Gemini 3.8 Flash supera a Claude Opus 5 en código

Google aprieta el acelerador: tres Flash en seis semanas

El 2 de septiembre, Google presentó Gemini 3.8 Flash, su tercera variante Flash en apenas seis semanas, tras los lanzamientos de Gemini 3.6 Flash a finales de julio y Gemini 3.7 Flash semanas después. El nuevo modelo llega en dos versiones: una general, que Google describe como su "workhorse" más inteligente hasta la fecha, y una especializada en ciberseguridad llamada Gemini 3.8 Flash Cyber.

Lo que más llama la atención no es el ritmo de publicación, sino el salto en programación: en el benchmark DeepSWE v1.1, que mide la capacidad de resolver problemas complejos de ingeniería de software de forma autónoma, Gemini 3.8 Flash obtuvo 73,7%, apenas por debajo del 74% de Claude Opus 5 y muy por encima de Gemini 3.7 Flash, Claude Sonnet 5, GPT-5.6 Sol y GPT-5.6 Terra, según los datos publicados por Google y recogidos por Android Authority.

Qué mide DeepSWE v1.1 y por qué importa

DeepSWE v1.1 es una prueba diseñada para evaluar si un modelo puede completar tareas de ingeniería de software de principio a fin, sin intervención humana: entender un ticket, escribir código, ejecutarlo y corregir errores. No se trata de generar snippets aislados, sino de mantener el hilo durante sesiones largas.

Leíste lo que hace la IA. ¿Y en tu negocio?

En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.

👥 Probar 7 días

Que un modelo del tamaño de Flash quede a 0,3 puntos de Claude Opus 5 sugiere un cambio relevante en la relación rendimiento/costo para equipos técnicos. Para una startup que necesita automatizar revisiones, refactors o migraciones de código, la diferencia entre 74% y 73,7% suele ser marginal; la diferencia de precio, no.

Google también destaca que Gemini 3.8 Flash supera a los modelos mencionados en otros benchmarks relevantes para founders: Vals Finance Agent V2 (análisis financiero agéntico), Harvey's Legal Agent Benchmark (flujos legales complejos), CharXiv Reasoning (síntesis de información), Terminal-bench 2.1 (codificación agéntica en terminal) y LVBench (comprensión de vídeo largo), según la cobertura de Android Authority. En el test HLE-Verified, que evalúa razonamiento en STEM, humanidades y áreas profesionales, el modelo alcanzó 54,9%, de acuerdo con la nota original de Geekzilla.

El precio: barato por token, pero cuidado con el consumo real

Google mantiene el precio introductorio de 3.7 Flash: US$0,75 por millón de tokens de entrada y US$3,75 por millón de tokens de salida, vigente hasta el 31 de diciembre de 2026, cuando pasará a US$1,50 / US$7,50. Ars Technica y The Verge confirman que, incluso al nuevo precio, sigue siendo más económico que Claude Opus 5 y GPT-5.6 Sol.

Sin embargo, hay un matiz clave que Artificial Analysis (citado por The Verge) pone sobre la mesa: aunque el precio por token no cambia respecto a 3.7 Flash, el costo efectivo por tarea sube alrededor de un 40%, porque el modelo usa un 30% más de tokens de salida y da más "vueltas" en evaluaciones agénticas. Es la consecuencia directa del eslogan interno de Google: "3.8 Flash works harder". El modelo ejecuta más pasos de razonamiento y llama a herramientas de forma iterativa cuando la tarea lo requiere.

Para un founder, esto significa que comparar solo el precio por token es una trampa: hay que medir el costo por tarea completada. Si tu producto automatiza flujos con muchas iteraciones, el ahorro real podría ser menor del esperado. Si tus tareas son cortas y deterministas, el ahorro es claro.

Gemini 3.8 Flash Cyber: el gemelo blindado

Junto al modelo general, Google lanzó Gemini 3.8 Flash Cyber, una variante afinada para detección y parcheo de vulnerabilidades. No estará abierta al público: el acceso se canaliza a través del nuevo Fairwind Program, un programa cerrado para "socios de confianza" que, según The Verge, ya cuenta con unos 650 miembros, entre ellos CrowdStrike y el Center for Internet Security.

Los números que comparte Google, según Android Authority y AndroidSage:

86,2% en el benchmark C/C++ de detección de vulnerabilidades (supera a Gemini 3.5 Flash Cyber y a modelos más grandes como Mythos 5 y GPT-5.5-Cyber).
71% de tasa de éxito en descubrimiento de vulnerabilidades reales en más de 20 lenguajes (frente al 58,9% de 3.7 Flash y al 46,6% de 3.5 Flash Cyber).
2,6 veces más parches correctos para vulnerabilidades de Chrome que los mejores modelos comerciales más grandes probados internamente.
En el benchmark externo CWE-Bench (gestionado por Collinear), logra un 47,2% pass@1, casi en la frontera Pareto con un modelo líder que marca 47,8%, pero a menor costo.

Para el ecosistema, la señal es clara: Google está moviendo ficha en la carrera de IA aplicada a defensa, donde ya competían Anthropic y OpenAI con sus propios modelos enfocados en seguridad.

El calendario europeo y el elefante en la sala: Gemini Pro sigue congelado

The Next Web apunta un detalle regulatorio que pesa en cada lanzamiento: bajo el Artículo 53 del EU AI Act, cada modelo de propósito general colocado en el mercado europeo requiere documentación técnica, política de copyright y resumen público de datos de entrenamiento. Los modelos con riesgo sistémico (entrenados con más de 10^25 operaciones de punto flotante) deben notificarse a la Comisión en un plazo de dos semanas, más corto que el intervalo entre 3.7 y 3.8 Flash.

Mientras tanto, Ars Technica recuerda que la línea Gemini Pro no se actualiza desde principios de 2026: el modelo "flagship" sigue estancado y cada vez parece más improbable que veamos el prometido Gemini 3.5 Pro. Todo el músculo de Google en este momento va a la familia Flash. Y en el horizonte se asoma Gemini 4, según Mashable.

¿Qué significa esto para tu startup?

1. Reevalúa tu stack de código agéntico esta semana. Si tu producto depende de Claude Opus 5 o GPT-5.6 Sol para tareas de ingeniería largas, vale la pena correr un piloto con Gemini 3.8 Flash midiendo costo por tarea completada, no solo por token. La paridad en DeepSWE v1.1 y el precio introductorio hasta diciembre crean una ventana ideal para comparar sin renegociar contratos.

2. Diseña pensando en el consumo real, no en el precio por token. El aviso de Google y los datos de Artificial Analysis son una llamada de atención: cuando un modelo "trabaja más", el costo sube aunque el precio unitario no cambie. Instrumenta tus agentes con métricas de tokens por tarea y costo por workflow completado antes de migrar producción.

3. Si trabajas en ciberseguridad, postula al Fairwind Program. El acceso a Gemini 3.8 Flash Cyber está restringido, pero la barrera de entrada (650 miembros y crecimiento) puede ser razonable para empresas con necesidades legítimas de defensa. Para startups de seguridad, esta variante puede marcar diferencia en auditorías y respuesta a incidentes.

El movimiento de Google deja una lectura clara para los próximos meses: la batalla por la programación agéntica ya no se decide solo por benchmarks, sino por el costo total de automatizar un workflow de software de extremo a extremo. Y ahí, Flash acaba de poner el listón más alto del mercado.

Fuentes

Leíste lo que hace la IA. ¿Y en tu negocio?

En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.

👥 Probar 7 días