una puntuación del 77,9 %, que mide la capacidad del modelo en tareas reales de ingeniería de software. Asimismo, lidera el Vals Index, una métrica que evalúa el impacto económico en sectores de finanzas, derecho y fiscalidad, ponderados según su contribución al PIB de Estados Unidos. En la ejecución de funciones empresariales medidas por AutomationBench de Zapier, el modelo ocupa la primera posición con un 51,3 %.

El modelo también ha demostrado capacidades avanzadas en el análisis visual y de vídeo. En el benchmark LVBench, especializado en la comprensión de vídeos largos, Gemini 4 Argon ha logrado una puntuación del 91,7 %. Esta capacidad multimodal le permite analizar gráficos profesionales y extraer detalles específicos de archivos audiovisuales extensos para tomar acciones basadas en documentos.

Aplicaciones en ciberseguridad y remediación de vulnerabilidades

La ciberseguridad es uno de los pilares de Argon. Google ha entrenado el modelo para localizar, validar y corregir vulnerabilidades de software de forma autónoma. Para los defensores cibernéticos acreditados y los equipos internos de Google, el modelo se distribuirá sin las restricciones habituales de seguridad (cyber guardrails) para maximizar su eficacia defensiva. Actualmente, el programa Fairwind gestiona este despliegue controlado.

La empresa de seguridad Wiz ya emplea Argon a través de su iniciativa Scan for Good para proteger infraestructuras públicas. En las primeras pruebas, el modelo detectó una vulnerabilidad crítica en software sanitario utilizado globalmente que otros modelos de frontera habían pasado por alto. Además, en el CWE-bench v1, que evalúa la remediación de fallos de seguridad, Argon comparte el primer puesto con una puntuación del 68 %.

Optimización de infraestructura interna y migración de código

En el plano operativo interno de Google, Gemini 4 Argon ya optimiza la infraestructura de la compañía. En el área de computación cuántica, ha logrado optimizar los recursos de espacio-tiempo (qubits y puertas) de subrutinas críticas, superando la línea base publicada en un 40 %. En cuanto a la eficiencia de memoria, agentes basados en Argon analizaron la telemetría de la flota de centros de datos de Google, liberando inicialmente 300 TiB de memoria, con una previsión de ahorro total de entre 500 TiB y 1 PiB.

Otro avance significativo es la migración de código. Argon está trasladando bases de código de C/C++ a Rust, un lenguaje más seguro en la gestión de memoria. Este proceso ha alcanzado volúmenes de más de 800.000 líneas en el kernel Zircon de Fuchsia. En el caso de libgav1, el software de decodificación de vídeo de código abierto de Google, el modelo sustituyó 32.000 líneas de código SIMD, logrando un decodificador 2,7 veces más rápido que la versión previa de Rust.

Modelo de precios y ejes de seguridad de Google

El acceso comercial a Gemini 4 Argon se estructurará mediante un modelo de precios introductorio: 2 dólares por cada millón de tokens de entrada y 10 dólares por cada millón de tokens de salida. Para optimizar costes, los tokens de entrada almacenados en caché tendrán un descuento del 95 % sobre el precio estándar.

Para mitigar los riesgos asociados a un modelo de esta potencia, Google ha implementado cuatro ejes de seguridad. El primero es la defensa contra el mal uso en ataques químicos, biológicos, radiológicos o nucleares (CBRN), basándose en su marco de seguridad de frontera (Frontier Safety Framework). El segundo eje se centra en la resistencia contra los ataques de inyección de prompts indirectos, donde instrucciones maliciosas externas intentan secuestrar el comportamiento de la IA, área donde Argon lidera el benchmark IPI de Gray Swan.

El tercer eje es la monitorización de la desalineación, implementando sistemas que vigilan la cadena de pensamiento (chain-of-thought) del modelo y detienen la ejecución si la IA se desvía de la intención del usuario. Finalmente, el cuarto eje consiste en pruebas de red teaming, tanto manuales como automatizadas, para asegurar la robustez de las salvaguardas antes de su lanzamiento general al público, desarrolladores y empresas.

Hardware especializado de Microsoft y optimización en Apple Silicon

Paralelamente, Microsoft ha entrado en el segmento de hardware especializado con el lanzamiento de la Surface Laptop Ultra. Este dispositivo integra chips Nvidia RTX Spark, diseñados específicamente para ejecutar agentes de IA y modelos locales. El equipo llega acompañado de una versión actualizada de Windows 11 optimizada para estas capacidades.

La gama de precios de la Surface Laptop Ultra comienza en los 2.600 dólares para el modelo base, ascendiendo a 3.700 dólares para la versión con el chip más potente. Existen configuraciones superiores con mayor capacidad de memoria y almacenamiento que alcanzan los 5.900 dólares, versión que Microsoft ha reportado como agotada en sus primeras etapas de venta.

En el ámbito de la optimización de hardware, se ha registrado la implementación de K-Search en Apple Silicon. Este desarrollo traslada la experiencia en la creación de kernels de CUDA (la arquitectura de computación paralela de Nvidia) hacia MLX, el marco de aprendizaje automático diseñado por Apple para sus propios chips. Esta transición busca mejorar la eficiencia en la ejecución de operaciones matemáticas complejas directamente sobre el silicio de Apple.

Este conjunto de avances muestra una tendencia hacia la especialización: mientras la Unión Europea define los límites legales para evitar riesgos sistémicos, Google desplaza el límite técnico hacia el razonamiento profesional masivo y Microsoft y Apple compiten por trasladar la ejecución de estos modelos desde la nube hacia el hardware local del usuario.